[ Inicio | Actas | Programa | Registro | Trabajos de investigación | Tesis invitadas ] [ Fotos ]

Trabajos de investigación

Descubrimiento federado en la Web de las Cosas

Juan Alberto Llopis Expósito

El Internet de las Cosas ha impulsado el uso de dispositivos en distintos ámbitos como hogares y ciudades inteligentes, pero su heterogeneidad dificulta la comunicación y descubrimiento de servicios. La recomendación de la Web de las Cosas (WoT) establece un estándar que cubre las limitaciones de integración de los dispositivos mediante la propuesta de una representación común. Estos dispositivos se almacenan y descubren utilizando servicios de descubrimiento. En un servicio de descubrimiento, los clientes envían solicitudes a un sistema para localizar servicios que se ajusten a sus necesidades. El servicio de descubrimiento consulta su directorio y devuelve la mejor opción disponible. No obstante, si la información requerida no está en su directorio, debe delegar la consulta a otros sistemas. Para estas situaciones, donde la solución se encuentra en un directorio desplegado en otra localización, la propuesta de la WoT aún carece de una recomendación específica para la federación de servicios de descubrimiento, lo que limita su aplicabilidad en arquitecturas donde los servicios están dispersos en múltiples localizaciones. Ante la ausencia de una solución de federación para la WoT y como avance de jornadas anteriores, proponemos un modelo de descubrimiento federado que sea compatible con arquitecturas supervisadas y no supervisadas.

Control de flotas de robots para tareas agrícolas en invernaderos con soporte en la nube

Fernando Cañadas Aránega

La robótica cooperativa está evolucionando rápidamente, transformando los sistemas de producción y abriendo nuevas oportunidades en sectores como la agricultura. Esta tesis doctoral busca desarrollar una flota de robots cooperativos que optimicen tareas agrícolas, superando las limitaciones de los sistemas convencionales. La provincia de Almería, con su fuerte vinculación a la agricultura, representa un escenario ideal para implementar estas tecnologías dentro del marco de la llamada Robótica 4.0. 

El sistema propuesto se basa en comunicación en la nube, redes 5G y algoritmos avanzados de inteligencia artificial (AIoT). No obstante, la implementación en invernaderos presenta desafíos únicos, como la variabilidad del entorno y la necesidad de interacción segura con agricultores. Aprovechando la experiencia de proyectos previos (AGRICOBIOT I y II), se optimizará la navegación y autonomía de los robots, aumentando su capacidad de percepción y toma de decisiones.

El desarrollo incluirá algoritmos para predecir el movimiento humano y coordinar tareas en tiempo real, garantizando trayectorias seguras. La estandarización mediante normativas de seguridad como ANSI RIA R15.08 e ISO 10218 es clave para su integración en entornos agrícolas. Este avance permitirá robots más versátiles, capaces de asistir activamente a los agricultores y mejorar la eficiencia del sector.

Evaluación del confort térmico: impacto del género en los índices actuales

Marta Leal Rueda

Los índices comúnmente empleados para evaluar el confort térmico se basan en fórmulas predefinidas que no consideran características fisiológicas individuales como el género, la edad o el índice de masa corporal. Este estudio analiza cómo varía la percepción del confort térmico en función del género, destacando la necesidad de creación de nuevos índices más representativos. Para ello, se han realizado seis experimentos (tres en condiciones de invierno y tres en verano) con 18 participantes en los laboratorios del edificio bioclimático CIESOL. En cada experimento participaron tres hombres y tres mujeres. Durante el estudio, se monitorizaron variables climáticas y fisiológicas, y se llevaron a cabo encuestas de percepción térmica. Los resultados evidencian discrepancias entre la percepción térmica de los participantes y el índice de Voto Medio Previsto (PMV) calculado. Estas diferencias resaltan la necesidad de adaptar los modelos actuales para reflejar mejor la diversidad fisiológica de los ocupantes. Este estudio sienta las bases para el desarrollo de nuevos índices de confort térmico con perspectiva de género, lo que facilitaría la implementación de estrategias de control ambiental más precisas, optimizando tanto el bienestar de los usuarios como la eficiencia energética en los edificios.

