Actas de la Tercera Conferencia Internacional sobre aElectrónica

Suscríbete DeepL Pro y Sistemas de Comunicación

para poder Sosteniblesde
traducir archivos (ICESC
mayor2022)
tamaño.
IEEE Xplore Part Number: CFP22V66-ART; ISBN: 978-1-6654-7971-4
Más información disponible en www.DeepL.com/pro.

Algoritmo de fusión de bloques multivista para la

extracción de datos y el entrenamiento deportivo
2022 3rd International Conference on Electronics and Sustainable Communication Systems (ICESC) | 978-1-6654-7971-4/22/$31.00 ©2022 IEEE | DOI: 10.1109/ICESC54411.2022.9885361

inteligente
Li Li
Hunan Vocational College 0f Modern Logistics ,Changsha, Hunan ,410131, China
Lilileleleleli2@mail.com

Resumen- En este manuscrito se diseña e implementa un
algoritmo de fusión de bloques multivista para la minería de
datos y el entrenamiento deportivo inteligente. Tiene un excelente
rendimiento en el campo del procesamiento de imágenes en
tiempo real de ultra alta velocidad. El sistema de procesamiento
de señales en tiempo real de alta velocidad dual-DS P de este
sistema consta de dos chips DSP como núcleo para formar un
procesador paralelo de imágenes de vecindad, y realiza el
procesamiento de operaciones paralelas sincrónicas a través de la
división y descomposición de las tareas del sistema. Con el modelo
diseñado, se discuten a continuación las ideas sobre el algoritmo
de fusión de bloques para la minería de datos y el entrenamiento
deportivo inteligente. Bajo la condición del mismo factor de
llenado, la estructura de matriz de apertura compuesta puede
obtener una mayor resolución y calidad de imagen que la
estructura de matriz de apertura típica tras la restauración de la
imagen, lo que constituye un medio eficaz para obtener una
resolución muy alta. Esto se tendrá en cuenta para optimizar el
sistema deportivo. El rendimiento se valida realizando una
prueba general con diferentes conjuntos de datos.
(2) Se añade el procesamiento directo de instrucciones de
datos empaquetados para crear flujos de datos sin fisuras que
mejoren la eficiencia del conjunto de instrucciones [13, 14].
(3) Cuando el ojo humano mira fijamente a diferentes
posiciones en la pantalla del ordenador, el globo ocular girará en
consecuencia. Suponiendo que la cabeza del experimentador esté
inmóvil, como la posición del LED infrarrojo es fija y el globo
ocular es una esfera aproximada, cuando el globo ocular gira, se
puede considerar que la posición absoluta del punto de pulchin no
cambia [15, 16, 17]; la posición del iris y la pupila deben cambiar
en consecuencia, por lo que el punto de pulchin formado por la
fuente de luz auxiliar infrarroja sobre el iris y la relación de
posición relativa central entre la pupila y el iris también
cambiarán [18]. La determinación de esta relación de posición
relativa puede realizarse mediante el procesamiento de imágenes.
En la figura 1 se muestra un ejemplo.

