https://hdl.handle.net/10259/5377 2026-06-26T16:00:50Z 2026-06-26T16:00:50Z Rodríguez Iglesias, Daniel Pantoja Pérez, Ana De la Rosa, Ángel Latorre Carmona, Pedro Sala, Nohemi https://hdl.handle.net/10259/11861 2026-06-19T06:08:13Z 2026-02-01T00:00:00Z

Bioengineering approaches to dynamic impact analysis for cranial fracture interpretation in arcaheology Rodríguez Iglesias, Daniel; Pantoja Pérez, Ana; De la Rosa, Ángel; Latorre Carmona, Pedro; Sala, Nohemi Cranial fractures are widely documented in archaeological contexts, yet the application of fracture mechanics to differentiate traumatic events remains limited. This study analyses a dataset of 234 human cadavers subjected to 329 experimentally controlled blunt-impact tests, examining mechanical variables and fracture patterns that could be relevant to archaeological interpretation. The results show substantial methodological variability across the analysed studies. Analysis of these studies indicates that impact energy is the most reliable parameter for assessing fracture severity, suggesting a preliminary fracture threshold of around 2000 N, and that bone thickness is a major determinant of cranial resistance. Clear differences in fracture morphology according to impact surface were also observed: focal surfaces frequently produce depressed and comminuted fractures, whereas broad surfaces predominantly generate linear fractures. These data provide a framework for archaeological analysis: bone thickness, fracture morphology, and the presence and distribution of secondary fractures offer indirect but informative proxies for impact energy and surface characteristics, which could help to distinguish violent from non-violent events. This study emphasizes the need for dynamic fracture-mechanics approaches and targeted experimental work to better characterise archaeological impacts.

2026-02-01T00:00:00Z Sáiz Manzanares, María Consuelo Marticorena Sánchez, Raúl García García, David https://hdl.handle.net/10259/11804 2026-06-05T00:05:37Z 2026-06-01T00:00:00Z

Análisis de registros multicanal en el comportamiento humano Sáiz Manzanares, María Consuelo; Marticorena Sánchez, Raúl; García García, David Este manual especializado, enmarcado en el Máster de Ingeniería Biomédica de la Universidad de Burgos, ofrece una guía rigurosa para el estudio del comportamiento humano mediante registros multicanal. A través de un enfoque interdisciplinar, la obra fusiona la ingeniería con las ciencias de la salud para dotar al lector de las herramientas metodológicas necesarias en la captura y análisis de señales fisiológicas complejas. El lector encontrará un análisis profundo de tecnologías de vanguardia como el eye tracking, la electroencefalografía (EEG) y la respuesta psicogalvánica (GSR). Además, el texto aborda el procesamiento avanzado con MNE-Python y el uso de Machine Learning para la interpretación de datos. Con un enfoque práctico basado en proyectos y una reflexión necesaria sobre la ética en la IA generativa, esta obra es la referencia definitiva para profesionales e investigadores que buscan liderar la innovación tecnológica en entornos clínicos e industriales.

2026-06-01T00:00:00Z Sáiz Manzanares, María Consuelo Marticorena Sánchez, Raúl Arnaiz González, Álvar García García, David Olivares Gil, Alicia https://hdl.handle.net/10259/11531 2026-04-21T07:34:11Z 2025-01-01T00:00:00Z

Sistemas inteligentes aplicados a la Psicología Sáiz Manzanares, María Consuelo; Marticorena Sánchez, Raúl; Arnaiz González, Álvar; García García, David; Olivares Gil, Alicia La obra «Sistemas Inteligentes aplicados a la Psicología» tiene como objetivo acercar al alumnado de Psicología a nuevos conceptos relacionados con la computación, el análisis de datos y la aplicación de recursos de neuropsicología en el diagnóstico y la intervención en problemáticas propias del ámbito profesional de la Psicología. Asimismo, este trabajo busca concienciar a los y las profesionales del área sobre la necesidad de ampliar su formación en estas herramientas, cuya utilización resulta esencial en la sociedad del siglo XXI. Este manual también puede resultar de interés para otros perfiles profesionales, como ingenieros biomédicos o de la salud, ya que la perspectiva de trabajo interdisciplinar es clave para la aplicación efectiva de estos recursos tecnológicos, así como para la extracción e interpretación del gran volumen de datos que generan. En particular, se aborda el uso de tecnología multicanal integrada mediante dispositivos interconectados que registran señales como el rastreo ocular, la respuesta psicogalvánica de la piel y el electroencefalograma. Además, se introduce el uso de técnicas de aprendizaje automático para el procesamiento y análisis de los datos recogidos. La obra cuenta con un prólogo de la Dra. Rebeca Cerezo Menéndez, de la Universidad de Oviedo, experta de reconocido prestigio internacional en la materia. Los capítulos han sido elaborados por profesorado de la Universidad de Burgos, miembros de los grupos de investigación ADMIRABLE y DATAHES, así como de las Unidades de Investigación Reconocidas de la Junta de Castilla y León n.º 170 y n.º 348, cuyos trabajos en estos ámbitos gozan de reconocimiento internacional.

2025-01-01T00:00:00Z Olivares Gil, Alicia Barbero Aparicio, José Antonio Rodríguez Diez, Juan José Diez Pastor, José Francisco García Osorio, César Davari, Mehdi D. https://hdl.handle.net/10259/11430 2026-02-26T01:05:59Z 2025-12-01T00:00:00Z

Semi-supervised prediction of protein fitness for data-driven protein engineering Olivares Gil, Alicia; Barbero Aparicio, José Antonio; Rodríguez Diez, Juan José; Diez Pastor, José Francisco; García Osorio, César; Davari, Mehdi D. Protein fitness prediction plays a crucial role in the advancement of protein engineering endeavours. However, the combinatorial complexity of the protein sequence space and the limited availability of assay-labelled data hinder the efficient optimization of protein properties. Data-driven strategies utilizing machine learning methods have emerged as a promising solution, yet their dependence on labelled training datasets poses a significant obstacle. To overcome this challenge, in this work, we explore various ways of introducing the latent information present in evolutionarily related sequences (homologous sequences) into the training process. To do so, we establish several strategies based on semi-supervised learning (unsupervised pre-processing and wrapper methods) and perform a comprehensive comparison using 19 datasets containing protein-fitness pairs. Our findings reveal that using the information present in the homologous sequences can improve the performance of the models, especially when the number of available labelled sequences is considerably low. Specifically, the combination of a sequence encoding method based on Direct Coupling Analysis (DCA), with MERGE (a hybrid regression framework that combines evolutionary information with supervised learning) and an SVM regressor, outperforms other encodings (PAM250, UniRep, eUniRep) and other semi-supervised wrapper methods (Tri-Training Regressor, Co-Training Regressor). In summary, the demonstrated performance gains of this strategy mark a substantial leap towards more robust and reliable predictive models for protein engineering tasks. This advancement holds the potential to streamline the design and optimisation of proteins for diverse applications in biotechnology and therapeutics.

2025-12-01T00:00:00Z