Minimizando el coste de circuitos cuánticos comparadores

Laura María Salvador Donaire

Los comparadores cuánticos son componentes cruciales en la comunidad científica, ya que fundamentan una amplia variedad de algoritmos. En este estudio, proponemos un enfoque innovador que investiga el campo de los circuitos comparadores, centrándonos en tres diseños específicos descritos en la literatura. Es importante resaltar que estos circuitos utilizan puertas T, las cuales han generado un notable interés en el diseño de circuitos cuánticos por su capacidad para habilitar códigos de corrección de errores; sin embargo, estas puertas implican un elevado coste computacional. Una de las principales aportaciones de nuestro trabajo es la optimización de las puertas cuánticas que componen estos circuitos. Para ello, describimos los circuitos propuestos haciendo uso de puertas de la familia Clifford+T, lo que simplifica la implementación de códigos de corrección de errores. Además, reducimos el empleo de puertas T, lo que disminuye los costes computacionales y refuerza la robustez de los circuitos frente a errores y perturbaciones ambientales, siendo esencial para mitigar el impacto del ruido tanto interno como externo. Aplicamos un análisis ascendente de los circuitos comparadores: iniciamos con un estudio detallado de sus puertas y, luego, descomponemos sus funciones. Esto nos permite comprender el funcionamiento global y detectar oportunidades de optimización.

Modelado y reparto de recursos en sistemas agroindustriales mediante el uso de la metodología Energy Hub

Rubén Avelino González Morales

La metodología Energy Hub (EH) se utiliza cada vez más para optimizar la gestión de recursos en Sistemas Multi-Energía (MES). Este artículo analiza su aplicación para la resolución de problemas de reparto de recursos que buscan la minimización de los costes de operación en distintos entornos agroindustriales, demostrando su aplicabilidad a diversas instalaciones. Este trabajo presenta el progreso realizado en el segundo año de desarrollo de la tesis del autor. En primer lugar, se presenta un caso de estudio en una instalación agroindustrial basada en cultivo bajo invernadero. Se aplica la metodología EH para gestionar de manera eficiente la electricidad, el frío y el calor, y se ejemplifica mediante una simulación de tres días. En segundo lugar, se expone un caso de estudio en un contenedor transportable para cultivo vertical de lechuga, evaluando el reparto de recursos como la electricidad, el calor y el agua mediante dos simulaciones: un día soleado y un día nublado. Finalmente, se discuten trabajos futuros como la inclusión de los beneficios generados por el cultivo en el problema de optimización.

Uso de SLMs y RAFT para entornos virtuales de aprendizaje

Francisco José Rodríguez Montes

Durante el primer curso de mi tesis he realizado un estudio del arte sobre mi línea de investigación centrándome tanto en las tecnologías existentes como en las nuevas soluciones y líneas de investigación abiertas relacionadas con mi tesis. También realicé varios cursos sobre de inteligencia artificial generativa para familiarizarme con los términos y tecnologías que son de aplicación en mi investigación. A su vez, realicé un curso de técnico en ciberseguridad por el INCIBE, en el cual se profundiza en aspectos en ciberseguridad directamente aplicables a mi investigación. Además de esta actividad académica, realicé varias reuniones con los responsables de la empresa en la que actualmente desarrollo mi labor profesional con el objetivo de recabar posibles necesidades empresariales que pueden ser integradas y desarrolladas en mi tesis. Como fruto de estas reuniones y mediante la colaboración entre el director de ciberseguridad de la empresa y mis directores de tesis, hemos encontrado líneas de investigación de aplicación directa en el sector empresarial de ciberseguridad las cuales aportarán una mayor profundidad a mi investigación.

Durante mi actual segundo curso de doctorado, estoy desarrollando las líneas de investigación que han sido definidas por mis directores de tesis y como fruto de este trabajo he escrito un artículo sobre el uso de Modelos de Lenguaje Corto (SLM) con técnicas de Recuperación Aumentada y Ajuste de Modelos (RAFT) para la generación de ciber ejercicios de phishing. Este artículo ha sido enviado al 17th World Conference on Information Security Education (WISE) para su publicación en IFIP. Advances in Information and Communication Technology Series (Springer), actualmente en revisión.

