Pasar al contenido principal

Resultados relacionados

Resultados totales (Incluyendo duplicados): 6
Encontrada(s) 1 página(s)

RUA. Repositorio Institucional de la Universidad de Alicante
Software de investigación Software (Software)

QuaSumm: Marco de resumen multidocumento con reranking cuántico e inspirado en el paradigma cuántico

  • Sánchez Bellido, Mónica
  • Lloret, Elena
  • Lloret, Elena|||/items/4593ef69-8308-49d3-8f0f-17e6ee078be5
QuaSumm (Quantum-inspired Summarization) es un marco de resumen extractivo y abstractivo multidocumento y guiado por consulta (query-focused) que integra mecanismos de reordenación (reranking) cuánticos y de inspiración cuántica para controlar de forma explícita el equilibrio entre relevancia y redundancia. El sistema sigue una arquitectura recuperar-y-generar (retrieve-then-generate) en cuatro fases: recuperación de documentos mediante BM25, extracción y recuperación de frases candidatas a nivel de oración, reordenación de las frases seleccionadas y generación final del resumen. La novedad principal reside en la fase de reordenación, donde QuaSumm implementa cuatro estrategias sobre un mismo pipeline: un reranker BGE sin control de redundancia (línea base), un MMR (Maximal Marginal Relevance) clásico, y dos variantes cuánticas —QMMR-pure y QMMR-inspired— que sustituyen la similitud del coseno por medidas de similitud y redundancia de naturaleza cuántica. QMMR-pure traduce directamente el MMR al paradigma cuántico mediante codificación de amplitud (amplitude encoding) y el test SWAP, ejecutable sobre hardware cuántico NISQ; QMMR-inspired reformula la redundancia mediante matrices de densidad actualizadas de forma incremental, ejecutable de manera eficiente sobre hardware clásico. Las frases seleccionadas se emplean directamente (resumen extractivo) o como contexto de un modelo de lenguaje grande (resumen abstractivo). El sistema es agnóstico al dominio y fácilmente adaptable a distintos ámbitos —biomédico, noticias, científico y de opinión—, y ha sido validado sobre seis conjuntos de datos de referencia. Potencial de explotación: QuaSumm es explotable como componente de resumen y reducción de redundancia de grandes volúmenes de texto. Aplicaciones: resumen de literatura científica y biomédica, vigilancia tecnológica, sistemas de respuesta a preguntas y asistentes documentales, resumen de noticias y de opiniones de clientes, y pipelines de recuperación de información y RAG. Al ser modular y compatible con hardware clásico (con una variante preparada para hardware cuántico NISQ), pueden interesarse empresas de tecnologías del lenguaje e IA, editoriales y proveedores de bases de datos científicas, farmacéuticas, medios de comunicación, plataformas de análisis de opinión y compañías de computación cuántica.
RUA. Repositorio Institucional de la Universidad de Alicante
Software de investigación Software (Software)

Plataforma de Inteligencia Artificial para la Detección Temprana de la Enfermedad de Alzheimer a través de la Voz (IAEAV), Artificial Intelligence Platform for the Early Detection of Alzheimer's Disease Through Voice (IAEAV)

  • Pérez Sempere, Ángel
  • Teruel, Miguel A.
  • Escalante Belmonte, Bárbara
  • García-Sigüenza, Javier
  • Navarro, Álvaro
  • Sanchis, Javier
  • Vera Arenas, Cristian Javier
  • Teruel, Miguel A.|||/items/72e39554-945f-4f46-9aea-dbce9f65e43b
  • García-Sigüenza, Javier|||/items/31703d82-c6d3-4a31-84f3-d15503039edf
  • Sanchis, Javier|||/items/223d926e-7f4e-416b-89b9-2ee8648e6fcc
  • Navarro, Álvaro|||/items/7ee415a4-651b-46a5-aeb9-32f9c9931cf8
  • Vera Arenas, Cristian Javier|||/items/3748c574-4c96-415a-b002-53ae34521370
  • Escalante Belmonte, Bárbara|||/items/0a4f7fd1-2c49-414d-981e-da3e5e5a9d94
IAEAV es una plataforma basada en inteligencia artificial diseñada para la detección temprana de la enfermedad de Alzheimer mediante el análisis de la voz como biomarcador digital no invasivo. El sistema integra una aplicación móvil para la captura guiada de muestras de habla, una infraestructura segura de gestión de datos y un backend con procesamiento asíncrono que emplea modelos de aprendizaje profundo multimodales (audio y texto). La plataforma incorpora técnicas de IA explicable (XAI) para mejorar la interpretabilidad de los resultados, así como mecanismos avanzados de seguridad y cifrado para garantizar la confidencialidad de la información clínica. IAEAV facilita el cribado cognitivo remoto, contribuyendo a evaluaciones más accesibles, escalables y frecuentes, y apoyando tanto la investigación como la práctica clínica en la detección precoz del deterioro cognitivo.
RUA. Repositorio Institucional de la Universidad de Alicante
Software de investigación Software (Software)

