Traducido del inglés al español - www.onlinedoctranslator.
com
Actas de la Conferencia Internacional sobre Computación Inteligente y Sistemas de Control (ICICCS 2020) IEEE
Xplore Número de pieza: CFP20K74-ART; ISBN: 978-1-7281-4876-2
Clasificación de comentarios tóxicos en línea usando
Algoritmos de aprendizaje automático
Raúl
Departamento de Informática e Ingeniería
Universidad Tecnológica de Delhi
Delhi, India
rahul@dtu.ac.in
Jatin Hooda
Departamento de Informática e Ingeniería
Universidad Tecnológica de Delhi
Delhi, India
jatindce210@gmail.com
Resumen— Los comentarios tóxicos son comentarios en línea
irrespetuosos, abusivos o irrazonables que generalmente hacen
que otros usuarios abandonen una discusión. El peligro de la
intimidación y el acoso en línea afecta el libre flujo de
pensamientos al restringir las opiniones disidentes de las personas.
Los sitios luchan por promover discusiones de manera efectiva, lo
que lleva a muchas comunidades a limitar o cerrar los comentarios
de los usuarios por completo. Este documento examinará
sistemáticamente el alcance del acoso en línea y clasificará el
contenido en etiquetas para examinar la toxicidad de la manera
más correcta posible. Aquí, utilizaremos seis algoritmos de
aprendizaje automático y los aplicaremos a nuestros datos para
resolver el problema de la clasificación de texto e identificar el
mejor algoritmo de aprendizaje automático en función de nuestras
métricas de evaluación para la clasificación de comentarios tóxicos.
Palabras clave: aprendizaje automático, clasificación de comentarios tóxicos,
clasificación de texto, precisión
yo yoNTRODUCCIÓN
El desarrollo exponencial de la informática y la tecnología
nos brinda una de las mayores innovaciones del "Internet" del
siglo XXI, donde una persona puede comunicarse con otra en
todo el mundo con la ayuda de un simple teléfono inteligente e
Internet.
En los días iniciales de Internet, las personas solían comunicarse entre sí
solo por correo electrónico y estaba lleno de correos electrónicos no
deseados. En aquellos días, era una gran tarea clasificar los correos
electrónicos como positivos o negativos, es decir, spam o no: spam. A
medida que pasa el tiempo, la comunicación y el flujo de datos a través de
Internet cambiaron drásticamente, especialmente después de la aparición de
los sitios de redes sociales. Con el avance de las redes sociales, se vuelve
muy importante clasificar el contenido en términos positivos y negativos,
para prevenir cualquier forma de daño a la sociedad y controlar el
comportamiento antisocial de las personas.
En los últimos tiempos, ha habido muchos casos en los que las
autoridades arrestan a personas debido a sus contenidos dañinos y
tóxicos en las redes sociales[1]. Por ejemplo, un hombre de 28 años fue
arrestado en Bengala por publicar un comentario abusivo contra
Mamata Banerjee en Facebook y un hombre de Indonesia
978-1-7281-4876-2/20/$31.00 ©2020 IEEE
Uso con licencia autorizado limitado a: Universidad de Exeter. Descargado el 1 de julio de 2020 a las 10:51:29 UTC de IEEE Xplore. Se aplican restricciones.
dura kajla
Departamento de Informática e Ingeniería
Universidad Tecnológica de Delhi
Delhi, India
ásperocns@gmail.com
Gajanand Saini
Departamento de Informática e Ingeniería
Universidad Tecnológica de Delhi
Delhi, India
saini14gaja@gmail.com
fue arrestado por insultar a la policía de Indonesia en Facebook. Por lo
tanto, existe una situación alarmante y es la necesidad del momento
detectar dicho contenido antes de que se publique porque estos
contenidos negativos están creando Internet un lugar inseguro y
afectando negativamente a las personas.
Supongamos que hay un comentario en las redes sociales
“¿Tonterías? Bésate, friki. Lo que dije es cierto”, se puede identificar
fácilmente que las palabras como Tonterías y Beso son negativas y por
lo tanto este comentario es tóxico. Pero para extraer técnicamente la
toxicidad, este comentario debe pasar por un procedimiento particular
y luego se le aplicará una técnica de clasificación para verificar la
precisión del resultado obtenido.
Se utilizarán diferentes algoritmos de aprendizaje automático en la
