In this paper a combination of interval type-3 fuzzy logic and the fractal dimension (FD) is employed for arrhythmia classification. FD is utilized to characterize the geometrical properties in the electrocardiogram (ECG) of a patient. The fractal dimension is a good representative of an ECG signal, as is able to model its complexity. A type-3 fuzzy system is used to convey the knowledge in image classification. Type-3 helps in capturing the uncertainty in medical classification. A new technique is introduced for arrhythmia classification using the FD. Results with the MIT dataset show the effectiveness of the proposal. In addition, type-3 results were shown to be statistically better than the ones obtained by type-2 and type-1. A limitation of this study is that arrhythmia classification is performed in an offline fashion, meaning that information of patients is contained in a dataset and we process the information in the computer, which is not real-world scenario in this case. Future work could be to optimize parameters for enhancing even further the performance. Also, a hardware implementation would help in making this approach closer to the real persons, as arrhythmias could be classified in a quicker fashion. Spanish-language metadata / Metadatos en españolTítulo en español:Enfoque difuso-fractal de intervalo tipo 3 para la clasificación de arritmias Resumen:En este artículo se emplea una combinación de lógica difusa de intervalo tipo 3 y dimensión fractal (FD) para la clasificación de arritmias. La FD se utiliza para caracterizar las propiedades geométricas del electrocardiograma (ECG) de un paciente. La dimensión fractal constituye una buena representación de una señal ECG, ya que permite modelar su complejidad. Se utiliza un sistema difuso tipo 3 para incorporar el conocimiento en la clasificación de imágenes. El tipo 3 contribuye a capturar la incertidumbre presente en la clasificación médica. Se introduce una nueva técnica para la clasificación de arritmias mediante la FD. Los resultados obtenidos con el conjunto de datos MIT muestran la efectividad de la propuesta. Además, se demostró estadísticamente que los resultados obtenidos con el tipo 3 fueron mejores que los correspondientes a los tipos 2 y 1. Una limitación de este estudio es que la clasificación de arritmias se realiza offline; es decir, la información de los pacientes se encuentra contenida en un conjunto de datos y se procesa mediante un ordenador, lo que, en este caso, no representa un escenario del mundo real. Como trabajo futuro, podrían optimizarse los parámetros para mejorar aún más el rendimiento. Asimismo, una implementación en hardware contribuiría a aproximar este enfoque a su aplicación en personas reales, ya que las arritmias podrían clasificarse con mayor rapidez. Palabras Claves:Lógica difusa, Arritmia, Sistemas de inferencia difusa Smart citations: SCITEAI. Dimensions.Open Alex.
This article examines injury patterns among Generation Z padel players through a complex systems lens. It argues that injuries are not isolated accidents but disruptions in the body's biomechanical homeostasis caused by explosive movements and rigid equipment (e.g., carbon fiber rackets). The researchers propose a "Physical Shielding" (Blindaje Físico) model, a preventive approach focused on restoring "tensegrity" and enhancing the body's resilience to mechanical stress. A key finding is the significance of prodromal states—subtle warning signs like minor inflammation that are often ignored by young athletes in favor of performance. The study reveals gender-specific patterns: men are more prone to shoulder issues, while women experience higher rates of tennis elbow (epicondylitis). Ultimately, the study advocates for a shift from traditional fitness goals to a holistic "pre-habilitation" strategy that integrates ergonomic adjustments, eccentric training, and biological self-awareness. Spanish-language metadata / Metadatos en españolTítulo en español:Enfoque sistémico de la fenomenología de las lesiones en el pádel de la Generación Z: interrelaciones biomecánicas y blindaje físico Resumen:Este artículo examina los patrones de lesión entre jugadores de pádel de la Generación Z desde la perspectiva de los sistemas complejos. Sostiene que las lesiones no constituyen accidentes aislados, sino alteraciones de la homeostasis biomecánica del cuerpo provocadas por movimientos explosivos y equipamiento rígido, como las palas de fibra de carbono. Los investigadores proponen un modelo de «Blindaje Físico», un enfoque preventivo centrado en restaurar la «tensegridad» y aumentar la capacidad del cuerpo para resistir el estrés mecánico. Un hallazgo clave es la importancia de los estados prodrómicos, es decir, señales de advertencia sutiles, como inflamaciones leves, que los atletas jóvenes suelen ignorar en favor del rendimiento. El estudio revela patrones específicos según el sexo: los hombres presentan una mayor predisposición a problemas en el hombro, mientras que las mujeres muestran tasas más elevadas de codo de tenista (epicondilitis). En última instancia, el estudio aboga por sustituir los objetivos tradicionales de acondicionamiento físico por una estrategia holística de «prehabilitación» que integre ajustes ergonómicos, entrenamiento excéntrico y autoconciencia biológica. Palabras Claves:enfoque sistémico, blindaje físico, fenomenología de las lesiones, Generación Z, estados prodrómicos Smart citations: SciteAI. Dimensions.Open Alex.
