SUMMARY: In the present study, it is aimed to reveal the performances of different classification algorithms in sex determination from first cervical vertebra, that is, atlas measurements. The classification success of 4 different machine learning algorithms was comparatively examined for the purpose of sex determination by evaluating 22 atlas measurements on cone beam computed tomography (CBCT) images of 145 female and 145 male adults. Logistic regression (LR), classification and regression tree (CART), support vector machine (SVM) and neural network (NN) algorithms were used for sex diagnosis. Area under the ROC curve (AUC), classification accuracy (CA), F1-ratio, Precision and Recall indexes were used for model performances. Except for 2 measurements, there was a significant difference between men and women in terms of 20 other parameters (p<0.05). The adjusted effects of these parameters on sex determination were examined with multivariate models and algorithms, and the success of all 4 algorithms was quite good. The success of the NN algorithm (Accuracy 91.3 %; 0.87 Specificity, 0.85 Sensitivity) in correctly classifying male and female was the highest, followed by the LR algorithm (Accuracy 90.9 %; 0.86 Specificity, 0.83 Sensitivity). It was found that the machine learning algorithm applied to the variables of the atlas gave high accuracy regarding sex and the NN model was highly effective in sex determination. In addition, a large morphometric database of atlas was presented in our results.

RESUMEN: El objetivo de estudio fue revelar el desempeño de diferentes algoritmos de clasificación en la determinación del sexo a partir de la primera vértebra cervical, el atlas. El éxito de la clasificación de 4 algoritmos diferentes de aprendizaje automático se examinó comparativamente con el fin de determinar el sexo mediante la evaluación de 22 mediciones de atlas en imágenes de tomografía computarizada de haz cónico (CBCT) de 145 mujeres y 145 hombres adultos. Para el diagnóstico de sexo se utilizaron algoritmos de clasificación y árbol de regresión (CART), máquina de vectores de soporte (SVM) y redes neuronales (NN). Para el rendimiento del modelo se utilizaron el área bajo la curva ROC (AUC), la precisión de clasificación (CA), la relación F1, los índices de precisión y recuperación. Excepto en dos mediciones, hubo una diferencia significativa entre hombres y mujeres en otros 20 parámetros (p<0,05). Los efectos ajustados de estos parámetros en la determinación del sexo se examinaron con modelos y algoritmos multivariados, y el éxito de los cuatro algoritmos fue bastante bueno. El éxito del algoritmo NN (Precisión 91,3 %; 0,87 Especificidad, 0,85 Sensibilidad) en clasificar correctamente a hombres y mujeres fue el más alto, seguido por el algoritmo LR (Precisión 90,9 %; 0,86 Especificidad, 0,83 Sensibilidad). Se encontró que el algoritmo de aprendizaje automático aplicado a las variables del atlas dio una alta precisión con respecto al sexo, y el modelo NN fue altamente efectivo en la determinación del sexo. Además, en nuestros resultados se presentó una importante base de datos morfométricos del atlas.

RESUMEN: La preparación militar depende en gran medida de la aptitud física y la capacidad operativa de su personal. Este estudio tiene como objetivo mejorar la eficacia de los protocolos de evaluación y clasificación de la composición corporal dentro del contexto militar. Se realizó una evaluación integral de 4.370 militares chilenos en servicio activo, centrándose en las características antropométricas, incluido el tejido adiposo, el tejido muscular y los índices antropométricos. El estudio observó diferencias significativas en la composición corporal entre sexos, con los hombres exhibiendo niveles más bajos de porcentaje de grasa corporal (hombres: 26,28 %; mujeres: 34,62 %) pero niveles más altos de masa muscular (hombres: 42,0 %; mujeres: 36,0 %;), índice de músculo esquelético (hombres: 11,81; mujeres: 9,31) e índice de masa magra (hombres: 19,92; mujeres: 18,45) en comparación con las mujeres. Se observaron altos niveles de tejido muscular en ambos grupos. Al integrar estos hallazgos en un protocolo de evaluación estandarizado, se logró una clasificación más precisa del personal militar, superando los métodos tradicionales utilizados en poblaciones obesas sedentarias. El estudio aboga por la adopción futura de un modelo de evaluación basado en algoritmos de inteligencia artificial (IA), que consideren la naturaleza multifacética de la composición corporal y su impacto en la capacidad operativa. Un modelo de este tipo permitiría a las fuerzas militares optimizar la aptitud física y la preparación de su personal, mejorando así su eficacia en las operaciones de despliegue.

SUMMARY: Military readiness relies heavily on the physical fitness and operational capability of its personnel. This study aims to enhance the effectiveness of body composition assessment and classification protocols within the military context. A comprehensive evaluation of 4370 active-duty Chilean military personnel was conducted, focusing on anthropometric characteristics, including adipose tissue, muscle tissue, and anthropometric indices. The study observed significant differences in body composition between genders, with men exhibiting lower levels of body fat percentage (men: 26.28 %; women: 34.62 %) but higher levels of muscle mass (men: 42.0 %; women: 36.0 %;), skeletal muscle index (men:11.81; women: 9.31), and fat-free mass index (men: 19.92; women: 18.45) compared to women. High levels of muscle tissue were observed in both groups. By integrating these findings into a standardized assessment protocol, a more accurate classification of military personnel was achieved, surpassing traditional methods used in sedentary obese populations. The study advocates the future adoption of an assessment model based on artificial intelligence (AI) algorithms, which consider the multifaceted nature of body composition and its impact on operational capability. Such a model would enable military forces to optimize their personnel's physical fitness and readiness, thus enhancing their effectiveness in deployment operations.

RESUMEN: Dado que los algoritmos de aprendizaje automático dan resultados más fiables, en los últimos años han sido utilizados en el campo de la salud. Las variables orbitales dan resultados muy exitosos a la hora de clasificar correctamente el sexo. Esta investigación se ha centrado en la determinación del sexo utilizando determinadas variables obtenidas a partir de las imágenes orbitales de la tomografía computarizada (TC) mediante el uso de algoritmos de aprendizaje automático (AA). En este estudio se probaron 12 variables determinadas en 600 imágenes orbitales de 300 individuos (150 hombres y 150 mujeres) con diferentes AA. Se utilizaron algoritmos de AA de árbol de decisión (DT), K-Nearest Neighbour, regresión logística (RL), Random Forest (RF), análisis discriminante lineal (ADL) y Naive Bayes (NB) para el aprendizaje no supervisado. Los análisis estadísticos de las variables se realizaron con el programa Minitab® 21.2 (64 bits). La tasa de ACC de los algoritmos NB, DT, KNN y RL se encontró en % 83, mientras que la tasa de ACC de los algoritmos ADL y RFC se determinó en % 85. Según el análisis de Sharp, la variable con el mayor grado de efecto se encontró como BOW. El estudio determinó el sexo con alta precisión en las proporciones de 0,83 y 0,85 mediante el uso de las variables de las imágenes de TC orbitales, y se adquirieron los datos morfométricos relacionados de la población en cuestión, enfatizando la variación racial.

