https://hdl.handle.net/20.500.12008/28 Mon, 18 May 2026 08:35:38 GMT 2026-05-18T08:35:38Z https://hdl.handle.net/20.500.12008/55022 Título: BleTree : Protocolo para extender la cobertura de BLE en redes de sensores con aplicación al monitoreo de calidad del aire Autor: Díaz, Leandro Resumen: Esta tesis comienza con la implementación de redes Bluetooth Low Energy (BLE) y BLE Mesh para el desarrollo de un sistema para el monitoreo de la calidad del aire en ambientes interiores mediante la medición de concentraciones de CO2, temperatura y humedad. Esta aplicación se llevó a cabo en el marco de un proyecto interdisciplinario enfocado en el estudio de dichas variables en centros educativos. Para ello, se desplegaron tres redes IoT capaces de realizar mediciones de estas variables: una red destinada a evaluar el nivel de CO2 en distintos puntos de un salón, y dos redes, una en cada escuela, para medir el CO2 en todos los salones. El sistema implementado emplea dos protocolos de comunicación distintos según el tipo de aplicación. Para el análisis del CO2 en diferentes puntos de un mismo salón se utilizó el protocolo BLE, debido a su simplicidad y alcance suficiente. En cambio, para la medición en todos los salones de dos escuelas se empleó BLE Mesh, dado su mayor alcance y capacidad de cubrir áreas extensas. El hardware se basó en el microcontrolador nRF52840, alimentado por tres pilas AA, e integró sensores de bajo consumo para las variables mencionadas. Se fabricaron 65 dispositivos con un costo unitario aproximado de 57 dólares. El firmware fue desarrollado utilizando nRF Connect SDK y Zephyr. Los datos recolectados se almacenan en una Raspberry Pi, que actúa como nodo base y servidor web, utilizando el framework Flask, permitiendo la visualización en tiempo real de las condiciones ambientales. Se instalaron tablets conectadas al servidor web para visualizar los niveles de CO2 y permitir la toma de decisiones sobre ventilación en tiempo real. Durante la implementación de estas redes se identificaron diversas limitaciones, lo que motivó la exploración y el desarrollo de un protocolo de bajo consumo denominado BLETree. Este protocolo, basado en la tecnología BLE, está orientado a extender su cobertura para aplicaciones IoT manteniendo un bajo consumo energético y una estructura escalable. Este protocolo surge como respuesta a las limitaciones observadas en implementaciones previas de redes IoT basadas en BLE y BLE Mesh, donde la primera presenta un alcance restringido debido a su topología en estrella, mientras que la segunda implica un consumo elevado al requerir nodos repetidores con sus radios permanentemente activas. La propuesta combina las ventajas de ambas tecnologías mediante una arquitectura en árbol que permite operar todos los nodos con alimentación a baterías, facilitando su uso en entornos con disponibilidad energética limitada. El protocolo fue desarrollado también sobre nRF Connect SDK y Zephyr, empleando una estructura modular organizada en capas funcionales de conexión, descubrimiento, enrutamiento y transporte. La formación del árbol se basa en los conceptos de multirrol y multilink, permitiendo que cada nodo actúe simultáneamente como central y periférico. Esta característica posibilita la creación dinámica de una red jerárquica en la que los nodos se conectan según criterios de distancia, números de saltos, calidad de enlace (RSSI) y número de conexiones activas. El proceso de establecimiento y mantenimiento de la topología fue diseñado para minimizar el tiempo de radio activa, reduciendo significativamente el consumo energético. Comparando las tres implementaciones, BLE, BLE Mesh y BLETree, los resultados experimentales muestran que BLETree alcanza una cobertura significativamente mayor que BLE, manteniendo un consumo energético del mismo orden de magnitud. El consumo promedio medido fue de aproximadamente 84 µA en los nodos intermedios, 11 µA en los nodos hoja y 54 µA en el nodo raíz, valores muy inferiores a los observados en BLE Mesh, donde los nodos repetidores superan los 5 mA. Si bien la topología en árbol introduce una mayor latencia, esta se mantiene dentro de niveles adecuados para aplicaciones de monitoreo ambiental con baja frecuencia de muestreo. Los resultados obtenidos confirman que BLETree puede operar de forma estable y autosuficiente, validando su potencial como solución de comunicación IoT eficiente en energía y de cobertura extendida. Finalmente, de manera independiente a las tres implementaciones mencionadas, se recopiló una base de datos con mediciones continuas de CO2, temperatura y humedad durante más de dos años. Esta base ha sido utilizada por el equipo de Mecánica de los Fluidos para realizar diversos análisis y publicaciones científicas. Dichos antecedentes constituyeron la base y motivación para el desarrollo del protocolo BLETree, consolidando una línea de investigación centrada en redes IoT de bajo consumo y monitoreo ambiental. Thu, 01 Jan 2026 00:00:00 GMT https://hdl.handle.net/20.500.12008/55022 2026-01-01T00:00:00Z https://hdl.handle.net/20.500.12008/55007 Título: Evaluating disentangled representations for controllable music generation Autor: Ibáñez-Martínez, Laura; Nkama, Chukwuemeka; Poltronieri, Andrea; Serra, Xavier; Rocamora, Martín Resumen: Recent approaches in music generation rely on disentangled representations, often