Resultados de investigación

This database is made up of EEG signals from 6 subjects listening to fragments of songs from different musical genres and their answers to the questions: did you know this song and do you like this song?. The musical genres chosen are: ballad, classic, metal and reggaeton. These signals have been captured with the BrainVision actiCHAMP-PLUS system and consist of a total of 64 EEG channels. The BrainVision Recorder software was used to store the signals. The stimulus presentation software used to design the experiment is Eprime 3. For more detailed information on this database, the capture system used and its applications, see [1]. If these data are used for any publication, the following paper must be cited: [1] Isaac Ariza, Ana M. Barbancho, Lorenzo J. Tardón, Isabel Barbancho, Energy-based features and bi-LSTM neural network for EEG-based music and voice classification. Neural Comput & Applic 36, 791–802 (2024). https://doi.org/10.1007/s00521-023-09061-3, Funding for open access publishing: Universidad Málaga/CBUA. This publication is part of Project PID2021-123207NB-I00, funded by MCIN/AEI/10.13039/501100011033/FEDER, UE. This work was partially funded by Junta de Andalucía, Proyectos de I+D+i, in the framework of Plan Andaluz de Investigación, Desarrollo e Innovación (PAIDI 2020), under Project No. PY20_00237. Funding for open access charge: Universidad de Málaga/CBUA. This work was done at Universidad de Málaga, Campus de Excelencia Internacional Andalucia Tech.

El presente estudio tiene como objetivo la exploración de las creencias de los maestros de educación primaria en relación con 1) perder en la escuela, 2) los comportamientos de los estudiantes para hacer frente al hecho de perder y 3) estrategias para enseñar cómo hacer frente a la pérdida de forma adaptativa en la escuela. Utilizando la metodología de estudio de casos, se realizan entrevistas en profundidad y encuestas entre una muestra de profesores seleccionados a propósito con perfiles variados. Por medio del análisis de contenido, los resultados evidenciarán cómo los participantes entienden el hecho de perder en la escuela.

Tables correspond to the performance of the F-statistic, and of F adjusted by the Greenhouse-Geisser (F-GG) and Huyhn-Feldt (F-HF) procedures in terms of Type I error and power in repeated measures designs with normal data. Values of epsilon are fixed according to the Greenhouse–Geisser procedure. The number of repeated measures (3, 4, and 6), sample size (from 10 to 300), and epsilon values (from the lower to its upper limit) were manipulated., Proyecto PID2020-113191GB-I00 del MCIN/AEI/ 10.13039/501100011033

README – SPAREMETAL DATASET 1 Title: Experimental and predictive data from sustainable machining of light alloys (SPAREMETAL project) Project: PID2021-125988OB-I00 Sistema experto para la mejora de la integridad superficial en el mecanizado sostenible de aleaciones ligeras Institution: University of Malaga (Universidad de Málaga) Principal Investigator: Lorenzo Sevilla Hurtado (ORCID: 0000-0002-2236-5807) Contributors: Francisco Javier Trujillo Vilches Carolina Bermudo Gamboa Sergio Martín Béjar Manuel Herrera Fernández Tobias Andersson Daniel Svensson Yezika Sánchez Hernández Description: This dataset contains experimental and processed data obtained during dry machining processes of light alloys (UNS A97075 aluminum alloy and Ti6Al4V titanium alloy). The data were collected within the SPAREMETAL research project and include both online monitoring data and offline characterization results. This is dataset 1 (there are 4 in total for this project), which analyzes the effect of cutting parameters on the wear of the tool used and on the chip geometry resulting from the machining process. Data include: - Online monitoring data: cutting forces, temperature, vibrations, energy consumption - Offline measurements: surface roughness (2D/3D), microhardness, geometrical deviations - Derived datasets: aggregated databases linking input machining parameters and output variables - Predictive models: artificial neural networks (ANN) developed in MATLAB/Simulink Folder structure: 01. RAW DATA: Folder containing the raw data for the output variables; 02. PROCESSED DATA: Folder with the processed databases of the output variables; 03. MODELS: Developed mathematical models for the output variables as a function of the input variables; 04. Documentation: Documentation associated with the Project; File formats: - CSV, XLSX, FEL, DWD, ATS, DXD (data) - MAT, M, SLX, MALAPP, MLX, EXE (models) - PDF, DOCX (documentation) - PNG, TIFF, JPG (images) Methodology: The dataset was generated through controlled machining experiments using CNC turning equipment. Input parameters include cutting speed, feed rate and depth of cut. Output variables were measured using dynamometers, thermographic cameras, accelerometers and optical metrology systems. Units: All variables are expressed in SI units unless otherwise specified in metadata files. Reuse: Data can be reused for: - Validation of machining models - Development of predictive algorithms - Comparative studies in manufacturing engineering License: Creative Commons Attribution 4.0 (CC BY 4.0) Funding: Spanish State Research Agency (AEI) – Projects of Knowledge Generation 2021 Contact: Lorenzo Sevilla Hurtado University of Malaga Email: (lsevilla@uma.es) Date of publication: 2026 Version: v2.0, Este dataset contiene datos experimentales y procesados obtenidos durante procesos de mecanizado en seco de aleaciones ligeras (aleación de aluminio UNS A97075 y aleación de titanio Ti6Al4V). Los datos se recopilaron en el marco del proyecto de investigación SPAREMETAL e incluyen tanto datos de monitorización en tiempo real como resultados de caracterización fuera de línea. Se trata del dataset 1 (existen 4 para este proyecto), en el que se analiza el efecto de los parámetros de corte sobre el desgaste herramienta empleada y sobre la geometría viruta resultante del proceso de mecanizado de ambas aleaciones. Datos generados/recogidos: En el proyecto SPAREMETAL se han generado datos experimentales derivados de procesos de mecanizado en seco de aleaciones ligeras (UNS A97075 y Ti6Al4V), incluyendo: • Datos de monitorización online (fuerzas de corte, temperatura, vibraciones, consumo energético) • Datos de monitorización offline (rugosidad, desviaciones geométricas, microdureza, fatiga) • Bases de datos integradas de parámetros de corte y variables de salida • Modelos predictivos basados en redes neuronales artificiales • Archivos de simulación (MATLAB/Simulink) • Documentación metodológica y protocolos experimentales Formatos y estándares utilizados: • CSV, XLSX, FEL, DWD, ATS, DXD (data) • MAT, M, SLX, MALAPP, MLX, EXE (models) • Documentación: PDF, DOCX • Imágenes: TIFF, PNG Valor para otros investigadores: Los datos permiten: • Reproducir experimentos de mecanizado sostenible • Validar modelos predictivos • Desarrollar nuevos algoritmos de optimización, Ministerio de Ciencia e Innovación