Palabras clave- Bloque multivista; fusión de imágenes; minería

de datos; entrenamiento deportivo inteligente; seguimiento de vídeo

I. INTRODUCCIÓN
Este diseño utiliza la cámara AViiVA M 2 CL de la empresa
ATMEL. La cámara utiliza la interfaz Camera Link DSP, y se
seleccionan el TMS320VC5509 y el TMS320C54x [1, 2, 3].
al mismo tiempo en un ciclo de reloj [11, 12].
En comparación con el DSP de punto fijo, la potencia de
cálculo del DSP se mejora potenciando la unidad funcional [4].
El ajuste del modo de trabajo se realiza mediante
comunicación serie con el DSP. La velocidad en baudios se fija en
9,6 kHz en modo dúplex completo. Cada trama de datos consta de
un bit de inicio, 8 bits de datos y un bit de parada [5, 6, 7]. En
esencia, el seguimiento de vídeo puede considerarse como un
proceso de registro dinámico de imágenes, por lo que los métodos
existentes de registro elástico de imágenes pueden aplicarse al
campo del seguimiento de vídeo. Dado que el seguimiento de
vídeo y el registro elástico de imágenes se enfrentan a algunos de
los mismos retos: problemas de deformación elástica, cambios en
el color de la imagen y otras características, problemas de
oclusión parcial (similares a los problemas de falta de datos y de e
xcepción en el registro de imágenes), etc. El método de registro
elástico de imágenes basado en el aprendizaje adaptativo de reglas
para lograr el seguimiento de vídeo puede superar eficazmente
algunas de las dificultades a las que se enfrenta el seguimiento de
vídeo hasta cierto punto. Basándose en la revisión, la estructura
considerada tiene características enumeradas [8, 9, 10].
(1) El núcleo DSP adopta una arquitectura de palabra de
instrucción superlarga, con 8 unidades funcionales y 64 registros
de propósito general de 32 bits, y puede ejecutar 8 instrucciones
978-1-6654-7971-4/22/$31.00 ©2022 IEEE 1616
Uso autorizado con licencia limitada a: Univ de Huelva. Descargado el 15 de junio de 2023 a las 08:43:38 UTC de IEEE Xplore. Se aplican
restricciones.
 Actas de la Tercera Conferencia Internacional sobre Electrónica y Sistemas de Comunicación Sostenibles (ICESC 2022)
IEEE Xplore Part Number: CFP22V66-ART; ISBN: 978-1-6654-7971-4

Fig. 1. Muestra del modelo de seguimiento de objetos

Además, para que el análisis sea eficaz, es esencial el

modelo de fusión y repetición de imágenes. La estructura de
matriz de apertura dispersa óptica puede aplicarse al sistema con
un diámetro de subapertura inferior a 10 m. Si se aumenta el
diámetro, también se verá limitado [19, 20, 21]. Para resolver
este problema, los investigadores propusieron un sistema de
estructura de matriz de apertura compuesta. Bajo la condición
del mismo factor de relleno, la estructura de matriz de apertura
compuesta puede obtener una mayor resolución y calidad de
imagen que la estructura de matriz de apertura típica tras la
restauración de la imagen, lo que constituye un medio eficaz
para obtener una resolución muy alta. El filtrado Wiener
mediante la restauración lineal de imágenes es un método clásico
de restauración. Dado que la función de transferencia óptica del
núcleo de la cámara se puede medir sobre el terreno, y el ruido
inherente de la propia cámara como el CCD también se puede
medir, los parámetros característicos de la imagen objetivo y el
ruido se pueden obtener con conocimiento previo, y el espectro
de potencia y la función de autocorrelación se pueden calcular
[22]. Por lo tanto, con estas ideas, se discutirá el diseño
estudiado.