SUMMARY: Since machine learning algorithms give more reliable results, they have been used in the field of health in recent years. The orbital variables give very successful results in classifying sex correctly. This research has focused on sex determination using certain variables obtained from the orbital images of the computerized tomography (CT) by using machine learning algorithms (ML). In this study 12 variables determined on 600 orbital images of 300 individuals (150 men and 150 women) were tested with different ML. Decision tree (DT), K-Nearest Neighbour (KNN), Logistic Regression (LR), Random Forest (RF), Linear Discriminant Analysis (LDA), and Naive Bayes (NB) algorithms of ML were used for unsupervised learning. Statistical analyses of the variables were conducted with Minitab® 21.2 (64-bit) program. ACC rate of NB, DT, KNN, and LR algorithms was found as % 83 while the ACC rate of LDA and RFC algorithms was determined as % 85. According to Shap analysis, the variable with the highest degree of effect was found as BOW. The study has determined the sex with high accuracy at the ratios of 0.83 and 0.85 through using the variables of the orbital CT images, and the related morphometric data of the population under question was acquired, emphasizing the racial variation.

RESUMEN: El registro preciso de la biodiversidad tropical ha llevado a la necesidad de inventarios forestales extensos y precisos en zonas montañosas, donde las imágenes satelitales y la modelización de transferencia radiativa de los bosques han adquirido mucha relevancia. Los algoritmos de clasificación de imágenes de última generación (i.e. aprendizaje automático), aplicados con información auxiliar del relieve, se han revelado relativamente exitosos para el mapeo de tipos de bosques, sin embargo, la exactitud de la clasificación se mide solamente en promedio sobre áreas extensas, y poca atención se ha vertido en predecir las configuraciones de iluminación que en realidad causan alta incertidumbre en los resultados de la clasificación. En este artículo, se presenta una metodología basada en el simulador de imágenes Discrete Anisotropic Radiative Transfer (DART), para determinar si los tipos de bosque son distinguibles o no en configuraciones de terreno escarpado. Este trabajo describe la comparación de escenas forestales simuladas y reales en imágenes de alta resolución espacial (4 m). El método se aplicó para la estimación de la separabilidad espectral de tres tipos de bosques (encino, pino y selva alta perennifolia) en terrenos escarpados en México. Para ángulos de incidencia solar extremos (muy pequeños o muy grandes), el bosque de pino y la selva alta resultaron indistinguibles, y en contraste, fueron distinguibles en laderas cercanas al plano perpendicular solar. En consecuencia, para incluir un máximo de configuraciones favorables de laderas, recomendamos incorporar imágenes adquiridas en la mañana y en la tarde en el entrenamiento de los algoritmos de aprendizaje automático.

ABSTRACT: The precise account of biodiversity in the tropics has prompted the need for extended and accurate forest inventories in mountainous landscapes, where satellite imagery and radiative transfer modeling of forests have acquired much relevance. Last-generation classification algorithms (i.e. machine learning) using terrain information have proven useful for mapping forest types, however, the accuracy of classifications is measured on average over a large extent, and little emphasis has been placed on predicting which illumination configurations could in fact cause high uncertainty in the classification results. This paper presents a 3D modeling approach adapted to the Discrete Anisotropic Radiative Transfer (DART) image simulator, which indicates whether forest types are distinguishable in a set of steep terrain configurations. The approach also describes a comparison of simulated and real forest scenes on slopes at high (4 m) spatial resolution. This method was applied to estimate the spectral separability of three forest types (oak, pine, and high tropical forests) on steep terrain in Mexico. For extreme (low or high) solar incidence angles, the pine and high tropical forests were indistinguishable, and by contrast, they were distinguishable on slopes near to the solar perpendicular plane. As a consequence, to maximize favourable slope configurations, we recommend to incorporate images acquired in the morning and in the afternoon for machine learning classification algorithms.

Abstract Tree diseases contribute to significant economic and food losses in the agricultural sector. Early detection of phytosanitary problems in trees with non-destructive methods is essential to guarantee sustainable orange production. This study presents the findings of a designed methodology conducted to identify diseased orange trees in an orchard situated in the citrus belt of Mexico, specifically in the Rioverde region of San Luis Potosi. To accomplish this, we captured images using a multispectral camera with very high spatial resolution, which was mounted on an unmanned aerial vehicle. These images were used to construct a georeferenced orthomosaic of the orchard. Six thematic classes were established to distinguish various health levels among the trees. We employed several supervised classification algorithms at the pixel level, including Random Forest (RF), K-Nearest Neighbor (KNN), Spectral Angle Mapper (SAM), Support Vector Machine (SVM), and Maximum Likelihood (ML). Considering the classification accuracy achieved by each algorithm, they can be ranked as follows: Maximum Likelihood (ML) with 88.10%, Support Vector Machine (SVM) with 77.38%, Spectral Angle Mapper (SAM) with 76.19%, K-Nearest Neighbor (KNN) with 64.68%, and Random Forest (RF) with 61.90%. These results successfully identified the phytosanitary status of all the trees in the orchard with an acceptable level of accuracy, providing valuable management information for the grower.