Indexación y consulta de datos espacio-textuales en memoria

Raúl García-Muñoz

Con la creciente popularidad de los dispositivos m ́oviles equipados con GPS y el desarrollo de la tecnolog ́ıa de geoposicionamiento, los servicios basados en la ubicaci ́on est ́an atrayendo mucha atenci ́on, y por lo tanto las consultas de datos espacio-textuales est ́an volvi ́endose cada vez más importantes. Se denominan datos espacio-textuales a los datos espaciales, los cuales representan información sobre un objeto físico y su referencia mediante un sistema de coordenadas geográficas, y los datos textuales asociados a estos objetos. Los datos espacio-textuales tienen numerosas aplicaciones que requieren un procesamiento y gesti ón eficiente de cantidades masivas de este tipo de datos, por ejemplo, búsqueda web espacial, servicios de navegación móvil, etc. Las estructuras de  índice efectivas para datos geotextuales son la clave para el procesamiento eficiente de consultas espacio-textuales. El uso de  índices en memoria reduce los accesos a disco y mejora significativamente el rendimiento de la consulta. En este documento, diseñamos e implementamos  índices espacio-textuales en memoria (IR-tree y sus principales variantes) para las consultas espacio-textuales más comunes (estándar y grupales) para analizar y evaluar su rendimiento. Finalmente, realizamos experimentos extensos con conjuntos de datos del mundo real para demostrar la eficiencia de las estructuras de  índice en memoria propuestas y los algoritmos para las consultas espacio-textuales estudiadas.

Un modelo híbrido de recomendación para plataformas de trueque

Azahara Martínez Manzanares

Los sistemas de recomendación han transformado la interacción de los usuarios con plataformas digitales, como Netflix y Amazon, personalizando sugerencias en áreas como entretenimiento y comercio en línea. Sin embargo, en plataformas de trueque como Swappito (www.swappito.com), las recomendaciones enfrentan un desafío único, ya que deben considerar pares de intercambio entre usuarios, en lugar de las tradicionales relaciones usuario-producto. Este trabajo presenta una propuesta de recomendación por pares con un enfoque híbrido, combinando filtrado colaborativo mediante descomposición en valores singulares (SVD) y recomendaciones basadas en contenido, utilizando descripciones y categorías de los productos. A partir de la matriz de interacciones, SVD identifica patrones en las preferencias de los usuarios, mientras que el análisis de contenido complementa estas recomendaciones evaluando similitudes semánticas entre productos mediante técnicas como la frecuencia de término y frecuencia inversa en documentos. Ambos enfoques se combinan de forma ponderada para optimizar la relevancia de las sugerencias. Se evalúa el rendimiento verificando si los productos recomendados aparecen en la lista de artículos consultados. En futuras etapas, se explorarán técnicas avanzadas como BERT o análisis de imágenes para mejorar las recomendaciones.

Preliminary results of two-dimensional real-time computational fluid dynamics for Almería-type greenhouses temperature modelling

Zhang Chunhao

Abstract: 

The greenhouse horticulture sector increasingly uses visualization techniques to improve production monitoring and reflect the behavior and status of its production cycle in a virtual space, with a focus on achieving real-time monitoring and full coverage of the greenhouse landscape. This study investigates the thermal and ventilation behavior of the AgroConnect greenhouse located at the University of Almería. Computational fluid dynamics (CFD) methods were used to simulate the environmental distribution inside the greenhouse. The simulation took into account different variables and simplified them, such as the complex movement of motor-driven vents, ES-CFD Coupling instead of solid mesh heat transfer, etc. The acquired data were linked to MATLAB through Tui (Text User Interface) and Scheme commands, and adjustments similar to those of a real greenhouse were provided to adapt to real physical phenomena. The results concluded that the mean absolute error (MAE) of the two-dimensional extended CFD model was 0.8972 ºC and the relative error was 4.2%.

Estudio y determinación del grado de las lesiones cervicales en accidentes de tráfico y obtención de pronósticos de recuperación aplicando inteligencia artificial.