clasificación de comentarios tóxicos en el conjunto de datos de Kaggle.com.
Este documento incluye seis técnicas de aprendizaje automático, es decir,
regresión logística, bosque aleatorio, clasificador SVM, bayes ingenuo, árbol
de decisión y clasificación KNN para resolver el problema de la clasificación
de texto. Por lo tanto, aplicaremos los seis algoritmos de aprendizaje
automático en el conjunto de datos dado y calcularemos y compararemos su
precisión, pérdida de registro y pérdida de hamming.
El resto del documento está organizado de la siguiente manera: la
Sección II incluye el trabajo relacionado, la Sección III trata sobre la
metodología propuesta, y la Sección IV y la Sección V contienen el resultado y
la conclusión, respectivamente.
II. RTRABAJO EMOCIONADO
Una gran cantidad de datos se publica diariamente a través de los sitios
de redes sociales. Esta gran cantidad de datos está afectando
significativamente la calidad de vida humana, pero desafortunadamente
debido a la presencia de toxicidad que existe en Internet, está afectando
negativamente la vida de los humanos [2]. Debido a esta negatividad, hay
una falta de debate saludable en los sitios de redes sociales, ya que los
comentarios tóxicos restringen a las personas para expresarse y tener
opiniones disidentes [3]. Por lo tanto, es la necesidad del momento detectar
y restringir el comportamiento antisocial en los foros de discusión en línea
[4]. Aunque, hubo esfuerzos en el pasado para aumentar la seguridad en
línea mediante la moderación del sitio a través del crowd-sourcing.
1119
 Actas de la Conferencia Internacional sobre Computación Inteligente y Sistemas de Control (ICICCS 2020) IEEE
Xplore Número de pieza: CFP20K74-ART; ISBN: 978-1-7281-4876-2
esquemas y comentarios denunciantes, en la mayoría de los casos estas técnicas
no logran detectar la toxicidad [5]. Por lo tanto, tenemos que encontrar una
técnica potencial que pueda detectar la toxicidad en línea del contenido del
usuario de manera efectiva [6].
Como la computadora funciona con datos binarios y en el mundo real,
tenemos datos en otras formas, es decir, imágenes o texto. Por lo tanto, tenemos
que convertir los datos del mundo real en forma binaria para su correcto
procesamiento a través de la computadora. En este documento, utilizaremos estos
datos convertidos y aplicaremos técnicas de aprendizaje automático para clasificar
los comentarios en línea [7]. La clasificación de texto se puede aplicar fácilmente en
un conjunto de datos dado y un conjunto de etiquetas aplicando los datos en una
función, que asignará un valor a cada valor de datos del conjunto de datos [8].
En este contexto, Wulczyn et al. [9] La investigación introdujo una
técnica que incorpora el crowdsourcing y el aprendizaje automático
para evaluar ataques personales a escala. Recientemente, Google y
Jigsaw introdujeron un proyecto llamado perspectiva [10] para detectar
la toxicidad, las amenazas y el contenido ofensivo en línea con la ayuda
de algoritmos de aprendizaje automático. En otro enfoque, se utilizaron
redes neuronales convolucionales (CNN) en la clasificación de texto
sobre contenido en línea [11], sin ningún conocimiento del lenguaje
sintáctico o semántico [12]. En el enfoque utilizado por Y. Chen et al.
[13], introdujo una combinación de un analizador y una función léxica
para detectar el lenguaje tóxico en los comentarios de YouTube para
proteger a los adolescentes. En el enfoque utilizado por Sulke et al. [14],
Los comentarios en línea se clasifican con la ayuda de algoritmos de
aprendizaje automático. Asi que, Ya se ha hecho mucho trabajo para
detectar y clasificar los comentarios tóxicos en línea. En nuestro trabajo
de investigación, aprenderemos del trabajo ya publicado y utilizaremos
algoritmos de aprendizaje automático para detectar y clasificar
comentarios tóxicos en línea con mayor precisión [15].
tercero PAGSROPUESTOMETROETODOLOGIA
A. Tipo de clasificación
En este documento, tenemos que clasificar los datos en seis categorías.
es decir, amenaza, insulto, tóxico, tóxico severo, obsceno u odio de identidad
