Investigaciones recientes:
Este conjunto de trabajos impulsa la neuroingeniería y la IA wearable al integrar aprendizaje automático con señales neurofisiológicas para modelar, predecir y mejorar funciones cognitivas y comunicativas. El autor combina datos EEG, arquitecturas neuronales avanzadas y selección de características rigurosa para: (1) caracterizar diferencias individuales en la memoria de trabajo visual a través de patrones espectrales de EEG y análisis espaciotemporal, posibilitando la personalización de tareas y potencial neurofeedback vía interfaces cerebro-computador; (2) mejorar el rendimiento de BCIs basadas en ERP mediante un Post-Recurrent Module que mejora la precisión de decisiones y la interpretabilidad del modelo; (3) evaluar el impacto de restricciones de dispositivos móviles en IA para reconocimiento de emociones, identificando elecciones arquitectónicas que equilibran precisión y eficiencia computacional. Un enfoque complementario busca la detección de P300 seleccionando neuronas informativas en redes recurrentes para formar un ensamble de post-validación, aumentando la detección de la estructura temporal a nivel de muestra y permitiendo monitoreo en tiempo real. En conjunto, la investigación aporta avances metodológicos en procesamiento de señales, diseño de arquitecturas ML y consideraciones prácticas para aplicaciones de neurotecnología en rehabilitación, interacción humano-máquina y sensores móviles; con implicaciones para neurofeedback personalizado, BCIs robustos y herramientas de IA móviles accesibles.
Temas Clave:

• Artificial Intelligence, Machine Learning & Data Science
• Biomedical Engineering, Rehabilitation, Prosthetics & Neurotechnology
• Sensors, Instrumentation & Measurement Systems