Resumen Las enfermedades de los árboles contribuyen a importantes pérdidas económicas y de alimentos en el sector agrícola. La detección temprana de problemas fitosanitarios en árboles con métodos no destructivos resulta fundamental para garantizar la producción sostenible de naranja. Este trabajo presenta los resultados de una metodología diseñada para la identificación de árboles de naranja enfermos en una huerta ubicada en el cinturón citrícola de México, particularmente en la región de Rioverde, San Luis Potosí. Para ello, se tomaron imágenes con una cámara multiespectral de muy alta resolución espacial instalada en un vehículo aéreo no tripulado con las que se construyó un ortomosaico georreferenciado. Se emplearon seis clases temáticas para identificar los diferentes niveles de sanidad. Se utilizaron diferentes algoritmos de clasificación supervisada a nivel píxel que incluyen Random Forest (RF), K-Nearest Neighbor (KNN), Spectral Angle Mapper (SAM), Support Vector Machine (SVM), y Maximum Likelihood (ML). Considerando la exactitud de clasificación obtenida por cada uno de los algoritmos, se pueden ordenar de la siguiente manera: Maximum Likelihood (ML) con un 88,10%, Support Vector Machine (SVM) con un 77,38%, Spectral Angle Mapper (SAM) con un 76,19%, K-Nearest Neighbor (KNN) con un 64,68% y Random Forest (RF) con un 61,90%. Los resultados permitieron identificar el estado fitosanitario de todos los árboles de la huerta, con una exactitud aceptable y representan información valiosa de manejo para el productor.

Resumen La visión por computadora (VC) puede ser un proceso que facilite algunas tareas en la gestión de inventarios, por medio de este proceso se puede realizar un análisis permanente de un inventario y así mantener registro de todos los movimientos realizados, entregando un reporte instantáneo cuando sea requerido. Esto supone una mejora en la seguridad, ya que al mantener un control estricto de los elementos existentes en el inventario se puede saber si un elemento pertenece o no a un inventario o cuando se retira o agrega un elemento, tras esta necesidad de control de inventario, surge la necesidad de diseñar un sistema inteligente que pueda facilitar el control de inventarios. Mediante la combinación de 2 frameworks, se realiza la creación de un algoritmo capaz de realizar la identificación y conteo de objetos, así como la identificación de la mano para determinar cuándo se realiza una manipulación humana al inventario. Para lograr este objetivo, se utilizaron dos algoritmos: MediaPipe y YOLOv5 combinado con el dataset de COCO, el primero se usó para la detección de manos y el segundo identifica y cuenta los objetos. Después de las pruebas realizadas al algoritmo se determina que el reconocimiento de manos de MediaPipe tuvo una precisión del 96% y la detección y clasificación de objetos usando YOLO fue de 43.7%. Teniendo como retos el algoritmo la superposición, la oclusión/auto oclusión de los objetos, o la pérdida de foco de los elementos debido al sensor.

Abstract Computer vision (CV) can be a process that facilitates some tasks in inventory management, through this process a permanent analysis of an inventory can be performed and thus keep record of all movements made, delivering an instant report when required. This means an improvement in security, since by keeping a strict control of the existing elements in the inventory it is possible to know if an element belongs or not to an inventory or when an element is removed or added, after this need for inventory control, the need arises to design an intelligent system that can facilitate inventory control. Through the combination of 2 frameworks, the creation of an algorithm capable of performing the identification and counting of objects, as well as the identification of the hand to determine when a human manipulation is performed to the inventory. To achieve this objective, two algorithms were used: MediaPipe and YOLOv5 combined with the COCO dataset, the first one was used for hand detection and the second one identifies and counts the objects. After testing the algorithm, it was determined that the hand recognition of MediaPipe had an accuracy of 96% and the detection and classification of objects using YOLO was 43.7%. Challenges for the algorithm were overlapping, occlusion/self-occlusion of objects, or loss of focus of items due to the sensor.

ABSTRACT Background: The growing number of echocardiographic tests and the need for strict adherence to international quantification guidelines have forced cardiologists to perform highly extended and repetitive tasks when interpreting and analyzing increasingly overwhelming amounts of data. Novel machine learning (ML) techniques, designed to identify images and perform measurements at relevant visits, are becoming more common to meet this obvious need for process automation. Objectives: Our objective was to evaluate an alternative model for the interpretation and analysis of echocardiographic tests mostly based on the use of ML software in order to identify and classify views and perform standardized measurements automatically. Methods: Images came from 2000 healthy subjects, 1800 of whom were used to develop ML algorithms and 200 for subsequent validation. First, a convolutional neural network was developed in order to identify 18 standard echocardiographic views and classify them based on 8 thematic groups (stacks). The results of automatic identification were compared to classification by experts. Later, ML algorithms were developed to automatically measure 16 Doppler scan parameters for regular clinical evaluation, which were compared to measurements by an expert reader. Finally, we compared the time required to complete the analysis of an echocardiographic test using conventional manual methods with the time needed when using the ML model to classify images and perform initial echocardiographic measurements. Inter- and intra-observer variability was also analyzed. Results: Automatic view classification was possible in less than 1 second per test, with a 90% accuracy for 2D images and a 94% accuracy for Doppler scan images. Stacking images had a 91% accuracy, and it was possible to complete the groups with any necessary images in 99% of cases. Expert agreement was outstanding, with discrepancies similar to those found between two human readers. Applying ML to echocardiographic imaging classification and measurement reduced time of analysis by 41% and showed lower variability than conventional reading methods. Conclusion: Application of ML techniques may significantly improve reproducibility and efficiency of echocardiographic interpretations and measurements. Using this type of technologies in clinical practice may lead to reduced costs and increased medical staff satisfaction.