Neurovisor - Aplicación web para la visualización y análisis de datos de electroencefalografía

  • Rico Salvador, Josepa
  • Lavalle, Ana
  • Teruel, Miguel A.
  • Lavalle, Ana|||/items/bd9039d2-f3e3-4ad6-8797-8c6874286dcf
  • Teruel, Miguel A.|||/items/72e39554-945f-4f46-9aea-dbce9f65e43b
Aplicación web de código abierto para la visualización y análisis de registros EEG. La herramienta permite cargar datos en formato CSV, mostrar series temporales y espectrogramas, calcular potencia espectral por canal y aplicar el método MEMD para descomponer las señales en bandas de frecuencia. La interfaz es intuitiva y no requiere licencias, lo que facilita su uso tanto en entornos clínicos como de investigación con recursos limitados.
DIGITAL.CSIC. Repositorio Institucional del CSIC
Publicación Otros (Other)

RadonFAN code, RadonFAN - Intelligent Real-Time Radon Mitigation through IoT, Rule-Based Logic, and AI Forecasting

  • Abad Azcutia, Lidia
  • Ramonet Marques, Fernando
  • González Hernández, Margarita
  • Anaya Velayos, José Javier
  • Aparicio Secanellas, Sofía
The software is original. It relies on standard open-source libraries but is not derived from a specific existing codebase., [Relationship between files, if important] The CSV files in data/ are the primary input to the preprocessing scripts in sc/. These scripts generate training, validation, and test splits that are consumed by the model training routines. Trained model checkpoints are stored in models/ and can be loaded by evaluation or deployment scripts. Notebooks in notebooks/ provide illustrative analyses and reproduce figures and tables reported in the associated publication., [Running the tests (explain how to run the automated tests for this system. Explain what these tests test and why)] Testing scripts evaluate trained models on held-out test sets and compute classification metrics (precision, recall, F1-score, Brier score) as well as system-level indicators such as unsafety counter and energy consumption ratio. These tests ensure that models are suitable for safety-critical radon mitigation. To run test use the scripts above., [Deployment (additional notes about how to deploy this on a live system)] The trained DC model is lightweight and suitable for real-time inference on embedded platforms such as Raspberry Pi. Deployment scripts are not provided., RadonFAN is an open-source IoT and AI-based system for real-time indoor radon monitoring and mitigation. It integrates low-cost radon sensors, microcontrollers (Arduino and Raspberry Pi), cloud communication, and automated ventilation control. The software implements both AI-driven predictive models based on time-series classification (Direct Classification, DC, and Regression-to-Classification, R2C) to anticipate hazardous radon concentration exceedances and proactively activate ventilation systems. The code supports data acquisition, preprocessing, model training and evaluation scripts, and offers pretrained checkpoints. The current version corresponds to the models and experiments reported in the article “RadonFAN: Intelligent Real-Time Radon Mitigation through IoT, Rule-Based Logic, and AI Forecasting”., Grant RPID2024-159276OB-C41 funded by MICIU/AEI/10.13039/501100011033 and by ERDF/EU., File List: data/ – Available CSV files containing radon measurements and control variables (e.g., RG1.csv, RG2.csv). models/ – Checkpoints of the final trained deep learning models (DC and R2C). notebooks/ – Jupyter notebooks used for exploratory data analysis, visualization, and preliminary experiments. sc/ – Python scripts for data preprocessing, model training, validation, testing, and evaluation., Peer reviewed
DIGITAL.CSIC. Repositorio Institucional del CSIC
Publicación Otros (Other)