978-1-6654-7971-4/22/$31.00 ©2022 IEEE 1617

Uso autorizado con licencia limitada a: Univ de Huelva. Descargado el 15 de junio de 2023 a las 08:43:38 UTC de IEEE Xplore. Se aplican
restricciones.
 Actas de la Tercera Conferencia Internacional sobre Electrónica y Sistemas de Comunicación Sostenibles (ICESC 2022)
IEEE Xplore Part Number: CFP22V66-ART; ISBN: 978-1-6654-7971-4
II. EL TRABAJO RELACIONADO
En esta sección se revisa el seguimiento de objetos. La
correspondencia de imágenes se refiere al proceso de encontrar
patrones de imagen iguales o similares a partir de otra imagen
basándose en patrones de imagen conocidos. Con el continuo
desarrollo de la ciencia y la tecnología, la tecnología de
correspondencia de imágenes se ha ido aplicando gradualmente
en diversos campos como el militar, el aeroespacial y la medicina.
La velocidad de transmisión de esta conexión puede alcanzar
2,5Gb/s [23, 24]. Puede satisfacer plenamente la demanda actual
de transmisión de imágenes de alta definición en los ámbitos de la
aviación, la industria aeroespacial y la medicina. Por ello, su uso
está muy extendido. Sin embargo, debido a que se utilizan hasta
13 pares de señales diferenciales de alta velocidad para transmitir
imágenes y señales de control [25, 26].
Esta norma tiene unos requisitos muy exigentes para los
cables de transmisión, incluso bajo la premisa de garantizar la
tecnología del cable. A menudo sólo hay una distancia de
transmisión efectiva de unos 10 metros. El est ándar Camera Link
es un est ándar t écnico channelLink propuest o por el National
Semiconductor Laboratory [27]. La interfaz tiene un protocolo de
interfaz abierta, que permite a los diferentes fabricantes para
mantener las diferencias de productos y ser compatibles entre sí.
Sobre la base de los datos de transmisión LvDs tradicionales, se
carga con un transmisor paralelo a serie y un receptor serie a
paralelo, que pueden utilizarse en enlaces unidireccionales
combinados en paralelo, enlaces serie y enlaces punto a punto. En
las secciones siguientes, el modelo propuesto se basará en esto.
III. LA METODOLOGÍA PROPUESTA
A. Algoritmo de seguimiento de objetos en bloque multivista
Controla la secuencia general de trabajo del chip receptor
Camera Link, almacena los datos de imagen en la SDRAM plug-
in FPGA, y el DSP lee los datos de imagen en la SDRAM, realiza
la detección de objetivos y el procesamiento de seguimiento, y
emite los resultados de seguimiento al servosistema. Ventana,
escalado, cambio de velocidad de fotogramas, enrutamiento,
mejora y también superposición de caracteres en vídeo digital de
luz visible. El muestreo de datos por DSP se realiza generalmente
por el método de interrupción, y DMA no sólo puede operar los
datos de la memoria interna, sino también operar los datos de los
dispositivos periféricos en el chip y la memoria extendida, por lo
que la aplicación de la función DMA puede realizar el área de
mapeo de memoria directa sin intervención de la CPU.
transferencia de datos que se demuestra como la figura 2.
Fig. 2. El bloque multivista Capas de objetos
Para realizar la medición en tiempo real, el funcionamiento de
la tubería de adquisición y procesamiento de datos debe ser
978-1-6654-7971-4/22/$31.00 ©2022 IEEE
Uso autorizado con licencia limitada a: Univ de Huelva. Descargado el 15 de junio de 2023 a las 08:43:38 UTC de IEEE Xplore. Se aplican
restricciones.
implementado. En este diseño, se instalan dos búferes de
almacenamiento que funcionan alternativamente en el área de
almacenamiento de datos del chip DSP.
La conmutación del intervalo de almacenamiento se realiza
mediante la configuración de bits de bandera en el software. La
longitud de datos de DMA se establece como la longitud de un