RESUMEN Introducción: El número creciente de estudios ecocardiográficos y la necesidad de cumplir rigurosamente con las recomendaciones de guías internacionales de cuantificación, ha llevado a que los cardiólogos deban realizar tareas sumamente extensas y repetitivas, como parte de la interpretación y análisis de cantidades de información cada vez más abrumadoras. Novedosas técnicas de machine learning (ML), diseñadas para reconocer imágenes y realizar mediciones en las vistas adecuadas, están siendo cada vez más utilizadas para responder a esta necesidad evidente de automatización de procesos. Objetivos: Nuestro objetivo fue evaluar un modelo alternativo de interpretación y análisis de estudios ecocardiográficos, basado fundamentalmente en la utilización de software de ML, capaz de identificar y clasificar vistas y realizar mediciones estandarizadas de forma automática. Material y métodos: Se utilizaron imágenes obtenidas en 2000 sujetos normales, libres de enfermedad, de los cuales 1800 fueron utilizados para desarrollar los algoritmos de ML y 200 para su validación posterior. Primero, una red neuronal convolucional fue desarrollada para reconocer 18 vistas ecocardiográficas estándar y clasificarlas de acuerdo con 8 grupos (stacks) temáticos. Los resultados de la identificación automática fueron comparados con la clasificación realizada por expertos. Luego, algoritmos de ML fueron desarrollados para medir automáticamente 16 parámetros de eco Doppler de evaluación clínica habitual, los cuales fueron comparados con las mediciones realizadas por un lector experto. Finalmente, comparamos el tiempo necesario para completar el análisis de un estudio ecocardiográfico con la utilización de métodos manuales convencionales, con el tiempo necesario con el empleo del modelo que incorpora ML en la clasificación de imágenes y mediciones ecocardiográficas iniciales. La variabilidad inter e intraobservador también fue analizada. Resultados: La clasificación automática de vistas fue posible en menos de 1 segundo por estudio, con una precisión de 90 % en imágenes 2D y de 94 % en imágenes Doppler. La agrupación de imágenes en stacks tuvo una precisión de 91 %, y fue posible completar dichos grupos con las imágenes necesarias en 99% de los casos. La concordancia con expertos fue excelente, con diferencias similares a las observadas entre dos lectores humanos. La incorporación de ML en la clasificación y medición de imágenes ecocardiográficas redujo un 41 % el tiempo de análisis y demostró menor variabilidad que la metodología de interpretación convencional. Conclusión: La incorporación de técnicas de ML puede mejorar significativamente la reproducibilidad y eficiencia de las interpretaciones y mediciones ecocardiográficas. La implementación de este tipo de tecnologías en la práctica clínica podría resultar en reducción de costos y aumento en la satisfacción del personal médico.

Abstract Accurate detection and identification of weeds are essential in the implementation of Precision Agriculture (PA). In this study, we addressed the detection and classification of weeds in maize and tomato in their early growth stages by integrating images acquired from UAVs and analysis based on advanced convolutional neural networks. Subsequently, the objective of this research was the creation of geo-referenced maps that would allow localized and selective post-emergence management of weed species. Our results indicate that the combination of UAV-captured imagery and deep learning algorithm-based image analysis provides an effective solution for this purpose. The accuracy and efficiency achieved in the identification of weeds in their early stage were promising, both in the set of species present in the crop and in individual species. This advance is of great relevance in the field of PA, as it would allow a more efficient management of weeds by selecting the herbicide according to the type of weed present, reducing the use of herbicides and ultimately contributing to the sustainability and profitability of agriculture. In addition, the generation of geo-referenced maps facilitates real-time decision making. In summary, this study suggests that the combination of emerging technologies, such as drones and deep neural networks, may be applicable tools in localized weed management in the context of PA.

Resumen La detección precisa y la identificación de malas hierbas son esenciales en la implementación de la Agricultura de Precisión (AP). En este estudio, se abordó la detección y la clasificación de malas hierbas en maíz y tomate en sus etapas tempranas de crecimiento mediante la integración de imágenes adquiridas desde drones y análisis basado en avanzadas redes neuronales convolucionales. Posteriormente, el objetivo de esta investigación fue la creación de mapas georreferenciados que permitieran una gestión en post-emergencia localizada y selectiva de las especies de malas hierbas. Nuestros resultados indican que la combinación de imágenes captadas por drones y un análisis de las mismas basado en algoritmos de aprendizaje profundo proporciona una solución efectiva para este propósito. La precisión y eficiencia alcanzadas en la identificación de malas hierbas en su etapa temprana fueron prometedoras, tanto en el conjunto de especies presentes en el cultivo como en especies individuales. Este avance es de gran relevancia en el ámbito de la AP, ya que permitiría una gestión más eficiente de las malas hierbas mediante la selección del herbicida según el tipo de mala hierba presente, reduciendo el uso de herbicidas y, en última instancia, contribuyendo a la sostenibilidad y la rentabilidad de la agricultura. Además, la generación de mapas georreferenciados facilita la toma de decisiones en tiempo real. En resumen, este estudio sugiere que la combinación de tecnologías emergentes, como drones y redes neuronales profundas, pueden ser herramientas aplicables en el manejo localizado de malas hierbas en el contexto de la AP.

Resumen La inteligencia artificial ha permitido desarrollar herramientas para el reconocimiento automático de frutos y hortalizas con mayor precisión y rapidez. El desarrollo de nuevos genotipos de árboles frutales requiere del uso de herramientas tecnológicas para la identificación de variedades con mayor robustez que los métodos convencionales. En esta investigación se aplicaron algoritmos de aprendizaje automático para identificar seis variedades de durazno (Prunus persica L.) CP-03-06, Oro Azteca, Oro San Juan, Cardenal, Colegio y Robin a partir de imágenes digitales de hojas. Los modelos máquina de soporte vectorial (SVM), bosque aleatorio (RF) y perceptrón multicapa (MLP) se entrenaron y evaluaron con base en tres descriptores cromáticos y 14 morfológicos extraídos de imágenes digitales. La evaluación del desempeño en predicción de los modelos se realizó con base en métricas globales y específicas para cada clase objetivo (variedad de durazno). Los cinco descriptores más importantes para identificar las variedades de durazno fueron los tres canales de color HSV (hue, saturation, value), la redondez y la excentricidad de las hojas. SVM obtuvo la mayor precisión global de clasificación con Acc de 98.7 % y F1macro de 98 %. SVM obtuvo el mayor puntaje F1 (99.2 %) para identificar la variedad de durazno CP-03-06 y el menor puntaje F1 (96.1 %) para identificar la variedad Cardenal. La utilización conjunta de descriptores cromáticos y morfológicos mejoró el desempeño de los algoritmos de aprendizaje para identificar las seis variedades de durazno. Los modelos SVM, RF y MLP obtuvieron un Acc de 98.7, 98.6 y 97 %, respectivamente. Este estudio muestra el potencial de las técnicas de aprendizaje automático para su aplicación en el reconocimiento de descriptores de interés en cultivos agrícolas y su aplicación a procesos automatizados en la agricultura.

