https://hdl.handle.net/10259/5377 Fri, 05 Jun 2026 16:49:40 GMT 2026-06-05T16:49:40Z https://hdl.handle.net/10259/11804 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. Mon, 01 Jun 2026 00:00:00 GMT https://hdl.handle.net/10259/11804 2026-06-01T00:00:00Z https://hdl.handle.net/10259/11531 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. Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/10259/11531 2025-01-01T00:00:00Z https://hdl.handle.net/10259/11430 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. Mon, 01 Dec 2025 00:00:00 GMT https://hdl.handle.net/10259/11430 2025-12-01T00:00:00Z https://hdl.handle.net/10259/11429 Deep learning and support vector machines for transcription start site identification Barbero Aparicio, José Antonio; Olivares Gil, Alicia; Diez Pastor, José Francisco; García Osorio, César Recognizing transcription start sites is key to gene identification. Several approaches have been employed in related problems such as detecting translation initiation sites or promoters, many of the most recent ones based on machine learning. Deep learning methods have been proven to be exceptionally effective for this task, but their use in transcription start site identification has not yet been explored in depth. Also, the very few existing works do not compare their methods to support vector machines (SVMs), the most established technique in this area of study, nor provide the curated dataset used in the study. The reduced amount of published papers in this specific problem could be explained by this lack of datasets. Given that both support vector machines and deep neural networks have been applied in related problems with remarkable results, we compared their performance in transcription start site predictions, concluding that SVMs are computationally much slower, and deep learning methods, specially long short-term memory neural networks (LSTMs), are best suited to work with sequences than SVMs. For such a purpose, we used the reference human genome GRCh38. Additionally, we studied two different aspects related to data processing: the proper way to generate training examples and the imbalanced nature of the data. Furthermore, the generalization performance of the models studied was also tested using the mouse genome, where the LSTM neural network stood out from the rest of the algorithms. To sum up, this article provides an analysis of the best architecture choices in transcription start site identification, as well as a method to generate transcription start site datasets including negative instances on any species available in Ensembl. We found that deep learning methods are better suited than SVMs to solve this problem, being more efficient and better adapted to long sequences and large amounts of data. We also create a transcription start site (TSS) dataset large enough to be used in deep learning experiments. Sat, 01 Apr 2023 00:00:00 GMT https://hdl.handle.net/10259/11429 2023-04-01T00:00:00Z