labeled as structure and timbre or local and global, to enable controllable synthesis. Yet the underlying properties of these embeddings remain underexplored. In this work, we evaluate such disentangled representations in a set of music audio models for controllable generation using a probing-based framework that goes beyond standard downstream tasks. The selected models reflect diverse un-supervised disentanglement strategies, including inductive biases, data augmentations, adversarial objectives, and staged training procedures. We further isolate specific strategies to analyze their effect. Our analysis spans four key axes: informativeness, equivariance, invariance, and disentanglement, which are assessed across datasets, tasks, and controlled transformations. Our findings reveal inconsistencies between intended and actual semantics of the embeddings, suggesting that current strategies fall short of producing truly disentangled representations, and prompting a re-examination of how controllability is approached in music generation. Thu, 01 Jan 2026 00:00:00 GMT https://hdl.handle.net/20.500.12008/55007 2026-01-01T00:00:00Z https://hdl.handle.net/20.500.12008/55001 Título: AI-generated music detection in broadcast monitoring Autor: López-Ayala, David; Cabello, Asier; Zinemanas, Pablo; Molina, Emilio; Rocamora, Martín Resumen: AI music generators have advanced to the point where their outputs are often indistinguishable from human compositions. While detection methods have emerged, they are typically designed and validated in music streaming contexts with clean, full-length tracks. Broadcast audio, however, poses a different challenge: music appears as short excerpts, often masked by dominant speech, conditions under which existing detectors fail. In this work, we introduce AI-OpenBMAT 1, the first dataset tailored to AI-generated music detection in a broadcast setting. It contains 3,294 one-minute audio excerpts (54.9 hours) that follow the duration patterns and loudness relations of real television audio, combining human-made production music with stylistically matched continuations generated with Suno v3.5. We benchmark a CNN baseline and state-of-the-art SpectTTTra models to assess SNR and duration robustness, and evaluate on a full broadcast scenario. Across all settings, models that excel in streaming scenarios suffer substantial degradation, with F1-scores dropping below 60% when music is in the background or has a short duration. These results highlight speech masking and short music length as critical open challenges for AI music detection, and position AI-OpenBMAT as a benchmark for developing detectors capable of meeting industrial broadcast requirements. Thu, 01 Jan 2026 00:00:00 GMT https://hdl.handle.net/20.500.12008/55001 2026-01-01T00:00:00Z https://hdl.handle.net/20.500.12008/54812 Título: Learning-based resource allocation for fair and efficient mobile networks Autor: Randall Carlevaro, Martín Resumen: This thesis explores the application of artificial intelligence to resource allocation in wireless networks. Next-generation cellular systems, with 5G already deployed and 6G under development, drastically increase both the capacity and complexity of the network, demanding more careful design for improved resource utilization and operational efficiency. Traditional methods based on network overprovisioning are no longer sufficient. The use of mid- and high-frequency bands introduces new challenges in urban environments and densely populated areas. Likewise, classical resource allocation schemes based on fixed rules struggle to ensure both efficiency, fairness, and adaptability. To address these limitations, modern networks increasingly rely on intelligent management mechanisms capable of dynamically adapting to heterogeneous traffic conditions, with the dual objective of maintaining service quality and reducing operational costs. This work focuses precisely on time–frequency resource allocation by base stations, considering two complementary levels: user association at the inter-cell level and internal resource scheduling at the intra-cell level. The first part of this thesis considers the user association problem, which seeks to determine to which base station a mobile device should connect upon entering the network. Differently from previous efforts, the focus is on fairness and stability in a dynamic setting where users arrive randomly and have finite session durations. To this end, the fair user association problem is formalized and studied under realistic system dynamics, including user departures and the possibility of admission rejection. The problem is modeled as a partially observable Markov Decision Process, with several variants reflecting different modeling assumptions and optimization objectives. Reinforcement learning techniques are employed, leveraging graph neural networks to exploit the relational structure of the network and to learn decentralized yet stable association policies. A principled method is proposed to incorporate fairness criteria into the decision-making process, adapted to partially observable states and time-varying user populations. The proposed approach is validated using real data from a 5G network in Paris, demonstrating improvements in both load balancing and user experience. In the second part of the thesis, we examine