El presente estudio fue realizado por la profesora María Jesús García Granja, tomando como muestra a alumnos matriculados en asignaturas de primer y cuarto curso del Grado en Fundamentos de la Arquitectura de la Universidad de Málaga. Para la investigación por encuesta se utilizaron como instrumento básico cuestionarios de elaboración propia, según tablas de operacionalización prediseñadas por la autora, que permitieron recoger de forma organizada los indicadores de las variables implicadas en el objetivo de la encuesta. Dichos cuestionarios fueron distribuidos en clase de las asignaturas Introducción a Historia del Arte y de la Arquitectura (1º) y Composición Arquitectónica I (4º), para su cumplimentación voluntaria por los estudiantes que desearan colaborar en el estudio. Los formularios cumplimentados y sus respectivas autorizaciones están disponibles para su consulta previa solicitud motivada dirigida a: mjggranja@uma.es Los indicadores obtenidos tenían como finalidad la discusión de resultados y obtención de conclusiones sobre la hipótesis de su investigación, relacionada con el objetivo del proyecto de innovación educativa tipo A: PIE 19-229 “Incorporación de las nuevas tecnologías en la docencia de Arquitectura para la mejora de la experiencia formativa”, a cuyo equipo de investigadores perteneció la autora entre 2019 y 2022 (https://www.uma.es/eamtechlab/info/120816/pie-19-229/): “El objetivo de este PIE es hacer una reflexión sobre las posibilidades de su utilización en las asignaturas de las áreas de conocimiento implicadas en el título, y desarrollar su aplicación en asignaturas experimentales, que permitan servir de modelo al resto. Para ello se crea un grupo de trabajo de profesores implicados en la formación de nuevas tecnologías que permita debatir y establecer protocolos de implementación a nivel de título, todo ello con el objetivo final de mejorar la experiencia formativa del alumno.”, Universidad de Málaga