y podemos poner un valor de datos en cero, uno o más de una categoría.
Antes de comenzar cualquier procesamiento de nuestros datos, nuestra
primera tarea será identificar si nuestra clasificación es de naturaleza
multiclase o multietiqueta.
En la clasificación de etiquetas múltiples, un valor de datos puede pertenecer
a más de una categoría, por ejemplo, un boceto dado de un jardín puede contener
un árbol, un monumento, un sendero para caminar o una combinación de estos y,
por lo tanto, el boceto puede pertenecer a cero, uno o más. de una categoría.
Mientras que en la clasificación multiclase, un valor de datos puede
pertenecer a una sola categoría, por ejemplo, un automóvil determinado puede
pertenecer a Honda, Hyundai, Tata Motors o a ninguna de las empresas anteriores
y, por lo tanto, pertenece a 1 categoría o a ninguna de ellas.
En nuestro conjunto de datos, dado que nuestro valor de datos puede
pertenecer a cero, una o más de una categoría, tenemos que resolver un problema
de clasificación de etiquetas múltiples.
B. Metodologías de aprendizaje automático
Para clasificar los comentarios tóxicos en línea, utilizaremos seis
metodologías de aprendizaje automático, es decir, regresión logística,
978-1-7281-4876-2/20/$31.00 ©2020 IEEE
Uso con licencia autorizado limitado a: Universidad de Exeter. Descargado el 1 de julio de 2020 a las 10:51:29 UTC de IEEE Xplore. Se aplican restricciones.
bosque aleatorio, clasificador SVM, naive Bayes, árbol de decisión y
clasificación KNN.
Como el comentario pertenece al grupo tóxico o no
pertenecerá a él, usaremos la regresión logística porque se
usará para calcular la probabilidad de que un comentario
sea tóxico o no. Dado que podemos clasificar los
comentarios en categorías amplias de tóxicos y no tóxicos y
más en 6 etiquetas en caso de comentarios tóxicos,
utilizaremos el clasificador SVM, ya que clasifica de forma
distintiva los valores de los datos y también puede utilizar la
metodología de árbol de decisión y bosque aleatorio. , ya
que en ambas metodologías utilizaremos el concepto de
árbol de decisión y luego se hará la clasificación final de los
comentarios tóxicos en línea en base a la mejor solución
mediante votación en el árbol de decisión. Dado que en
nuestros datos, los comentarios son independientes entre
sí y dos comentarios distintos no tienen relación entre ellos,
utilizaremos la clasificación Naïve Bayes en nuestros datos.
C. Limpieza de datos y visualización exploratoria de datos limpios
El siguiente paso en nuestra metodología es limpiar los datos y extraer
características importantes de ellos. Tomamos nuestro conjunto de datos
directamente del sitio web de Kaggle y está allí en forma de archivos CSV. En
primer lugar, lo limpiamos utilizando el procedimiento adecuado y luego
vamos a realizar una visualización exploratoria para extraer características
importantes.
Remover
comas,
Sencillo
Llevar a cabo Aplicar
Limpio
puntos finales, Derivación y Contar
Texto puntuaciones lematización vectorizador Datos
y pare
palabras
Fig. 1: Pasos de preprocesamiento para la limpieza de datos.
El proceso seguido en la limpieza de datos se muestra en la fig.
1. Tomaremos datos sin procesar del sitio web de Kaggle en forma de texto
sin formato y aplicaremos nuestras técnicas para limpiar los datos.
Inicialmente, eliminaremos las comas, los puntos y los signos de puntuación.
Después de esto, eliminaremos las palabras vacías. Después de esto,
realizaremos la derivación y la lematización para obtener la raíz de la palabra
y, al final, aplicaremos el vectorizador de conteo para obtener los datos
limpios.
Después de extraer y analizar los datos limpios, sabemos que
tenemos un total de 95981 muestras de comentarios y datos
etiquetados, que se pueden cargar desde el archivo train.csv.
Para obtener una mejor imagen de nuestros datos limpios, optaremos por
una visualización exploratoria.
Fig. 2: Primera visualización de datos limpios
1120
 Actas de la Conferencia Internacional sobre Computación Inteligente y Sistemas de Control (ICICCS 2020) IEEE
Xplore Número de pieza: CFP20K74-ART; ISBN: 978-1-7281-4876-2