Summary Artificial intelligence has allowed the development of tools for automatic recognition of fruits and vegetables with greater precision and speed. The development of new genotypes of fruit trees requires the use of technological tools to identify varieties with greater robustness than conventional methods. In this research, machine learning algorithms were applied to identify six peach varieties (Prunus persica L.) CP-03-06, Oro Azteca, Oro San Juan, Cardenal, Colegio and Robin from digital leaf images. The support vector machine (SVM), random forest (RF) and multilayer perceptron (MLP) models were trained and evaluated based on three chromatic and 14 morphological descriptors extracted from digital images. The evaluation of the prediction performance of the models was based on global metrics and specific for each target class (peach variety). The five most important descriptors to identify peach varieties were three HSV color channels (hue, saturation, value), roundness and eccentricity of the leaves. SVM achieved the highest overall classification accuracy with Acc of 98.7 % and F1macro of 98 %. SVM obtained the highest F1 score (99.2 %) to identify the peach variety CP-03-06 and the lowest F1 score (96.1 %) to identify the Cardenal variety. The joint use of chromatic and morphological descriptors improved the performance of learning algorithms to identify the six peach varieties. The SVM, RF and MLP models obtained an Acc of 98.7, 98.6 and 97 %, respectively. This study shows the potential of machine learning methods for their application in recognizing descriptors of interest in agricultural crops and their application to automated processes in agriculture.

ABSTRACT Introduction: For the best treatment of patients with neuropathic ulcers, it is important to identify the degree and origin of the lesion. In this respect, several classification systems have been proposed; among the most important are the Wagner and Texas classification systems. Objective: To determine the effectiveness of nursing intervention algorithms in older adults with neuropathic ulcers in the community. Methods: A longitudinal and descriptive study was carried out of 77 older adults with neuropathic ulcers at Mártires de Cuito health center in Bie, Angola, in the period January-December 2023. The obtained information was processed, validated and analyzed by computational methods, using the Microsoft Office 2024 package and the statistical system Epi-Info-version 1.4.3 of the World Health Organization. Statistical analysis was performed using the SPSS statistical package (version 23) for Windows. Results: Of the independent interventions provided to the 77 older adults, according to age and presence of neuropathic ulcers, 46.75 % were female and 53.24 % were male; 4 patients (5.19 %) presented neuropathic ulcers. There was a predominance of the age group 71-75 years, accounting for 31.16 % and 54.54 % of older adults with neuropathic ulcers. According to the Wagner classification, access for osteomyelitis (45.45 %) was remarkable, whilw the level of self-care showed that 71.42 % performed little self-care. Conclusions: The implementation of an algorithm for the care of older adults with neuropathic ulcer makes it easier to identify the predominant age group with this condition, Wagner's classification and self-care practice.

RESUMEN Introducción: Para el mejor tratamiento del paciente con úlceras neuropáticas es importante tener identificado el grado y origen de la lesión. En este sentido, se han propuesto diversos sistemas de clasificación; entre los más importantes están la clasificación de Wagner y la de Texas. Objetivo: Determinar la efectividad de los algoritmos de intervención de enfermería en adultos mayores con úlcera neuropática en la comunidad. Métodos: Estudio descriptivo longitudinal de corte en 77 adultos mayores con úlceras neuropáticas en el Centro de Salud “Mártires de Cuito” de Bie, Angola, en el período enero-diciembre de 2023. La información obtenida fue procesada, validada y analizada con métodos computacionales, mediante el paquete Microsoft Office 2024 y el sistema estadístico Epi-Info-versión 1.4.3. de la Organización Mundial de la Salud. El análisis estadístico se realizó a través del paquete estadístico SPSS versión 23 para Windows. Resultados: De las intervenciones independientes brindadas a los 77 adultos mayores, según edad y presencia de úlceras neuropáticas, el 46,75 % pertenecía al sexo femenino y el 53,24 % al masculino; de ellos presentaron úlceras neuropáticas cuatro pacientes (5,19 %). Predominó el grupo de edades de 71-75 años, que reportó 31,16 % y 54,54 % de adultos mayores con úlceras neuropáticas. En la clasificación de Wagner sobresalió el acceso por osteomielitis (45,45 %) y el nivel de autocuidado demostró que el 71,42 % practicaba poco su autocuidado. Conclusiones: La implementación de un algoritmo para la atención a adultos mayores con úlcera neuropática facilita precisar el grupo de edad predominante con esta afección, la clasificación de Wagner y la práctica de autocuidado.

Resumo O acesso ao crédito tem funções econômicas e sociais relevantes diante das desigualdades brasileiras. Apesar do papel vital, a regulação jurídica no Brasil sobre discriminação no acesso ao crédito é esparsa em diversos diplomas jurídicos nas áreas de direito do consumidor, regulação financeira, direito internacional e legislações antidiscriminatórias. Considerando esse caráter fragmentado, o presente artigo, descritivamente, apresenta um mapeamento das normas que proíbem a discriminação no acesso ao crédito no Brasil e, analiticamente, avalia os riscos de discriminação associados ao uso de dados para concessão de crédito. Para isso, utilizam-se a literatura e a regulação dos Estados Unidos da América (EUA) como base comparativa, por existir nesse país legislação, práticas institucionais e mobilização social a respeito do tema há pelo menos meio século. A pesquisa sugere a possibilidade de discriminações direta e indireta contra pessoas negras nas decisões de concessão de crédito, incluindo o uso de algoritmos. A principal contribuição deste artigo é a apresentação de uma classificação dos dados em três categorias de risco de discriminação racial: risco baixo (dados de utilização a princípio aceitáveis), risco alto (dados a princípio inaceitáveis para avaliação do crédito) e risco incerto (dados que se enquadram em uma zona cinzenta). brasileiras vital consumidor financeira antidiscriminatórias fragmentado descritivamente analiticamente isso utilizamse utilizam EUA (EUA comparativa legislação século algoritmos racial aceitáveis, aceitáveis , aceitáveis) cinzenta. cinzenta . cinzenta)

Abstract Access to credit plays significant economic and social roles in addressing Brazilian inequalities. Despite its vital importance, legal regulation in Brazil regarding discrimination in credit access is sparse across various legal statutes, in areas such as consumer law, financial regulation, international law, and anti-discrimination legislation. Considering this fragmented nature, this paper, descriptively, maps the norms prohibiting discrimination in credit access in Brazil and, analytically, presents an assessment of discriminatory risk in the use of data for credit allocation. It employs literature and regulation from the United States of America (USA) for comparison, given that, in this country, there has been legislation, institutional practice, and social mobilization on the topic for at least half a century. The research suggests the possibility of direct and indirect discrimination against Black individuals in credit granting decisions, including through the use of algorithms. The main contribution of this paper lies in presenting a classification of data into three categories of racial discrimination risk: low risk (data initially acceptable for use), high risk (data initially unacceptable for credit evaluation), and uncertain risk (data that fall into a gray area). inequalities importance statutes law antidiscrimination anti legislation nature descriptively analytically allocation USA (USA comparison country practice century decisions algorithms use, , use) evaluation, evaluation evaluation) area. area . area)