fotograma de datos de la cámara. La dirección de inicio en el
espacio de datos se establece como 4000H y 4400h
respectivamente. El contenido de procesamiento principal del
módulo FPGA: tras recibir el nivel lógico, se genera la señal de
control lógico del sistema; al mismo tiempo, también realiza
operaciones de identificación y correspondencia de módulos en
cada fotograma de señal de imagen recibida para mejorar la
velocidad de procesamiento del sistema[28, 29].
El principal contenido de trabajo del módulo DSP:
reconocimiento de imagen, análisis, seguimiento o análisis
repetido de parte de la imagen central después de recibir el
procesamiento FPGA, que soporta todo el proceso de operación
de procesamiento de imágenes [30]. La demultiplexación de las
señales paralelas de 16 bits se realiza en el extremo emisor del
sistema. Según el pin de indicación de estado de recepción del
TLK2711, juzga si hay datos válidos llegando. De acuerdo con los
diferentes códigos de estado recibidos, se juzga si la
sincronización de campo y la sincronización de línea son válidas y
se regenera la señal de sincronización.
Cuando TLK271l solicita recibir datos válidos. Los datos se
almacenan en el búfer FIFO, y el empalme de la señal de imagen
de 28 bits de la trama y la señal de comunicación serie de 1 bit en
diferentes ranuras de tiempo también se realiza escribiendo el
reloj y la lógica de control de lectura y escritura y enviarlo al
módulo de interfaz Cameralink de acuerdo con la señal de
sincronización de imagen. La figura 3 muestra la estructura.
Fig. 3. Estructura del algoritmo de seguimiento de objetos en bloque
multivista
B. Algoritmo de fusión de bloques multivista para la
extracción de datos de imágenes
En el caso de las imágenes espaciales reales, los resultados
finales de las imágenes incluyen diversos factores en el proceso
de obtención de imágenes. Algunos factores son inciertos. La
calidad de la imagen no puede depender completamente de la
observación subjetiva, sino que también necesita métodos de
evaluación objetivos. Debido a la discontinuidad de la superficie
de la pupila del sistema óptico de formación de imágenes de
apertura dispersa, la función de dispersión de puntos del sistema
pierde la simetría circunferencial del sistema tradicional de
formación de imágenes de apertura única.
1618
 Actas de la Tercera Conferencia Internacional sobre Electrónica y Sistemas de Comunicación Sostenibles (ICESC 2022)
IEEE Xplore Part Number: CFP22V66-ART; ISBN: 978-1-6654-7971-4
Existen algunas limitaciones en el uso del criterio general
tradicional de resolución rayleigh para el sistema de imagen de
apertura dispersa definido como el siguiente lema 1.
( ) = Ig (xi , yi )× PSF(xi , yi )
Ii xi , yi
Donde x e y son vectores diferentes y la PSF es la función de
eliminación de ruido. El filtrado Wiener se ha convertido en un
método de denoising. Obviamente, cuanto más ruido se elimina,
más información útil se pierde, se reduce la resolución de la
imagen y la función de recuperación de la información del objeto.
Si se elimina previamente el ruido de la imagen, se utiliza el filtro
de Wiener como método ideal de restauración de la imagen y se
mantiene la función del filtro de restaurar la información del
objeto, se espera obtener mejores resultados. En la figura 4 se
presenta el modelo.
Fig. 4. Marco del algoritmo de eliminación de ruido
En general, se cree que la función de transferencia MTF de la
estructura de Golay cambia lentamente con la frecuencia y no es
redundante. Puede asegurar que la frecuencia en la MTF no
aparece cero cuando el factor de relleno es pequeño. La figura 5
muestra el modelo completo.
Fig. 5. Algoritmo de fusión de bloques multivista para la extracción de
datos de imágenes:
Estudio sistemático