Francisco Javier Rosales Almansa

Se estima que cada año en torno de 20 a 50 millones de personas están sufriendo accidentes de tráfico según OMS (Organización Mundial de la Salud), ocasionando unos costes sanitarios que pueden alcanzar entre el 1 al 3% del PIB (Producto Interior Bruto) del país en el que se producen. Además, los costes derivados del tratamiento del dolor postraumático del sistema locomotor y la pérdida de producción suponen 29 billones de dólares en Estados Unidos y 10 billones de euros en Europa, considerando únicamente problemas de origen cervical (latigazo cervical). Diferentes estudios realizados concluyen que el 95% de las personas que sufren accidentes de tráfico padecen dolor cervical tras el mismo y que entre un 30% y 40% de ellas padecen lesión de cuello. Dada la magnitud de este tipo de lesiones y costes sanitarios que conllevan, se pretende como objetivo principal de este trabajo de investigación consistirá en el desarrollo e implementación un sistema para realizar el estudio de las lesiones cervicales producidas en accidentes de tráfico. Para ello será necesario un sistema de detección y de procesamiento de movimiento que estará compuesto de sensores tipo Unidades de Medida Inercial (IMU), una aplicación WEB, sistemas de comunicación que implementen protocolos de seguridad, sistemas informáticos con alta capacidad de cómputo y sistema de almacenamiento de información, que denominaremos SDAC (Sistema Detector de Anomalías Cervicales). El sistema proporcionar una valoración biomecánica, obtenida de la cinemática del cuello a partir del estudio del movimiento y desplazamiento de este. Además, la información obtenida de las unidades IMU será usada para la realización de estimaciones y predicciones de tiempos de recuperación aplicando Inteligencia Artificial (IA).

Aplicación de Técnicas Deep Learning a la Predicción Anticipada de Ingresos en la UCI de Pacientes en Urgencias y Hospitalizacion 

Juan Carlos Castillo Parra

El trabajo mencionado en el título tiene por objetivo el desarrollo y diseño de una aplicación que, empleando técnicas de Deep Learning, sea capaz de reconocer con una tasa de aciertos superior al 95% los pacientes que tienen más riesgo de necesitar ingreso en la UCI por empeoramiento de su estado clínico. Los pacientes objeto de análisis de dicha herramienta serán los que permanecen ingresados en hospitalización y el área de observación de urgencias. Para ello se analizarán tres tipos de variables: Antecedentes, Estado clínico y Parámetros analíticos

Sintonización de Controladores de Rechazo Activo de Perturbaciones mediante Optimización Multiobjetivo

Jose Jorge Carreño Zagarra

RESUMEN:

Este documento presenta los avances de la investigación doctoral en 2023/2024, centrada en el Control Activo de Rechazo de Perturbaciones (ADRC) para sistemas de segundo orden con incertidumbres. Se desarrolló un Observador Integral Proporcional Generalizado (GPI) de orden reducido para estimar perturbaciones variables en el tiempo, optimizando su implementación. Estos resultados fueron publicados en mayo de 2024 en IEEE Access. Asimismo, se diseñó un controlador ADRC optimizado para regular el pH en un fotobiorreactor tipo Raceway, considerando incertidumbre paramétrica y restricciones del actuador. Se resolvió un problema de optimización multiobjetivo con diferentes valores de sensibilidad máxima, logrando un desempeño satisfactorio en el reactor industrial. Actualmente, estos resultados están en revisión para su publicación en una revista de alto impacto. Además, se trabaja en la formulación de reglas de sintonización de ADRC para distintos procesos dinámicos. Se busca optimizar la robustez y respuesta del controlador ADRC mediante técnicas de optimización multiobjetivo y análisis de sensibilidad. Se evalúan casos con restricciones en los actuadores y modelos no lineales para validar su aplicabilidad en sistemas reales. Estos avances contribuirán al desarrollo de técnicas de control más eficientes para diversas aplicaciones industriales.

Semantic Segmentation of Water Bodies in the Beijing-Tianjin-Hebei Region Based on GF-1 and Sentinel-2 Satellites with DeepLabV3+

Qingyu Xue

Abstract  

In the identification of water bodies in remote sensing, when traditional methods extract the water body range of key reservoirs in the Beijing-Tianjin-Hebei region through the Normalized Difference Water Index (NDWI), continuous manual interaction for adjusting the threshold is needed, and automation cannot be achieved. To solve this problem, based on multi-source remote sensing satellite data from GF-1 and Sentinel-2 in this study, a training model was constructed using the DeepLabV3+ framework to realize the automatic identification of water bodies in key reservoirs in the Beijing-Tianjin-Hebei region. Additionally, a web-based operational system was developed to achieve the automatic processing and visualization of water body identification results, and thematic maps of water body identification were released regularly on a monthly basis. The verification results indicate that the water body identification accuracy (ACC) of the model reaches 0.984, and the mean intersection over union (mIoU) is 0.934. The model's precision meets the requirements of operational applications. This model can extract water body information of reservoirs efficiently and accurately, providing reliable technical support for water resource management and environmental protection of key reservoirs in the Beijing-Tianjin-Hebei region.