the problem of resource distribution within a base station. The 5G standard defines three service categories: enhanced Mobile Broadband (eMBB), massive Machine-Type Communications (mMTC), and Ultra-Reliable Low-Latency Communications (URLLC). This work focuses on the coexistence of eMBB and URLLC services, where URLLC traffic has strict latency and reliability requirements and is granted priority access to spectrum resources, potentially preempting resources previously allocated to eMBB users. Given that these services operate on different time scales, the proposed approach combines classical optimization techniques with supervised learning methods to design resource allocation policies that satisfy URLLC requirements while minimizing the performance degradation experienced by eMBB users. The proposed solutions contribute to the advancement of artificial intelligence applied to resource management in wireless networks. Efficient resource optimization is not only desirable but necessary given the growing pressure on the planet’s natural resources. This thesis emphasizes the use of machine learning not only to maximize efficiency, but also as a means to promote fairness in access to shared resources.; Esta tesis explora la aplicación de la inteligencia artificial a la asignación de recursos en redes inalámbricas. Los sistemas celulares de próxima generación, con 5G ya desplegado y 6G en desarrollo, incrementan significativamente tanto la capacidad como la complejidad de la red, lo que exige un diseño más cuidadoso orientado a una mejor utilización de los recursos y a una mayor eficiencia operativa. Los enfoques tradicionales basados en el sobredimensionamiento de la red ya no resultan suficientes. El uso de bandas de frecuencia medias y altas introduce nuevos desafíos, en particular en entornos urbanos y áreas densamente pobladas. Asimismo, los esquemas clásicos de asignación de recursos basados en reglas fijas tienen dificultades para garantizar simultáneamente eficiencia, equidad y adaptabilidad. Para superar estas limitaciones, las redes modernas incorporan mecanismos de gestión inteligente capaces de adaptarse dinámicamente a condiciones de tráfico heterogéneas, con el doble objetivo de mantener la calidad de servicio y reducir los costos operativos. Este trabajo se centra precisamente en la asignación de recursos tiempo-frecuencia por parte de las estaciones base, considerando dos niveles complementarios: la asociación de usuarios a nivel intercelda y la planificación interna de recursos a nivel intracelda. La primera parte de esta tesis aborda el problema de asociación de usuarios, cuyo objetivo es determinar a qué estación base debe conectarse un dispositivo móvil al ingresar a la red. A diferencia de trabajos previos, el enfoque se pone en la equidad y la estabilidad en un entorno dinámico donde los usuarios llegan de forma aleatoria y tienen sesiones de duración finita. Con este fin, se formaliza el problema de asociación justa de usuarios y se estudia bajo dinámicas de sistema realistas, incluyendo la salida de usuarios y la posibilidad de rechazo en la admisión. El problema se modela como un Proceso de Decisión de Markov parcialmente observable, con varias variantes que reflejan diferentes supuestos de modelado y objetivos de optimización. Se emplean técnicas de aprendizaje por refuerzo, aprovechando redes neuronales basadas en grafos para explotar la estructura relacional de la red y aprender políticas de asociación descentralizadas y estables. Se propone un método principiado para incorporar criterios de equidad en el proceso de toma de decisiones, adaptado a estados parcialmente observables y a poblaciones de usuarios dinámicas. El enfoque propuesto se valida utilizando datos reales de una red 5G en París, mostrando mejoras tanto en el balance de carga como en la experiencia de los usuarios. En la segunda parte de la tesis se examina el problema de distribución de recursos dentro de una estación base. El estándar 5G define tres categorías de servicio: banda ancha móvil mejorada (eMBB), comunicaciones masivas de tipo máquina (mMTC) y comunicaciones ultra confiables y de baja latencia (URLLC). Este trabajo se centra en la coexistencia de servicios eMBB y URLLC, donde el tráfico URLLC presenta requisitos estrictos de latencia y confiabilidad y recibe prioridad en el acceso al espectro, pudiendo incluso reasignar recursos previamente asignados a usuarios eMBB. Dado que estos servicios operan en diferentes escalas temporales, la tesis combina técnicas clásicas de optimización con métodos de aprendizaje supervisado para diseñar políticas de asignación de recursos que cumplan con los requisitos de URLLC minimizando, al mismo tiempo, la degradación del desempeño de los usuarios eMBB. En conjunto, las soluciones propuestas contribuyen al avance de la aplicación de la inteligencia artificial a la gestión de recursos en redes inalámbricas. La optimización eficiente de recursos no es solamente un objetivo deseable, sino una necesidad ante la creciente presión sobre los bienes naturales del planeta. Esta tesis enfatiza el uso de técnicas de aprendizaje automático no solo para maximizar la eficiencia, sino también como medio para promover la equidad en el acceso a los recursos compartidos. Thu, 01 Jan 2026 00:00:00 GMT https://hdl.handle.net/20.500.12008/54812 2026-01-01T00:00:00Z