C. Reconocimiento de la acción y tarificación deportiva
inteligente
El uso de multimedia en la formación de educación física
puede proporcionar a los alumnos nuevos estímulos visuales, y
guiarlos eficazmente para que tengan el deseo de e xp lorar los
estímulos, es decir, utilizar un nuevo método de enseñanza para
estimular el interés de los alumnos por aprender. La sensación es
el principio de todas las actividades neuronales, y los receptores
son los órganos básicos para que el cuerpo comprenda y
978-1-6654-7971-4/22/$31.00 ©2022 IEEE
Uso autorizado con licencia limitada a: Univ de Huelva. Descargado el 15 de junio de 2023 a las 08:43:38 UTC de IEEE Xplore. Se aplican
restricciones.
e xplorar el mundo. Están estrechamente relacionadas con la
aparición y el desarrollo del sistema nervioso, y el pensamiento y
las actividades cognitivas también se basan en él.
Las operaciones cognitivas incluyen al menos tres etapas:
(1)
reconocimiento del estímulo, selección de la respuesta y
programación de la respuesta.
Los receptores pueden convertir diversos estímulos del entorno
interno y externo del cuerpo en señales eléctricas neuronales
aferentes, que se transmiten a las áreas centrales correspondientes
de la corteza cerebral a través de los nervios periféricos, la
médula espinal y el tronco encefálico para generar sensaciones.
Las imágenes claras del movimiento son la base para ayudar a los
alumnos a formar habilidades físicas correctas, principalmente a
partir de las e xplicaciones, demostraciones y demostraciones de
los profesores.
Sin embargo, algunos movimientos son difíciles de e xpresar
claramente en el lenguaje, como el vuelo, la voltereta y otros
movimientos técnicamente difíciles, aunque el propio profesor
general La demostración tampoco puede permitir a los alumnos
observar claramente cada acción de descomposición en un
instante, y no puede establecer una imagen de acción completa y
correcta en sus mentes. Si la exp lantación se lleva a cabo a una
velocidad lenta, no sólo afectará a la continuidad del movimiento,
sino que también será desfavorable para la exp lantación en lo
esencial, y es difícil conseguir el efecto ideal de enseñanza y
entrenamiento. En consecuencia, la figura 6 muestra el marco
sistemático.
Fig. 6. Marco del sistema inteligente de entrenamiento
deportivo
IV. SIMULACIÓN Y EXPERIMENTACIÓN SISTEMÁTICAS
El e xperimento se centra en la discusión sobre el seguimiento
del movimiento. El DsP envía los datos para ser enviados a otro
FIFO desarrollado por la FPGA. Una vez finalizada cada
codificación de datos, el reloj que genera la señal FIFO a través
del programa de la máquina de estados lee los siguientes datos
para codificar, por lo que el FIFO adopta aquí un método
asíncrono. En la figura 7 se muestra el resultado de la simulación.
Fig. 7. Resultado de la simulación de seguimiento del
movimiento
V. CONCLUSIÓN Y PERSPECTIVAS
En este artículo se diseña e implementa un algoritmo de fusión
de bloques multivista para la minería de datos y el entrenamiento
deportivo inteligente.
1619
 Actas de la Tercera Conferencia Internacional sobre Electrónica y Sistemas de Comunicación Sostenibles (ICESC 2022)
IEEE Xplore Part Number: CFP22V66-ART; ISBN: 978-1-6654-7971-4
manuscrito. La carga de trabajo de procesamiento y análisis de
imágenes puede reducirse considerablemente, y se confía más en
las técnicas de filtrado predictivo para el seguimiento. En el
rastreo de imágenes tradicional, descartar la información
identificada es un desperdicio hasta cierto punto. En el
seguimiento de imágenes en tiempo real, este desperdicio afecta
especialmente al rendimiento del sistema. Con las ideas
mencionadas, el sistema propuesto se aplica al escenario del
entrenamiento deportivo inteligente. En futuros trabajos, se