De la Fig. 2, podemos concluir que en nuestro conjunto de datos Las ecuaciones para calcular la pérdida de Hamming y la pérdida logarítmica para
hay comentarios de diferentes longitudes desde 200 hasta 1200 y el nuestros datos se muestran en la Ecuación 1 y la Ecuación 2, respectivamente.
número de comentarios disminuye a medida que aumenta la longitud
de los comentarios. También podemos observar que hay comentarios Pérdida Hamming= ∑ ∑ (1)
máximos de 0 a 200 longitudes. Dado que, a medida que avanzamos
hacia comentarios de mayor longitud, el número total de comentarios Aquí, es exclusivo-o, NL es el número de etiquetas, es
se multiplica, por lo que debemos establecer un límite de longitud para el valor predicho y comentar es el valor real para el i-ésimo
obtener el mejor resultado. sobre el valor de la etiqueta lth.

Log-Pérdida=- ∑ ∑ (2)
Aquí, N es el número de muestras, M es el número de
etiquetas, es un indicador binario de la clasificación correcta y
es la probabilidad del modelo.

E. Aplicación de algoritmos
Ahora, dado que estamos listos con datos limpios y métricas de
evaluación adecuadas, debemos seleccionar un modelo de aprendizaje
automático que brinde el resultado más óptimo. Entonces, aplicaremos

Fig. 3: Segunda visualización de datos limpios
En la figura 3, podemos observar que es la versión actualizada de la
figura 2. Aquí, mostramos todos los comentarios en un rango de
longitud definido con la cantidad de comentarios que caen bajo
diferentes etiquetas, es decir, obsceno, tóxico, amenaza, etc. Desde
aquí podemos concluir que el número máximo de comentarios es de
menos de 200 largos y a medida que aumenta el largo de los
comentarios, el número de comentarios disminuye.
Después de pasar por la visualización exploratoria, podemos
concluir que pondremos el umbral en 400 longitudes y
seleccionaremos los comentarios de 4 a 400 longitudes.
D. Finalización de las métricas de evaluación
Las métricas de evaluación se utilizan para calcular la calidad de los
algoritmos de aprendizaje automático. Por lo tanto, antes de aplicar
cualquier algoritmo de aprendizaje automático en nuestros datos
nuestros algoritmos de aprendizaje automático a nuestros datos ya
procesados y calcularemos y compararemos sus resultados. Usaremos el
sklearn. metrics y sklearn.linear_model para extraer características
importantes de los datos de comentarios disponibles.
IV. RESULTADO& AANÁLISIS
Después de aplicar las 6 técnicas de aprendizaje automático sobre el
conjunto de datos limpio de Kaggle, obtendremos el resultado requerido de
cada técnica de aprendizaje automático en forma de Hamming: pérdida,
precisión y pérdida de registro. Como tenemos que seleccionar el mejor
modelo de aprendizaje automático, tenemos que analizar y comparar
adecuadamente estos resultados.
La pérdida de Hamming, la precisión y la pérdida de registro para cada algoritmo de
aprendizaje automático se presentan en la tabla 1.
Tabla 1: Pérdida de Hamming, precisión y pérdida de registro para la máquina
modelos de aprendizaje

procesados, debemos seleccionar las métricas de evaluación adecuadas para

nuestro conjunto de datos para calcular y comparar todas las técnicas. Para
la clasificación de etiquetas múltiples, hay dos tipos principales de métricas:
Modelo hamming Precisión Pérdida de registro

- Métricas basadas en ejemplos: aquí calcularemos el valor de cada pérdida

valor de datos y luego promediaremos el resultado en todo el Logístico 2.432451957 89.466840 2.1435876
conjunto de datos. Ejemplo de pérdida de Hamming, precisión, etc.
Regresión 809565 05201561 92292937
bayesiana ingenua 3.764629388 86.592977 2.3524402
- Métrica basada en etiquetas: aquí calcularemos el valor de 816645 893368 426558524
cada etiqueta de nuestra clasificación y luego Decisión 3.028464094 86.684005 2.2582552
promediaremos todos los valores sin tener en cuenta Árbol 783991 20156047 11101094
ninguna relación entre las etiquetas. Ejemplo de precisión Aleatorio 5.436353128 85.652362 0.5844382
promedio, un error, etc. Bosque 16067 37537928 317269664