This study investigates the role of reduct-based attribute subsets (derived from rough set theory) with respect to supervised classification performance. Considering twenty-one datasets, two representations were assessed: minimum-length reducts containing the smallest attribute sets to retain consistency, and maximum-length reducts comprising the largest irredundant subsets. A Friedman–Nemenyi test was used to assess eleven classifiers with five quality measures. For the majority of classifiers, both types of reducts systematically degrade the predictive performance when compared with using all attributes. JRIP, Logistic Regression, and MLP are consistent and have the same performance except for PRC area, where maximum-length reducts reduce performance. For SMO, minimum-length reducts perform better than maximum-length reducts. These observations show that the efficacy of reduct-based feature selection largely depends on the characteristics of classifiers; it can provide significant dimensionality reduction without loss of accuracy for some models. Spanish-language metadata / Metadatos en españolTítulo en español:¿Importa el tamaño? La influencia del tamaño del reducto en el rendimiento de los clasificadores supervisados Resumen:Este estudio investiga el papel de los subconjuntos de atributos basados en reductos, derivados de la teoría de conjuntos aproximados (rough set theory), en relación con el rendimiento de la clasificación supervisada. Considerando veintiún conjuntos de datos, se evaluaron dos representaciones: reductos de longitud mínima, que contienen los conjuntos de atributos más pequeños necesarios para conservar la consistencia, y reductos de longitud máxima, que comprenden los subconjuntos irredundantes de mayor tamaño. Se utilizó una prueba de Friedman–Nemenyi para evaluar once clasificadores mediante cinco medidas de calidad. Para la mayoría de los clasificadores, ambos tipos de reductos reducen sistemáticamente el rendimiento predictivo en comparación con el uso de todos los atributos. JRIP, Regresión Logística y MLP presentan un comportamiento consistente y muestran el mismo rendimiento, excepto en el área PRC, donde los reductos de longitud máxima reducen el rendimiento. En el caso de SMO, los reductos de longitud mínima presentan un mejor rendimiento que los reductos de longitud máxima. Estas observaciones muestran que la eficacia de la selección de características basada en reductos depende en gran medida de las características de los clasificadores; para algunos modelos, puede proporcionar una reducción significativa de la dimensionalidad sin pérdida de exactitud. Palabras Claves:reducción de dimensionalidad, reducto, clasificadores, longitud del reducto Smart citations: SciteAI. Dimensions.Open Alex.