estudiarán más aplicaciones.
REFERENCIA
S "Modelización de la influencia de la estructura de los datos en el
[1] Shafiq, Muhammad, Zhihong Tian, Ali Kashif Bashir, Alireza Jolfaei y
Xiangzhan Yu. "Métodos de minería de datos y aprendizaje
automático para la clasificación del tráfico en ciudades inteligentes
sostenibles: A survey". Ciudades y sociedad sostenibles 60 (2020):
102177.
[2] Rupnik, Ewelina, Marc Pierrot-Deseilligny y Arthur Delorme.
"Reconstrucción 3D a partir de imágenes de satélite VHR multivista
en MicMac". ISPRS Journal of Photogrammetry and Remote Sensing
139 (2018): 201-211.
[3] Guo, Jipeng, Wenbin Yin, Yanfeng Sun y Yongli Hu. "Agrupación de
subespacios multivista con representación diagonal de bloques". IEEE
Access 7 (2019): 84829-84838.
[4] Song, Dan, Zheqi Zhang, Wenhui Li, Lijun Yuan y Wenshu Zhang.
"Judgment of Benign and Early Malignant Colorectal T umors from
Ultrasound Images with Deep Multi-View Fusion". Computer Methods
and Programs in Biomedicine (2022): 106634.
[5] Rangriz, Hassan, y Zahra Bayrami Shahrivar. "El impacto de E-CRM
en la lealtad del cliente utilizando técnicas de minería de datos". BI
Management Studies 7, no. 27 (2019): 175-205.
[6] Aldowah, Hanan, Hosam Al-Samarraie y Wan Mohamad Fauzy.
"Minería de datos educativos y analítica del aprendizaje para la
educación superior del siglo XXI: Una revisión y síntesis".
Telemática e informática 37 (2019): 13-49.
[7] Guo, Le-Hang, Dan Wang, Yi-Yi Qian, Xiao Zheng, Chong-Ke Zhao,
Xiao-Long Li, Xiao-Wan Bo et al. "A two-stage multi-view learning
framework based computer-aided diagnosis of liver tumors with
contrast enhanced ultrasound images". Hemorreología clínica y
microcirculación 69, no. 3 (2018): 343-354.
[8] Mughal, Muhammd Jawad Hamid. "Minería de datos: Técnicas,
herramientas y algoritmos de minería de datos web: Una visión
general". Revista internacional de informática avanzada y aplicaciones
9, nº 6 (2018).
[9] Luo, Keyang, Tao Guan, Lili Ju, Yuesong Wang, Zhuo Chen y Yawei
Luo. "Attention-aware multi-view stereo". En Proceedings of the
IEEE/CVF Conference on Computer Vision and Pattern Recognition,
pp. 1590-1599. 2020.
[10] Luo, Jianjun, Wenchao Gao y Zhong Lin Wang. "El nanogenerador
triboeléctrico como tecnología innovadora hacia el deporte
inteligente". Advanced Materials 33, no. 17 (2021): 2004178.
[11] Wang, Yubo, Yijie Ding, Jijun Tang, Yu Dai y Fei Guo. "CrystalM: un
enfoque de fusión multivista para la predicción de cristalización de
proteínas". IEEE/ACM Transactions on Computational Biology and
Bioinformatics 18, nº 1 (2019): 325-335.
[12] Men, Yanhua. "Sistema inteligente de análisis de predicción deportiva
basado en el algoritmo difuso gaussiano mejorado". Alexandria
Engineering Journal 61, nº 7 (2022): 5351-5359.
[13] Wang, Fubin, y Qiong Huang. "Construcción y evaluación de un
modelo de entrenamiento de rehabilitación deportiva bajo
monitorización inteligente de la salud". Comunicaciones
Inalámbricas y Computación Móvil 2022 (2022).
[14] Atluri, Gowtham, Anuj Karpatne y Vipin Kumar. "Minería de datos
espaciotemporales: A survey of problems and methods". ACM
Computing Surveys (CSUR) 51, no. 4 (2018): 1-41.
[15] Radanliev, Petar, David De Roure y Rob Walton. "Data mining and
analysis of scientific research data records on Covid-19 mortality,
978-1-6654-7971-4/22/$31.00 ©2022 IEEE
Uso autorizado con licencia limitada a: Univ de Huelva. Descargado el 15 de junio de 2023 a las 08:43:38 UTC de IEEE Xplore. Se aplican
restricciones.
inmunidad y desarrollo de vacunas en la primera oleada de la
pandemia de Covid-19". Diabetes y síndrome metabólico: Clinical
Research & Reviews 14, no. 5 (2020): 1121-1132.
[16] Neagu, Laurentiu-Marian, Eric Rigaud, Sébastien Travadel, Mihai