Estrategia de control adaptativo por modelo de referencia para la regulación del pH en reactores raceway

Malena Caparroz

Resumen: 

El control de fotobiorreactores tipo raceway para la producción de microalgas es un desafío complejo debido a su dinámica no lineal, la variabilidad de las condiciones y la interacción entre múltiples variables. En este contexto, se ha desarrollado y evaluado una estrategia híbrida de control adaptativo por modelo de referencia (MRAC) para la regulación del pH mediante la inyección de CO₂. Este enfoque combina un esquema clásico de MRAC con un controlador PI (Proporcional – Integral), buscando mejorar el rechazo a las continuas perturbaciones y la capacidad de adaptación del sistema.

El desempeño del controlador híbrido fue analizado tanto haciendo uso de un simulador basado en primeros principios como mediante pruebas experimentales realizadas en un reactor raceway ubicado en el centro IFAPA, junto a la Universidad de Almería. Los resultados demostraron que el MRAC supera significativamente a los controladores convencionales en términos de regulación del pH y adaptación a condiciones cambiantes. Durante pruebas de operación continua en instalaciones reales durante doce días en dos periodos distintos, el MRAC mantuvo el pH dentro del rango deseado. Estos hallazgos refuerzan la importancia de estrategias de control avanzadas y adaptativas para el control de las principales variables que influyen en la productividad del proceso.

Estudio de Nuevos Modelos de Inferencia de Información en Ecosistemas IoT Multidependientes

Gabriel Andrés Venegas Mancilla

Resumen: 

Este artículo presenta una propuesta de investigación orientada al desarrollo de modelos de inferencia de información en ecosistemas IoT multidependientes. Se centra en el aprovechamiento de las especificaciones de la Web de las Cosas (WoT) del W3C para integrar información de usuario, dispositivos y datos históricos. Se introduce un modelo de tres niveles de ecosistema que facilita la interoperabilidad, descubrimiento y recomendación de servicios en entornos ciberfísicos, aprovechando técnicas de computación Edge para mejorar la eficiencia y tiempos de respuesta.

Estrategias de control híbrido y optimización para biorrefinerías de microalgas basadas en técnicas de aprendizaje automático.

José González Hernández

En los últimos años, las microalgas han despertado un interés creciente debido a su potencial para afrontar desafíos ambientales y alimentarios. Estos organismos unicelulares tienen una notable capacidad de proliferación y adaptación a diversos entornos, lo que los convierte en una alternativa sustentable para múltiples aplicaciones, como el tratamiento de aguas residuales.

A pesar de sus beneficios, la producción a gran escala se realiza principalmente en fotobiorreactores abiertos de tipo raceway, que, si bien ofrecen una elevada productividad por unidad de superficie, también presentan limitaciones como la susceptibilidad a la contaminación y la dependencia de factores ambientales, además de la complejidad derivada de un modelo altamente no lineal y dinámicamente variable.

Para mitigar estos desafíos, esta investigación desarrolla herramientas destinadas a optimizar el cultivo de microalgas. Los trabajo más recientes se centran en una técnica para detectar contaminación cruzada en los cultivos mediante redes neuronales convolucionales y análisis espectral en el rango de luz visible. Asimismo, se ha iniciado la implementación del algoritmo pqEDMD para obtener un modelo basado en datos de los reactores, con rápida convergencia y comparaciones con otros métodos aplicados al mismo sistema.

Contribuciones a la optimización de aplicaciones solares térmicas: desalación y refrigeración combinada en CSP

Juan Miguel Serrano Rodríguez

Esta tesis se enfoca en contribuciones a aplicaciones de la energía solar térmica, en concreto a la tecnología de destilación multi-efecto (MED) acoplada a sistemas solares térmicos, y a sistemas solares de concentración para producción de electricidad (CSP). La primera aplicación se orienta hacia usos de desalación, mientras que la segunda atañe a la integración de un sistema de refrigeración combinada (CC) en CSP como una solución potencial a la cuestión de la gestión del agua de estos. La viabilidad de estas dos aplicaciones depende en gran medida de una gestión inteligente de los recursos y para lograrlo, es necesaria la implementación práctica de estrategias de optimización.

En este trabajo se presenta el progreso realizado durante el último año en el ámbito de la optimización de la operación de ambos sistemas. Para el sistema MED-solar una estrategia de operación óptima basada en tres capas: planificación, operación y control, con especial énfasis en la primera donde se modela y evalúa el sistema como un problema de programación no lineal con variables binarias (MINLP) y resuelve mediante la resolución de n problemas NLP en un horizonte de predicción móvil. Para el sistema CSP-CC se presentan resultados en la optimización de la operación de sus componentes individuales (como problemas NLP estáticos) así como del sistema completo con gestión en el uso del agua (NLP con horizonte en retroceso).