Estamos tomando datos del sitio web de Kaggle y la mayoría de esos datos no KNN 3.839040601 87.121803 1.6592639
son tóxicos. Por lo tanto, la precisión como métrica no nos dará el resultado real,
Clasificación 0692093 20762896 816189594
ya que el 90 % de nuestros datos no son tóxicos y si seleccionamos un algoritmo
norte
simple que predice la naturaleza no tóxica de todos los datos, también dará como
MVS 2.764651043 88.697077 2.2914469
resultado una precisión del 90 %. Por lo tanto, será una mejor opción seleccionar la
clasificador 1735623 82814157 953676764
métrica que calculará la pérdida. Entonces, para nuestros algoritmos de
aprendizaje automático, seleccionaremos Log-Loss y Hamming Loss como
métricas para comparar los resultados de diferentes modelos. Las siguientes cifras compararán las pérdidas producidas por cada
algoritmo de aprendizaje automático. Dado que es deseable una pérdida
menor, el mejor modelo producirá la pérdida mínima.

978-1-7281-4876-2/20/$31.00 ©2020 IEEE 1121

Uso con licencia autorizado limitado a: Universidad de Exeter. Descargado el 1 de julio de 2020 a las 10:51:29 UTC de IEEE Xplore. Se aplican restricciones.
 Actas de la Conferencia Internacional sobre Computación Inteligente y Sistemas de Control (ICICCS 2020) IEEE
Xplore Número de pieza: CFP20K74-ART; ISBN: 978-1-7281-4876-2
Fig. 4: Comparación gráfica de la pérdida de Hamming para modelos de aprendizaje automático
Después de analizar la figura 4, podemos concluir que el mejor
modelo sería la regresión logística ya que tuvo una pérdida de
hamming de solo 2.43 %.
Fig. 5: Comparación gráfica de pérdida de registro para modelos de aprendizaje automático
Después de analizar la figura 5, podemos concluir que el mejor
modelo sería Random Forest Regression ya que tuvo un log - loss
de solo 0.58 %.
La siguiente figura comparará la precisión producida por cada
algoritmo de aprendizaje automático. Dado que es deseable una alta
precisión, el mejor modelo producirá la máxima precisión.
Fig. 6: Comparación gráfica de la precisión de los modelos de aprendizaje automático
Luego de analizar la figura 6, podemos concluir que el mejor
modelo sería la Regresión Logística ya que tuvo una precisión del
89.46 %.
978-1-7281-4876-2/20/$31.00 ©2020 IEEE
Uso con licencia autorizado limitado a: Universidad de Exeter. Descargado el 1 de julio de 2020 a las 10:51:29 UTC de IEEE Xplore. Se aplican restricciones.
VCONCLUSIÓN
Hemos discutido seis técnicas de aprendizaje automático, es decir, regresión
logística, Naive Bayes, árbol de decisión, bosque aleatorio, clasificación KNN y
clasificador SVM, y hemos comparado su pérdida de hamming, precisión y pérdida
de registro en este documento. Ahora, después de un análisis adecuado, podemos
decir que en términos de pérdida hamming, la regresión logística funciona mejor
porque en ese caso, nuestra pérdida hamming es mínima, mientras que en
términos de precisión, la regresión logística funciona mejor porque la precisión es
mejor en ese modelo en comparación con otros y términos de pérdida de
registros, el bosque aleatorio funciona mejor debido a la menor pérdida de
registros posible en ese modelo.
Por lo tanto, nuestra selección de modelo final se basará en la
combinación de pérdida de hamming y precisión. Dado que obtuvimos la
máxima precisión, es decir, 89,46 % y la menor pérdida de hamming posible,
es decir, 2,43 % en el caso del modelo de regresión logística.
Seleccionaremos el modelo de regresión logística como nuestra técnica final
de aprendizaje automático, ya que funciona mejor para nuestros datos.
VI. FTRABAJO FUTURO
En futuras investigaciones, se pueden usar otros modelos de