Dascalu y Razvan-Victor Rughinis. "Intelligent tutoring systems for
psychomotor training-a systematic literature review". In International
Conference on Intelligent T utoring Systems, pp. 335-341. Springer,
Cham, 2020.
[17] Ding, Xianqiong, Jin Tang, Yuwen Zhang y Zhonghua Yuan. "Modelo
de entrenamiento deportivo basado en una red neuronal optimizada por
GA". En 2020 13th International Conference on Intelligent
Computation Technology and Automation (ICICTA), pp. 227-230.
IEEE, 2020.
[18] Goldt, Sebastian, Marc Mézard, Florent Krzakala y Lenka Zdeborová.
aprendizaje en redes neuronales: The hidden manifold model".
Physical Review X 10, no. 4 (2020): 041044.
[19] Memon, Muhammad Suleman, Abdullah Lakhan, Mazin Abed
Mohammed, Mumtaz Qabulio, Fadi Al-Turjman, y Karrar Hameed
Abdulkareem. "Enfoque integrado de aprendizaje automático y
minería de datos para la predicción de la contracción ventricular
prematura". Neural Computing and Applications 33, no. 18 (2021):
11703-11719.
[20] Niso, Guiomar, Krzysztof J. Gorgolewski, Elizabeth Bock, Teon L.
Brooks, Guillaume Flandin, Alexandre Gramfort, Richard N. Henson et
al. "MEG-BIDS, la estructura de datos de imágenes cerebrales
ampliada a la magnetoencefalografía". Datos científicos 5, no. 1
(2018): 1 -5.
[21] Chen, Shiyi, Hao Jin y Yulin Lu. "Impacto de la urbanización en las
emisiones de CO2 y la estructura del consumo de energía: un análisis
de datos de panel para las ciudades chinas a nivel de prefectura".
Cambio estructural y dinámica económica 49 (2019): 107-119.
[22] Muñoz, Josep Anton, Joana Mencos, Eduard Roca, Núria Carrera, O.
Gratacós, Oriol Ferrer y Òscar Fernández. "The structure of the
South-Central-Pyrenean fold and thrust belt as constrained by subsurface
data". Geologica Acta (2018): 439-460.
[23] Hernández-Blanco, Antonio, Boris Herrera-Flores, David Tomás, y
Borja Navarro-Colorado. "Una revisión sistemática de los enfoques
de aprendizaje profundo para la minería de datos educativos".
Complexity 2019 (2019).
[24] Chenarlogh, Vahid Ashkani, y Farbod Razzazi. "Estructura CNN 3D
multi-stream para el reconocimiento de acciones humanas entrenada
con datos limitados". IET Computer Vision 13, no. 3 (2019): 338-
344.
[25] Liang, Dandan, Quan Liu, Kejun Zhou, Wei Jia, Guoxiang Xie y
Tianlu Chen. "IP4M: una plataforma integrada para la minería de
datos de metabolómica basada en espectrometría de masas". BMC
bioinformatics 21, no. 1 (2020): 1-16.
[26] Hirjak, Dusan, Mahmoud Rashidi, Katharina M. Kubera, Georg Northoff,
Stefan Fritze, Mike M. Schmitgen, Fabio Sambataro, Vince D. Calhoun
y Robert C. Wolf. "La fusión de datos de imágenes de resonancia
magnética multimodal revela patrones distintos de estructura y función
cerebral anormal en la catatonia". Schizophrenia bulletin 46, no. 1
(2020): 202-210.
[27] Sandhu, Sukhbir, y Carol T. Kulik. "Shaping and being shaped: How
organizational structure and managerial discretion co-evolve in new
managerial roles". Administrative Science Quarterly 64, no. 3 (2019):
619-658.
[28] Holdgraf, Christopher, Stefan Appelhoff, Stephan Bickel, Kristofer
Bouchard, Sasha D'Ambrosio, Olivier David, Orrin Devinsky et al.
"iEEG-BIDS, extendiendo la especificación de la estructura de datos de
imágenes cerebrales a la electrofisiología intracraneal humana". Datos
científicos 6, no. 1 (2019): 1-6.
[29] Kerschbaum, Florian, y Anselme T ueno. "An efficiently searchable
encrypted data structure for range queries". En European Symposium
on Research in Computer Security, pp. 344-364. Springer, Cham,
2019.
[30] Romero, Cristóbal, y Sebastián Ventura. "Minería de datos educativos y
analítica del aprendizaje: Un estudio actualizado". Wiley
Interdisciplinary Reviews: Data Mining and Knowledge Discovery
10, no. 3 (2020): e1355.
1620