Predicting Heart Attacks Through Auditory Analysis of Heart Rhythm Using IOT

Fellah Haouari

In this research The IoT devices embedded in the patients that are utilised to gather the necessary data from the patients. We build classification model using deep learning model to do chest sounds and heart murmur recognition. 

High-Fidelity Audio Sensors : The wearable device is equipped with Micro-Electro-Mechanical Systems (MEMS) microphones that capture heart sounds with high precision.

Signal Processing Module : This module preprocesses the captured audio signals, filtering out noise and extracting relevant features using techniques such as Mel-frequency cepstral coefficients (MFCCs).

Deep Learning Engine : A suite of deep learning algorithms, including convolutional neural networks (CNNs), trained to recognize patterns in heart sounds indicative of an impending heart attack.

On-device Processing Unit : A compact and energy-efficient processing unit that performs real-time analysis of heart sound data, minimizing latency and ensuring timely alerts.

User Interface : A user-friendly interface that provides real-time feedback, alerts, and data visualization. It can connect to smartphones or other devices for extended functionalities.

From heart sound signal we extract MFCCs as a features. To classify these features we used SVM,and DNN as classifiers. For performance evaluation of features using these classifiers, we carried out our experiment and evaluated the averaged F1 score and accuracy for all of the three features (MFCCs) using the two classifies (SVM, DNN). In MFCC algorithm, using Hamming window an audio signal is reshaped to smaller windows hence splitting of signal to frames is done. Using Fast Fourier Transform, spectrum is computed for each frame, using filter bank each spectrum is being weighted. Finally using Logarithm and Discrete Cosine Transform, the MFCC vector is computed.

Advanced IoT Solutions for Real-Time Crowd Monitoring and Emergency Alerts in Educational Campus in Smart Cities

Ahmed Alyasiri

Abstract :

This research presents an advanced IoT-based framework for real-time crowd monitoring and emergency alerts in educational institutions, utilizing IoT-enabled cameras and deep learning technologies. The system employs cameras equipped with IoT capabilities to capture real-time video feeds, which are processed using deep learning models for crowd density estimation, behavior analysis, and anomaly detection.

These models enable the identification of potential emergencies, such as overcrowding, fires, or medical incidents, and trigger instant emergency alerts to campus authorities. The integration of edge computing ensures low-latency processing, while cloud-based analytics provide scalability and real-time insights. Field trials conducted in educational campuses demonstrate the system’s effectiveness in improving response times and enhancing safety. By combining IoT-enabled cameras, deep learning, and emergency management, this research offers a scalable and efficient solution for real-time crowd monitoring, with potential applications in other crowded environments within smart cities. The outcomes aim to significantly improve the safety and well-being of students, staff, and faculty while advancing the field of IoT-based safety systems.

Optimización de la calidad del video comprimido mediante super-resolución basada en deep learning

Kebir Abdeldjalil

Resumen: 

El rápido crecimiento de los datos de video, especialmente con la aparición de formatos de alta resolución como HDR, HFR y UHD (4K y 8K), requiere soluciones de codificación de video altamente eficientes para mantener una calidad visual óptima en las redes de distribución. Aunque los códecs modernos como H.264 (MPEG4), H.265 (HEVC) y H.266 (VVC) logran una alta eficiencia de compresión, a menudo introducen artefactos perceptibles, especialmente a tasas de bits bajas. Las técnicas de superresolución basadas en deep learning ofrecen un enfoque prometedor para mitigar estos artefactos y mejorar la calidad del video. En este estudio, exploramos el potencial de la super-resolución basada en deep learning para mejorar la calidad de los videos comprimidos. Llevamos a cabo una comparación detallada de los códecs HEVC, VVC y MPEG4 codificando seis secuencias de video con características espaciales y temporales variadas (SI y TI) a resoluciones de 4 CIF y 1 CIF, utilizando las plataformas HM (HEVC), JEM (VVC) y JM (MPEG4). Cada video se codificó con cuatro valores de QP diferentes (22, 27, 32, 37) en modo Low Delay P. La evaluación del rendimiento se basó en métricas como PSNR, tasa de bits y tiempo de codificación, con un análisis comparativo utilizando los cálculos de Bjøntegaard Delta (Δ-BD). Después de comparar los códecs, aplicamos modelos de deep learning, como SRCNN y ARCNN, a los videos comprimidos para la super-resolución. El objetivo es evaluar el potencial de la super-resolución basada en deep learning como un paso de postprocesamiento para mejorar la calidad de los videos comprimidos mientras se mantiene una compresión eficiente, logrando un equilibrio entre la eficiencia de compresión y la alta calidad visual.