Indigenous languages continue to experience significant technological marginalisation due to limited digital corpora, orthographic inconsistency, dialectal variation, morphological complexity, and insufficient representation in contemporary natural language processing systems. This study introduces RAÍZ, a hybrid machine translation architecture designed for low-resource Indigenous languages. The proposed framework combines Transformer-based multilingual modelling with linguistically informed components, including phonetic normalisation, morphological segmentation, semantic contextualisation, lexical retrieval mechanisms, and community-centred validation procedures involving native speakers. The architecture was evaluated using Spanish–Nahuatl and Spanish–Mazahua translation tasks through a mixed evaluation strategy integrating BLEU, chrF, and COMET metrics alongside qualitative assessment focused on clarity, naturalness, semantic fidelity, and cultural appropriateness. Experimental results indicate that RAÍZ achieved 28.6 BLEU, 56.8 chrF, and 74% COMET in the Spanish–Nahuatl task, while obtaining 27.4 BLEU, 54.9 chrF, and 71% COMET for Spanish–Mazahua translation. The findings suggest that hybrid and linguistically grounded approaches can improve translation robustness in low-resource settings while supporting culturally sensitive language technologies. The study further highlights the importance of combining neural architectures with community participation and explicit linguistic knowledge in the development of more inclusive machine translation systems for Indigenous languages. Spanish-language metadata / Metadatos en españolTítulo en español:RAÍZ: Una arquitectura híbrida basada en conocimiento lingüístico y aprendizaje profundo para la traducción automática de lenguas indígenas con pocos recursos Resumen:Las lenguas indígenas continúan experimentando una importante marginación tecnológica debido a la disponibilidad limitada de corpus digitales, la inconsistencia ortográfica, la variación dialectal, la complejidad morfológica y su insuficiente representación en los sistemas contemporáneos de procesamiento del lenguaje natural. Este estudio presenta RAÍZ, una arquitectura híbrida de traducción automática diseñada para lenguas indígenas con pocos recursos. El marco propuesto combina modelado multilingüe basado en Transformers con componentes fundamentados en conocimiento lingüístico, entre ellos la normalización fonética, la segmentación morfológica, la contextualización semántica, mecanismos de recuperación léxica y procedimientos de validación centrados en la comunidad con participación de hablantes nativos. La arquitectura se evaluó mediante tareas de traducción español–náhuatl y español–mazahua, utilizando una estrategia de evaluación mixta que integró las métricas BLEU, chrF y COMET con una evaluación cualitativa centrada en la claridad, naturalidad, fidelidad semántica y adecuación cultural. Los resultados experimentales indican que RAÍZ alcanzó 28,6 BLEU, 56,8 chrF y 74 % COMET en la tarea español–náhuatl, mientras que para la traducción español–mazahua obtuvo 27,4 BLEU, 54,9 chrF y 71 % COMET. Los hallazgos sugieren que los enfoques híbridos con fundamento lingüístico pueden mejorar la robustez de la traducción en contextos de bajos recursos y, al mismo tiempo, favorecer el desarrollo de tecnologías lingüísticas culturalmente sensibles. El estudio también destaca la importancia de combinar arquitecturas neuronales con la participación comunitaria y el conocimiento lingüístico explícito para desarrollar sistemas de traducción automática más inclusivos destinados a las lenguas indígenas. Palabras Claves:traducción de lenguas indígenas, PLN de bajos recursos, arquitectura neuronal híbrida, Transformers multilingües, preprocesamiento lingüístico, validación basada en la comunidad, inteligencia artificial con fundamento cultural Smart citations: SciteAI. Dimensions.Open Alex.
