Señales
y ruido

El buffer episódico de e-MDB, una arquitectura cognitiva para aprendizaje abierto de robots, guarda los últimos episodios sin importar su valor. EMBER define la memoria como un espacio de seis ejes — lectura, escritura, ponderación por sorpresa, decaimiento, desalojo y refuerzo — y evalúa sus 576 configuraciones, incluido un proxy del buffer actual, midiendo cuántas experiencias importantes sobreviven a un flujo que desborda la capacidad. La memoria nunca ve las etiquetas de importancia: solo una señal de sorpresa.

Por debajo de r = 1 domina la consolidación por fusión; por encima, el olvido selectivo. El régimen cambia a lo largo de la vida del robot, y la arquitectura de la frontera funciona en ambos. Revisado tras tres reportes de revisores con siete experimentos nuevos.

Talleres de electrónica de bajo costo y procesamiento de señales para estudiantes de secundaria: de circuitos básicos a sensores, señales y Arduino, junto con orientación universitaria para bajar las barreras de acceso a la ingeniería.

Neuroingeniería aplicada al habla: buscar biomarcadores de una enfermedad neurodegenerativa antes de que el oído clínico los detecte. El pipeline extrae medidas de fonación, articulación y respiración con Praat/Parselmouth sobre la base pública VOC-ALS y las somete a FDR, validación cruzada repetida, nulos por permutación y pruebas de robustez del pitch tracker.

El resultado apunta a una inestabilidad laríngea entre sílabas en pacientes sin disartria audible, que persiste sin el final de cada respiración y viene con más re-inicios subarmónicos.

Un solo modelo global no representa bien respuestas fisiológicas tan distintas entre sesiones. Sobre 134 series de frecuencia cardíaca de 10 sesiones de indoor cycling se identificaron cuatro patrones temporales; para uso en tiempo real, un clasificador incremental compara el prefijo observado contra los medoides con dynamic time warping y elige el modelo por votación de vecinos.

Se compararon LSTM, encoder-decoder, Time-series Dense Encoder y dos modelos preentrenados, con entrenamiento global vs. por grupo. El enfoque por grupo mejora los cinco tipos de modelo; TiDE logra el mejor resultado pronosticando 200 segundos a partir de una ventana de 200.

Una definición de trabajo de memoria de largo plazo para robots cognitivos, anclada en mecanismos biológicos: selectiva, episódica, condicionada por el estado interno, que consolida, olvida y reactiva. Primer paso: memoria episódica en un Festo Robotino simulado donde la sorpresa es el error de predicción en la satisfacción de sus impulsos.

El objetivo es adelantarse al evento, no clasificarlo después. Trabajo con datasets reales de frecuencia cardíaca y derivados de ECG, donde el reto principal no es el modelo sino la señal: artefactos de movimiento, pérdida de muestras y ruido de sensor que rompen los supuestos de estacionariedad.

El enfoque combina detección de puntos de cambio para segmentar regímenes fisiológicos con detección de anomalías dentro de cada régimen, y valida los resultados con evaluación estadística comparativa entre enfoques de modelado temporal.

Es la infraestructura que hace reproducible el benchmark. Diseñado como framework modular para poder integrar y probar algoritmos propios contra los métodos clásicos bajo exactamente el mismo protocolo de evaluación.

El experimento contrasta tres estrategias sobre el mismo benchmark industrial: aprendizaje desde cero, transferencia por destilación, y reconstrucción con autoencoder. La evaluación no se queda en la métrica de detección: analiza el espacio de embeddings con Mahalanobis y DBSCAN para entender qué separa realmente cada método.

Montado sobre PyTorch Lightning con configuración en Hydra y seguimiento de experimentos en WandB, para que cada corrida sea reproducible.