Resumen El acceso al crédito desempeña funciones económicas y sociales significativas en el abordaje de las desigualdades en Brasil. A pesar de su importancia vital, la regulación jurídica en Brasil respecto a la discriminación en el acceso al crédito es dispersa en diversos estatutos legales, en áreas como derecho del consumidor, regulación financiera, derecho internacional y legislaciones antidiscriminatorias. Teniendo en cuenta esta naturaleza fragmentada, el presente artículo, de manera descriptiva, mapea las normas que prohíben la discriminación en el acceso al crédito en Brasil y, de manera analítica, presenta una evaluación del riesgo discriminatorio en el uso de datos para la asignación de crédito. Son utilizadas la literatura y la regulación de Estados Unidos de América (EE. UU.) como comparativo, dado que, en ese país, ha habido legislación, práctica institucional y movilización social respecto al tema durante al menos medio siglo. La investigación sugiere riesgos de discriminación directa e indirecta contra personas negras en las decisiones de concesión de crédito, incluyendo a través del uso de algoritmos. La principal contribución de este artículo radica en la presentación de una clasificación de los datos en tres categorías de riesgo de discriminación racial: riesgo bajo (datos inicialmente aceptables para su uso), riesgo alto (datos inicialmente inaceptables para la evaluación del crédito) y riesgo incierto (datos que caen en una zona gris). vital legales consumidor financiera antidiscriminatorias fragmentada descriptiva analítica EE. EE (EE UU. UU comparativo país legislación siglo algoritmos racial uso, , uso) gris. gris . gris)

Objetivo: descrever o desenvolvimento de um modelo classificador preditivo da carga de trabalho de enfermagem, utilizando inteligência artificial. Método: estudo observacional retrospectivo, em fontes secundárias de registros eletrônicos de pacientes, com uso de aprendizado de máquina. A amostra por conveniência constituiu-se de 43.871 avaliações realizadas por enfermeiras assistenciais com o Sistema de Classificação de Pacientes de Perroca, as quais serviram como padrão ouro, e os dados clínicos do prontuário eletrônico de 11.774 pacientes, que constituíram as variáveis. Para a organização dos dados e a realização das análises, utilizou-se a plataforma de ciência de dados Dataiku ® . A análise dos dados ocorreu de forma exploratória, descritiva e preditiva. Estudo aprovado pelo Comitê de Ética e Pesquisa da instituição campo do estudo. Resultados: o uso de inteligência artificial possibilitou o desenvolvimento do modelo classificador de avaliação da carga de trabalho de enfermagem, identificando as variáveis que mais contribuíram para a sua predição. O algoritmo classificou corretamente 72% das variáveis e a área sob a curva Receiver Operating Characteristic foi de 82%. Conclusão: houve o desenvolvimento de um modelo preditivo, demonstrando que é possível treinar algoritmos com dados do prontuário eletrônico do paciente para predizer a carga de trabalho de enfermagem e que as ferramentas da inteligência artificial podem ser efetivas para a automatização desta atividade. Objetivo Método retrospectivo pacientes máquina constituiuse constituiu se 43871 43 871 43.87 Perroca ouro 11774 11 774 11.77 análises utilizouse utilizou exploratória preditiva Resultados predição 72 82 82% Conclusão atividade 4387 4 87 43.8 1177 1 77 11.7 7 8 438 43. 117 11.

Objective: to describe the development of a predictive nursing workload classifier model, using artificial intelligence. Method: retrospective observational study, using secondary sources of electronic patient records, using machine learning. The convenience sample consisted of 43,871 assessments carried out by clinical nurses using the Perroca Patient Classification System, which served as the gold standard, and clinical data from the electronic medical records of 11,774 patients, which constituted the variables. In order to organize the data and carry out the analysis, the Dataiku® data science platform was used. Data analysis occurred in an exploratory, descriptive and predictive manner. The study was approved by the Ethics and Research Committee of the institution where the study was carried out. Results: the use of artificial intelligence enabled the development of the nursing workload assessment classifier model, identifying the variables that most contributed to its prediction. The algorithm correctly classified 72% of the variables and the area under the Receiver Operating Characteristic curve was 82%. Conclusion: a predictive model was developed, demonstrating that it is possible to train algorithms with data from the patient’s electronic medical record to predict the nursing workload and that artificial intelligence tools can be effective in automating this activity. Objective Method learning 43871 43 871 43,87 System standard 11774 11 774 11,77 patients Dataiku used exploratory manner Results prediction 72 82 82% Conclusion developed s activity 4387 4 87 43,8 1177 1 77 11,7 7 8 438 43, 117 11,

Objetivo: describir el desarrollo de un modelo clasificador predictivo de la carga de trabajo de enfermería, utilizando inteligencia artificial. Método: estudio observacional retrospectivo, en fuentes secundarias de registros electrónicos de pacientes, con uso de aprendizaje automático. La muestra por conveniencia se constituyó de 43.871 evaluaciones realizadas por enfermeras asistenciales con el Sistema de Clasificación de Pacientes de Perroca, que sirvieron como patrón oro, y datos clínicos del expediente electrónico de 11.774 pacientes, que constituyeron las variables. Para la organización de los datos y la realización de los análisis se utilizó la plataforma de ciencia de datos Dataiku ® . El análisis de los datos ocurrió de forma exploratoria, descriptiva y predictiva. Estudio aprobado por el Comité de Ética e Investigación de la institución campo del estudio. Resultados: el uso de inteligencia artificial posibilitó el desarrollo del modelo clasificador de evaluación de la carga de trabajo de enfermería, identificando las variables que más contribuyeron para su predicción. El algoritmo clasificó correctamente el 72% de las variables y el área bajo la curva Receiver Operating Characteristic fue del 82%. Conclusión: hubo el desarrollo de un modelo predictivo, demostrando que es posible entrenar algoritmos con datos del expediente electrónico del paciente para predecir la carga de trabajo de enfermería y que las herramientas de inteligencia artificial pueden ser efectivas para la automatización de esta actividad. Objetivo Método retrospectivo pacientes automático 43871 43 871 43.87 Perroca oro 11774 11 774 11.77 exploratoria predictiva Resultados predicción 72 82 82% Conclusión actividad 4387 4 87 43.8 1177 1 77 11.7 7 8 438 43. 117 11.