IMPACTO DE LA PÉRDIDA DE PAQUETES EN LA CALIDAD DE LOS VIDEOS HEVC EN REDES AD-HOC

Khalfa Sara

Resumen: 

La transmisión de vídeos comprimidos con el códec HEVC en redes inalámbricas se ve fuertemente afectada por la pérdida de paquetes, un fenómeno común en entornos inestables como las redes ad-hoc. Debido a las dependencias entre tramas, la pérdida de un solo paquete puede causar degradaciones visuales significativas que se propagan a lo largo de varias tramas. Estos artefactos incluyen desenfoque, congelamiento de bloques, pixelación y pérdida de detalles, lo que deteriora la experiencia del usuario, especialmente en videos con alta complejidad espacial. En este trabajo, analizamos el impacto de la pérdida de paquetes en la calidad de los vídeos HEVC transmitidos a través de una red ad-hoc inalámbrica, simulando tasas de pérdida de paquetes del 1 % y 3 %. La calidad de los videos degradados se evaluó utilizando la métrica Peak Signal to Noise Ratio (PSNR), con el fin de cuantificar con precisión la degradación visual provocada por las pérdidas. Estas limitaciones son especialmente críticas para aplicaciones como la telemedicina, donde la calidad del video influye directamente en la precisión del diagnóstico, y el uso de drones y robots autónomos para explorar zonas siniestradas o peligrosas con un retorno de vídeo en tiempo real que permite guiar las operaciones. En esta perspectiva, este trabajo forma parte de un esfuerzo para desarrollar una solución de post procesamiento basada en aprendizaje profundo para mejorar la calidad de los videos degradados por la pérdida de paquetes. El objetivo es restaurar los detalles perdidos y reducir los artefactos visuales sin aumentar la tasa de bits, para ofrecer una mejor experiencia del usuario incluso en condiciones de transmisión difíciles.

Post-Quantum Cryptography for Wireless Sensor Network Using Key Agreement Super Singular on Hyperelliptic Curve

Mohamad Al-Samhouri

The intersection of security and sustainability within wireless sensor networks (WSNs) underscores pivotal factors such as energy efficiency, resource optimization, energy waste reduction, and the sustained integrity of network infrastructure. This interplay ensures that deployments are not just efficient but also ecologically sound. WSNs comprise autonomously dispersed sensors linked to battery-powered devices, facilitating wireless data transmission. The optimization of WSNs through Fog and Edge Computing signifies a paradigm shift, diminishing reliance on central cloud servers. This adaptive strategy enhances WSN efficiency across diverse environmental conditions by streamlining data transmission to centralized cloud servers. In cryptographic systems, conventional approaches reliant on mathematical algorithms to secure communication channels encounter vulnerabilities. Quantum cryptography presents a more robust alternative to conventional methods, while post-quantum cryptography (PQC) employs algorithms resilient to both traditional and quantum threats. This chapter introduces a novel approach for mutual authentication and generating session keys in communications between WSN nodes. We use Super singular Hyperelliptic Curve Cryptography (HECC) with a small size by exchange key Diffie-Hellman (DH) to improve security in IoT and WSN. This method provides a promising mix of quantum resistance and integration into conventional approaches.

Assessing the Performance of AI in Diagnosing Skin Diseases Using Dermatological Images

Guermat Chahinez Samira

Skin diseases are a signi cant global health concern, a ecting millions of people across the world. The accurate and timely diagnosis of these conditions is crucial for e ective treatment and management. Arti cial intelligence (AI) has emerged as a promising tool for enhancing the diagnostic process in dermatology. Dermatological images, such as clinical photographs, dermatoscopic images, and histopathological slides, contain valuable information for diagnosing skin diseases. This doctoral thesis aims to assess the performance of AI in diagnosing skin diseases using dermatological images, with a focus on evaluating AI models, exploring their potential limitations, and suggesting improvements.