README – SPAREMETAL DATASET 2 Title: Experimental and predictive data from sustainable machining of light alloys (SPAREMETAL project) Project: PID2021-125988OB-I00 Sistema experto para la mejora de la integridad superficial en el mecanizado sostenible de aleaciones ligeras Institution: University of Malaga (Universidad de Málaga) Principal Investigator: Lorenzo Sevilla Hurtado (ORCID: 0000-0002-2236-5807) Contributors: Francisco Javier Trujillo Vilches Carolina Bermudo Gamboa Sergio Martín Béjar Manuel Herrera Fernández Tobias Andersson Daniel Svensson Yezika Sánchez Hernández Description: This dataset contains experimental and processed data obtained during dry machining processes of light alloys (UNS A97075 aluminum alloy and Ti6Al4V titanium alloy). The data were collected within the SPAREMETAL research project and include both online monitoring data and offline characterization results. This is dataset 2 (there are 4 in total for this project), which analyzes the effect of cutting parameters on the fatigue behaviour, geometrical devitions, cutting forces, cutting temperatura, energy consumption, Tensile strenght, and microhardness in the turning operation of UNS A97075. Data include: - Online monitoring data: cutting forces, temperature, vibrations, energy consumption - Offline measurements: surface roughness (2D/3D), microhardness, geometrical deviations - Derived datasets: aggregated databases linking input machining parameters and output variables - Predictive models: artificial neural networks (ANN) developed in MATLAB/Simulink Folder structure: 01. RAW DATA: Folder containing the raw data for the output variables; 02. PROCESSED DATA: Folder with the processed databases of the output variables; 03. MODELS: Developed mathematical models for the output variables as a function of the input variables; 04. Documentation: Documentation associated with the Project; File formats: - CSV, XLSX, FEL, DWD, ATS, DXD (data) - MAT, M, SLX, MALAPP, MLX, EXE (models) - PDF, DOCX (documentation) - PNG, TIFF, JPG (images) Methodology: The dataset was generated through controlled machining experiments using CNC turning equipment. Input parameters include cutting speed, feed rate and depth of cut. Output variables were measured using dynamometers, thermographic cameras, accelerometers and optical metrology systems. Units: All variables are expressed in SI units unless otherwise specified in metadata files. Reuse: Data can be reused for: - Validation of machining models - Development of predictive algorithms - Comparative studies in manufacturing engineering License: Creative Commons Attribution 4.0 (CC BY 4.0) Funding: Spanish State Research Agency (AEI) – Projects of Knowledge Generation 2021 Contact: Lorenzo Sevilla Hurtado University of Malaga Email: (lsevilla@uma.es) Date of publication: 2026 Version: v2.0, Este dataset contiene datos experimentales y procesados obtenidos durante procesos de mecanizado en seco de aleaciones ligeras (aleación de aluminio UNS A97075 y aleación de titanio Ti6Al4V). Los datos se recopilaron en el marco del proyecto de investigación SPAREMETAL e incluyen tanto datos de monitorización en tiempo real como resultados de caracterización fuera de línea. Se trata del dataset 1 (existen 4 para este proyecto), en el que se analiza el efecto de los parámetros de corte sobre el comportamiento en fatiga, desviaciones geométricas, fuerzas de corte, temperatura de corte, consumo de energía, resistencia a la tracción y microdureza en el torneado de la aleación UNS A97075. Datos generados/recogidos: En el proyecto SPAREMETAL se han generado datos experimentales derivados de procesos de mecanizado en seco de aleaciones ligeras (UNS A97075 y Ti6Al4V), incluyendo: • Datos de monitorización online (fuerzas de corte, temperatura, vibraciones, consumo energético) • Datos de monitorización offline (rugosidad, desviaciones geométricas, microdureza, fatiga) • Bases de datos integradas de parámetros de corte y variables de salida • Modelos predictivos basados en redes neuronales artificiales • Archivos de simulación (MATLAB/Simulink) • Documentación metodológica y protocolos experimentales Formatos y estándares utilizados: • CSV, XLSX, FEL, DWD, ATS, DXD (data) • MAT, M, SLX, MALAPP, MLX, EXE (models) • Documentación: PDF, DOCX • Imágenes: TIFF, PNG Valor para otros investigadores: Los datos permiten: • Reproducir experimentos de mecanizado sostenible • Validar modelos predictivos • Desarrollar nuevos algoritmos de optimización, Ministerio de Ciencia e Innovación

The main goal of this study was to examine the moderating role of age in the relationship between emotional intelligence (EI) and mental health indicators among unemployed individuals. A sample of 401 unemployed participants were evaluated in EI, depressive symptoms, happiness. Moderation analyses showed that age moderated the relationship between EI and depressive symptoms, after controlling gender and length of unemployment, showing a stronger association among younger participants with lower EI abilities. However, this pattern was not found for happiness. These findings address knowledge gaps regarding age-EI interactions within mental health contexts and age's moderating effect in unemployment stage. Also, it is highlighted the importance of developing targeted EI training interventions to mitigate the negative mental health effects of unemployment, especially among vulnerable demographic groups like young unemployed individuals., This research was supported by PAIDI Group CTS-1048 (Junta de Andalucía), the Spanish Ministry of Science and Innovation (PID2020-117006RB-I00), and Spanish Ministry of Universities (FPU21/02323).

Data were collected using BCI2000 software, Collected data for the article: " A Rapid Serial Visual Presentation-BCI Speller Based on a T9 Keyboard: Preliminary Tests in Patients With Amyotrophic Lateral Sclerosis"