RESUMO Esta pesquisa propõe um algoritmo abrangente de aprendizado profundo para compreender o papel das redes sociais na percepção do consumidor em relação ao consumo sustentável. Após o surgimento da Covid-19, a sociedade tem apresentado um foco maior sobre a relação entre as pessoas e a natureza. Alcançar os objetivos de desenvolvimento sustentável requer a promoção do consumo verde, o que exige compreender e influenciar as atitudes públicas em relação à sustentabilidade. Enquanto estudos anteriores exploraram o consumo sustentável usando modelos comportamentais e pesquisas, muitas vezes negligenciaram a perspectiva das redes sociais. Utilizando técnicas de aprendizado profundo, este estudo visa analisar dados das redes sociais, incluindo conteúdo de texto e vídeo, para obter insights sobre o comportamento e preferências do consumidor. O estudo envolve a coleta de dados do X (antigo Twitter) e do YouTube, o desenvolvimento de algoritmos de aprendizado profundo para classificação de texto e a criação de um sistema de visualização e relatório. Mais especificamente, este estudo visa analisar o impacto do compartilhamento de informações nas redes sociais nas intenções de compra sustentável da sociedade e propor arquiteturas avançadas para mineração de texto, especificamente o método LDA. Este estudo destaca os insights obtidos da análise do discurso das redes sociais sobre o consumo sustentável. Tendências, atitudes emocionais e engajamento foram examinados usando mineração de texto e análise de sentimento. O estudo revela diferenças específicas da plataforma no sentimento e identifica palavraschave e frases influentes. A análise também revela respostas emocionais e fatores-chave associados ao discurso sobre consumo sustentável. Os resultados podem apoiar na construção de futuras estratégias para promover o consumo sustentável. O estudo conclui enfatizando a importância de pesquisas adicionais para explorar as discrepâncias entre as plataformas e aproveitar as implicações dessas descobertas para estratégias de consumo sustentável. Covid19, Covid19 Covid 19, 19 Covid-19 natureza verde sustentabilidade vídeo antigo Twitter YouTube relatório LDA Tendências influentes fatoreschave fatores chave Covid1 1 Covid-1 Covid-

ABSTRACT This research proposes a comprehensive deep-learning algorithm to understand the role of social media in consumer perception of green consumption. After the COVID-19 pandemic, society has shown increased focus on the relationship between people and nature. Achieving sustainable development goals requires promoting green consumption, which necessitates understanding and influencing public attitudes toward sustainability. While previous studies have explored green consumption using behavioral models and surveys, they often overlook the perspective of social media. This study uses deep learning techniques to analyze social media data, including text and video content, to gain insights into consumer behavior and preferences. The study entails collecting data from X (former Twitter) and YouTube, developing deep learning algorithms for text classification, and creating a visualization and reporting system. More specifically, this study aims to analyze the impact of social media information sharing on society’s green purchasing intentions and proposes advanced architectures for text mining specifically the LDA method. This study highlights the valuable insights from analyzing social media discourse on green consumption. Trends, emotional attitudes, and engagement were examined using text mining and sentiment analysis. The study reveals platform-specific differences in sentiment and identifies influential keywords and phrases. The analysis also uncovers emotional responses and key factors associated with the discourse on green consumption. The findings can inform future strategies for promoting sustainable consumption. The study concludes by emphasizing the importance of further research to explore the discrepancies between platforms and harness the implications of these findings for sustainable consumption strategies. deeplearning COVID19 COVID 19 COVID-1 pandemic nature sustainability surveys content preferences former Twitter YouTube classification system societys s method Trends platformspecific platform specific phrases COVID1 1 COVID-

RESUMEN Este artículo de investigación propone un algoritmo de aprendizaje profundo integral para comprender el papel de las redes sociales en la percepción del consumidor hacia el consumo verde. Después del brote de la COVID-19, la sociedad ha mostrado un mayor enfoque en la relación entre las personas y la naturaleza. Lograr los objetivos de desarrollo sostenible requiere promover el consumo verde, lo que implica comprender e influir en las actitudes públicas hacia la sostenibilidad. Si bien investigaciones previas han explorado el consumo verde utilizando modelos de comportamiento y encuestas, a menudo pasan por alto la perspectiva de las redes sociales. Aprovechando técnicas de aprendizaje profundo, este estudio tiene como objetivo analizar datos de las redes sociales, incluido contenido de texto y video, para obtener información sobre el comportamiento y las preferencias del consumidor. El estudio implica la recopilación de datos de X (anteriormente Twitter) y YouTube, el desarrollo de algoritmos de aprendizaje profundo para la clasificación de texto y la creación de un sistema de visualización e informes. Más específicamente, este estudio tiene como objetivo analizar el impacto de compartir información en las redes sociales en las intenciones de compra verde de la sociedad y proponer arquitecturas avanzadas para la minería de texto, específicamente el método LDA. Este estudio destaca las valiosas ideas obtenidas al analizar el discurso en las redes sociales sobre el consumo verde. Se examinaron tendencias, actitudes emocionales y participación mediante minería de texto y análisis de sentimiento. El estudio revela diferencias específicas de la plataforma en el sentimiento e identifica palabras clave y frases influyentes. El análisis también descubre respuestas emocionales y factores clave asociados con el discurso sobre el consumo verde. Los hallazgos pueden informar estrategias futuras para promover el consumo sostenible. El estudio concluye enfatizando la importancia de investigaciones adicionales para explorar las discrepancias entre plataformas y aprovechar las implicaciones de estos hallazgos para las estrategias de consumo sostenible. COVID19, COVID19 COVID 19, 19 COVID-19 naturaleza sostenibilidad encuestas video anteriormente Twitter YouTube informes LDA tendencias influyentes COVID1 1 COVID-1 COVID-