This study develops a comparative benchmark for software effort estimation using the benchmark suite implemented in Python and the result package generated by that suite. Eleven regressors were compared under a leakage-safe protocol on a COCOMO-like dataset of 62 projects and 20 numeric predictors, with 49 projects reserved for model development and 13 for final hold-out testing. The evaluated methods were a three-hidden-layer deep neural network, CatBoost, XGBoost, stacked ensemble regression, random forest, support vector regression with radial basis kernel, Gaussian process regression, LightGBM, an optimized M5P model tree, gradient boosting, and AdaBoost. Model quality was judged through repeated 5×2 cross-validation on the training partition and through an independent hold-out test set, using MAE, RMSE, R², MMRE, MdMRE, and PRED(25). The repeated-CV ranking identified Gaussian process regression as the most accurate and stable model, with mean rank = 1.0000, RMSE = 0.2152, R² = 0.8998, and PRED(25) = 0.9289. The same model also dominated the hold-out evaluation, achieving MAE = 0.1444, RMSE = 0.1835, R² = 0.9084, MMRE = 0.0850, MdMRE = 0.0634, and PRED(25) = 0.9231. The overall order of precision from repeated cross-validation was: Gaussian process regression, optimized model tree (M5P), stacked ensemble regressor, gradient boosting regressor, XGBoost regressor, random forest regressor, CatBoost regressor, AdaBoost regressor, support vector regression, deep neural network, and LightGBM regressor. Permutation importance of the best model showed KDSI, ACAP, PCAP, RELY, and AAF as the most influential predictors. The evidence indicates that, for the present small-sample COCOMO-like setting, kernel-based and piecewise linear/tree-based methods outperform the deeper neural alternative. Spanish-language metadata / Metadatos en españolTítulo en español:Benchmark comparativo de once modelos de regresión para la estimación del esfuerzo de software en un conjunto de datos similar a COCOMO Resumen:Este estudio desarrolla un benchmark comparativo para la estimación del esfuerzo de software utilizando la batería de evaluación implementada en Python y el paquete de resultados generado por dicha batería. Se compararon once regresores mediante un protocolo diseñado para evitar fugas de información (data leakage) sobre un conjunto de datos similar a COCOMO compuesto por 62 proyectos y 20 predictores numéricos, de los cuales 49 proyectos se reservaron para el desarrollo de los modelos y 13 para la prueba final con un conjunto hold-out. Los métodos evaluados fueron una red neuronal profunda con tres capas ocultas, CatBoost, XGBoost, regresión mediante un ensamble apilado (stacked ensemble), bosque aleatorio, regresión de vectores de soporte con kernel de base radial, regresión mediante procesos gaussianos, LightGBM, un árbol de modelos M5P optimizado, gradient boosting y AdaBoost. La calidad de los modelos se evaluó mediante validación cruzada repetida 5×2 sobre la partición de entrenamiento y mediante un conjunto independiente de prueba hold-out, utilizando MAE, RMSE, R², MMRE, MdMRE y PRED(25). La clasificación obtenida mediante validación cruzada repetida identificó la regresión mediante procesos gaussianos como el modelo más preciso y estable, con un rango medio = 1,0000, RMSE = 0,2152, R² = 0,8998 y PRED(25) = 0,9289. El mismo modelo también dominó la evaluación hold-out, alcanzando MAE = 0,1444, RMSE = 0,1835, R² = 0,9084, MMRE = 0,0850, MdMRE = 0,0634 y PRED(25) = 0,9231. El orden global de precisión obtenido mediante validación cruzada repetida fue el siguiente: regresión mediante procesos gaussianos, árbol de modelos optimizado (M5P), regresor de ensamble apilado, regresor de gradient boosting, regresor XGBoost, regresor de bosque aleatorio, regresor CatBoost, regresor AdaBoost, regresión de vectores de soporte, red neuronal profunda y regresor LightGBM. El análisis de importancia por permutación del mejor modelo mostró que KDSI, ACAP, PCAP, RELY y AAF fueron los predictores más influyentes. La evidencia indica que, para el presente escenario de tamaño muestral reducido y similar a COCOMO, los métodos basados en kernels y los enfoques lineales por tramos o basados en árboles superan a la alternativa neuronal más profunda. Palabras Claves:estimación del esfuerzo de software, estimación del coste de software, regresión mediante procesos gaussianos, árbol de modelos, stacking, benchmark, MMRE, PRED(25), conjunto de datos similar a COCOMO, clasificación de regresores Smart citations: SciteAI. Dimensions.Open Alex.