HoFa (v.0.1.0)

  • Candela Pokorna, Pablo
  • González-Sánchez, Diego
  • Szegedy, Balázs
Multiplataforma (Windows, Linux, Mac), lenguaje de programación: Python (funcionalidad principal) y ReStruturedText (documentación), Se incluye en el paquete los siguientes ficheros: full-environment.yml para crear un environment en Conda para asegurar la reproducibilidad de todos los ejemplos; environment.yml para tener una versión simplificada del anterior; requirements-full.txt con una lista exhastiva de todos los paquetes instalados en el entorno de desarrollo y prueba del software; requirements.txt para una versión simplificada de lo anterior. Licencias: Apache License 2.0 para todo el repositorio (https://www.apache.org/licenses/LICENSE-2.0), CC-BY para la documentación que los autores pondrán en la web (https://creativecommons.org/licenses/by/4.0/), This software package implements theoretical tools in higher-order Fourier analysis, developed mainly by the authors in the paper "Spectral Algorithms in Higher-Order Fourier Analysis" (arXiv: 2501.12287, to appear in Forum of Mathematics, Sigma). The tools address challenges in the spectral analysis of complex functions or signals, by extending classical Fourier methods to higher-order contexts. Key Features and Functionality: - Provides a Python implementation of the algorithms and theoretical concepts from both higher-order Fourier analysis and the aforementioned paper, including natural extensions of existing results. The main key functionalities are: 1) Methods to compute the Gowers norms of functions. 2) Denoise signals with respect to higher-order structure. 3) Decompose signals into their higher-order components. - Offers comprehensive documentation to make the theory accessible to a broad audience, including non-mathematicians, engineers, and researchers. Motivation: To our knowledge, no other software is dedicated to higher-order Fourier analysis with this algorithmic approach. Existing spectral analysis tools (e.g., FFT libraries) do not cover the higher-order properties addressed here. This package fills a gap by providing a practical toolkit to explore and apply these theoretical concepts, paving the way for future real-world applications. While the associated paper does not present specific applications, the software is designed to facilitate their development. Structure: The package is structured into two main components: on one hand, the Python code, which develops in different modules the aforementioned functionality, and on the other hand the documentation in ReStructuredText Format, which provides installation guides, introductory material, tutorials, user-guides, API-references, and mathematical background in order to use the software., This work was supported by project PID2024-156180NB-I00 funded by Spain’s MICIU/AEI. The second-named author was supported by HORIZON-MSCA-2024-PF-01, AlgHOF 101202161, funded by the European Union. The third-named author was supported by the Hungarian Ministry of Innovation and Technology NRDI Office within the framework of the Artificial Intelligence National Laboratory Program (MILAB, RRF-2.3.1-21-2022-00004)., With funding from the Spanish government through the ‘Severo Ochoa Centre of Excellence’ accreditation CEX-2023-001347-S., No, Sin experimentacion animal ni uso de NAMs
Repositorio Institucional de la Consejería de Sanidad de la Comunidad de Madrid
Software de investigación Software (Software)

Código analítico y definiciones de cohortes del Caso de Uso 4 de HealthData@MAD-R&I®

  • Alonso-del Cura, Olatz
  • Beneito-Dura, María
  • Somolinos-Simón, F. Javier
El registro contiene los archivos de código utilizados en el análisis final del Caso de Uso 4, junto con un README descriptivo. Los datos sanitarios empleados en los análisis no forman parte del depósito público. Los archivos han sido revisados para eliminar credenciales, rutas internas, parámetros de conexión y otra información sensible o confidencial., Código analítico y definiciones de cohortes utilizados en el Caso de Uso 4 de HealthData@MAD-R&I®, centrado en el estudio de la asociación entre el inicio del tratamiento con estatinas y la incidencia de infarto agudo de miocardio en personas de 75 años o más sin enfermedad cardiovascular previa. El depósito incluye notebooks Jupyter para la construcción del dataset y los análisis estadísticos, un script en R para el emparejamiento por puntuación de propensión y el análisis de riesgos competitivos de Fine–Gray, y los SQL generados por ATLAS para la definición de las cohortes de usuarios y no usuarios de estatinas sobre OMOP-CDM.