Abstract. - In the last decade, the development of classification models through machine learning for the control of multifunctional prosthetic devices has been increasing. Electromyography (EMG) are recordings produced by muscle fibers naturally when performing movements; if modeled, they could play a more active role in this type of control. These signals are used to control devices/applications. The problem with these models is the stochastic nature of the signal, the variability between subjects and the inherent cross-communication that makes them inaccurate when faced with a high number of movements. The stochastic nature and variability of the signal are already widely studied, however, there are still no definitive results that describe generalizable movement classification models. Here, two databases available on the CapgMyo network and the Ninapro project are studied, their characteristics are evaluated, with the objective of investigating the variability of the muscle signal between subjects, the factors that modify it and how the use of analysis affects principal components (PCA) and independent component analysis (ICA) to EMG information in classification models. A comparison was made between the results in terms of recognition percentages of classic machine learning methods such as linear discriminant analysis (LDA) and quadratic analysis (QDA) using transformation techniques to new spaces introducing the possibility of performing a dimensionality reduction. with PCA and ICA, algorithms usually used to solve problems such as blind source separation (BSS), which is applicable to the phenomenon presented in muscle signals and their acquisition through surface electrodes. The results can be evaluated through the recognition percentage of the classification models created, these show that for raw EMG signals the PCA and ICA methods are useful to perform a reduction in the dimensionality of the data without providing a significant increase in the recognition percentages. It was shown that the recognition percentages in the classification of movements for the Capgmyo database were higher thanks to the characteristics that define it, a higher recognition percentage was obtained ranging from 72.5% to 87.9% with QDA, and 82.8% to 90% for QDA with PCA. The main contribution is the evaluation of the effectiveness of algorithms such as PCA and ICA in machine learning tasks with raw EMG data. Future work is to lay the foundations to reduce the effects of cross-communication in EMG recordings.

Resumen. En la última década el desarrollo de modelos de clasificación a través de aprendizaje automático para control de dispositivos protésicos multifuncionales ha ido en aumento. La electromiografía (EMG) son registros producidos por las fibras musculares de forma natural al realizar movimientos, de modelarse podrían tener un papel de forma más activa en este tipo de control. Estas señales son utilizadas para control de dispositivos/aplicaciones, el problema con estos modelos es la naturaleza estocástica de la señal, la variabilidad entre sujetos y la comunicación cruzada inherente que los vuelve inexactos ante un número alto de movimientos. La naturaleza estocástica y la variabilidad de la señal ya son ampliamente estudiadas, sin embargo, no existen aún resultados definitivos que describan modelos de clasificación de movimientos generalizables. Aquí se estudian dos bases de datos disponibles en la red CapgMyo y the Ninapro project, se evalúan las características de estas, teniendo como objetivo investigar la variabilidad de la señal muscular entre sujetos, los factores que la modifican y como afecta el uso de análisis de componentes principales (PCA) y el análisis de componentes independientes (ICA) a la información del EMG en modelos de clasificación. Se realizó una comparación entre los resultados en términos de porcentajes de reconocimiento de métodos clásicos de aprendizaje automático como el análisis discriminante lineal (LDA) y el cuadrático (QDA) utilizando técnicas de trasformación a nuevos espacios introduciendo la posibilidad de realizar una reducción de la dimensionalidad con PCA e ICA, algoritmos usualmente utilizados para resolver problemas como la separación ciega de fuentes (BSS) que es aplicable al fenómeno presentado en señales musculares y su adquisición a través de electrodos superficiales. Los resultados pueden evaluarse a través del porcentaje de reconocimiento de los modelos de clasificación creados, estos muestran que para señales crudas de EMG los métodos de PCA e ICA son útiles para realizar una reducción de la dimensionalidad de los datos sin aportar un aumento significativo en los porcentajes de reconocimiento. Se demostró que los porcentajes de reconocimiento en la clasificación de los movimientos para la base de datos Capgmyo fueron superiores gracias a las características que la definen, se obtuvo un mayor porcentaje de reconocimiento que va del 72.5% al 87.9% con QDA, y del 82.8 al 90% para QDA con PCA. La aportación principal es la evaluación de la eficacia de algoritmos como PCA e ICA en tareas de aprendizaje automático con datos crudos de EMG. Como trabajo futuro esta ir plasmando las bases para reducir los efectos de la comunicación cruzada en los registros de EMG.

Abstract The novel coronavirus disease (COVID-19) is an ongoing pandemic with large global attention. However, spreading fake news on social media sites like Twitter is creating unnecessary anxiety and panic among people towards this disease. In this paper, we applied machine learning (ML) techniques to predict the sentiment of the people using social media such as Twitter during the COVID-19 peak in April 2021. The data contains tweets collected on the dates between 16 April 2021 and 26 April 2021 where the text of the tweets has been labelled by training the models with an already labelled dataset of corona virus tweets as positive, negative, and neutral. Sentiment analysis was conducted by a deep learning model known as Bidirectional Encoder Representations from Transformers (BERT) and various ML models for text analysis and performance which were then compared among each other. ML models used were Naïve Bayes, Logistic Regression, Random Forest, Support Vector Machines, Stochastic Gradient Descent and Extreme Gradient Boosting. Accuracy for every sentiment was separately calculated. The classification accuracies of all the ML models produced were 66.4%, 77.7%, 74.5%, 74.7%, 78.6%, and 75.5%, respectively and BERT model produced 84.2%. Each sentiment-classified model has accuracy around or above 75%, which is a quite significant value in text mining algorithms. We could infer that most people tweeting are taking positive and neutral approaches.

Resumen En este artículo, aplicamos técnicas de aprendizaje automático para predecir el sentimiento de las personas que usan las redes sociales como Twitter durante el pico de COVID-19 en abril de 2021. Los datos contienen tweets recopilados en las fechas entre el 16 de abril de 2021 y el 26 de abril de 2021, donde el texto de los tweets se ha etiquetado mediante la formación de los modelos con un conjunto de datos ya etiquetado de tweets de virus de corona como positivo, negativo y neutro. El análisis del sentimiento se llevó a cabo mediante un modelo de aprendizaje profundo conocido como Representaciones de Codificadores Bidireccionales de Transformers (BERT) y varios modelos de aprendizaje automático para el análisis de texto y el rendimiento, que luego se compararon entre sí. Los modelos ML utilizados son Bayes ingenuas, regresión logística, bosque aleatorio, máquinas vectoriales de soporte, descenso de gradiente estocástico y aumento de gradiente extremo. La precisión de cada sentimiento se calculó por separado. La precisión de clasificación de todos los modelos de ML producidos fue de 66.4 %, 77.7 %, 74.5 %, 74.7 %, 78.6 % y 75.5 %, respectivamente y el modelo BERT produjo 84.2%. Cada modelo clasificado de sentimiento tiene una precisión de alrededor o superior al 75 %, que es un valor bastante significativo en los algoritmos de minería de texto. Vemos que la mayoría de las personas que tuitean están adoptando un enfoque positivo y neutral.