aprendizaje automático para calcular la precisión, la pérdida de hamming y
la pérdida de registro para obtener mejores resultados. También podemos
explorar algunos algoritmos de aprendizaje profundo como LSTM (red
neuronal recurrente de memoria a largo plazo a corto plazo), perceptrón
multicapa y GRU. Así, podemos explorar muchas otras técnicas que nos
ayudarán a mejorar el resultado obtenido.
RFERENCIAS
[1] HM Saleem, KP Dillon, S. Benesch y D. Ruths, "A Web of Hate:
Tackling Hateful Speech in Online Social Spaces", 2017, [en línea] .
Disponible: ht tp://arxiv.org/abs/1709.10159.
[2] M. Duggan, “Acoso en línea 2017”, PewRes., págs. 1–85, 2017, doi:
202.419.4372.
[3] MA Walker, P. Anand, JEF Tree, R. Abbot t y J. King, “Un corpus para la
investigación sobre la deliberación y el debate”, Proc. 8º Int. Conf.
Idioma recurso Eval. Lr. 2012, págs. 812–817, 2012.
[4] J. Cheng, C. Danescu-Niculescu-Mizil y J. Leskovec, "Comportamiento
antisocial en comunidades de discusión en línea", Proc. 9º Int. Conf.
Web Soc. Medios, ICWSM 2015, págs. 61–70, 2015.
[5] B. Mathewet al., "No odiarás: contrarrestar el discurso de odio en línea",
Proc. 13 Int. Conf. Web Soc. Medios, ICWSM 2019, no. Agosto, págs.
369–380, 2019.
[6] C. Nobata, J. Tet reault, A. Thomas, Y. Mehdad e Y. Chang, “Detección de
lenguaje abusivo en el contenido del usuario en línea”, 25th Int.
Conferencia de la World Wide Web. WWW 2016, págs. 145–153, 2016,
doi: 10.1145/2872427.2883062.
[7] EK Ikonomakis, S. Kotsiantis y V. Tampakas, "Clasificación de textos mediante
técnicas de aprendizaje automático", no. agosto de 2005.
[8] MR Murty, JV. Murthy y P. Reddy PVGD, “Clasificación de documentos de texto
basada en máquinas de vectores de soporte de mínimos cuadrados con
descomposición de valores singulares”, int. J. Cómputo. aplicación, vol. 27,
núm. 7, págs. 21–26, 2011, doi: 10.5120/3312-4540.
[9] E. Wulczyn, N. Thain y L. Dixon, "Ex machina: Ataques personales vistos a
escala", 26th Int. Conferencia Mundial de la Web. WWW 2017, págs. 1391–
1399, 2017, doi: 10.1145/3038912.3052591.
[10] H. Hosseini, S. Kannan, B. Zhang y R. Poovendran, "Engañar a la API de
perspectiva de Google creada para detectar comentarios tóxicos", 2017, [en
línea]. Disponible: ht tp://arxiv.org/abs/1702.08138.
[11] Y. Kim, "Redes neuronales convolucionales para la clasificación de oraciones",
EMNLP 2014 - 2014 Conf. Imperio Métodos Nat. Idioma Proceso. proc. Conf.,
págs. 1746–1751, 2014, doi: 10.3115/v1/d14-1181.
[12] R. Johnson y T . Zhang, "Uso efectivo del orden de las palabras para la categorización
de texto con redes neuronales convolucionales", NAACLHLT 2015
1122
 Actas de la Conferencia Internacional sobre Computación Inteligente y Sistemas de Control (ICICCS 2020) IEEE
Xplore Número de pieza: CFP20K74-ART; ISBN: 978-1-7281-4876-2

- Conf. 2015 am del norte Capítulo Asoc. computar lingüista Tararear.
Idioma Tecnología proc. Conf., n. 2011, págs. 103–112, 2015, doi:
10.3115/v1/n15-1011.
[13] Y. Chen y S. Zhu, “Detecting Offensive Language in Social
Media to ProtectAdolescents,” [En línea]. Disponible: ht tp://
www.cse.psu.edu/~sxz16/papers/SocialCom2012.pdf.
[14] AL Sulke y AS Varude, "Clasificación de comentarios perniciosos en línea
mediante el aprendizaje automático", no. octubre de 2019.
[15] N. Chakrabarty, "Un enfoque de aprendizaje automático para comentar la
clasificación de toxicidad", Adv. Intel. sist. Computación, vol. 999, págs. 183–193,
2020, doi: 10.1007/978-981-13-9042-5_16.

978-1-7281-4876-2/20/$31.00 ©2020 IEEE 1123

Uso con licencia autorizado limitado a: Universidad de Exeter. Descargado el 1 de julio de 2020 a las 10:51:29 UTC de IEEE Xplore. Se aplican restricciones.