Digital pulse shape analysis (DPSA) techniques are becoming increasingly important for the study of nuclear reactions since the development of fast digitizers. These techniques allow us to obtain the (A, Z) values of the reaction products impinging on the new generation solid-state detectors. In this paper, we present a computationally efficient method to discriminate isotopes with similar energy levels, with the aim of enabling the edge-computing paradigm in future field-programmable gate-array-based acquisition systems. The discrimination of isotope pairs with analogous energy levels has been a topic of interest in the literature, leading to various solutions based on statistical features or convolutional neural networks. Leveraging a valuable dataset obtained from experiments conducted by researchers in the FAZIA Collaboration at the CIME cyclotron in GANIL laboratories, we aim to establish a comparative analysis regarding selectivity and computational efficiency, as this dataset has been employed in several prior publications. Specifically, this work presents an approach to discriminate between pairs of isotopes with similar energies, namely, ^12,13C, ^36,40Ar, and ^80,84Kr, using principal component analysis (PCA) for data preprocessing. Consequently, a linear and cubic machine learning (ML) support vector machine (SVM) classification model was trained and tested, achieving a high identification capability, especially in the cubic one. These results offer improved computational efficiency compared to the previously reported methodologies.

Efficient real-time isotope identification is a critical challenge in nuclear spectroscopy, with important applications such as radiation monitoring, nuclear waste management, and medical imaging. This work presents a novel approach for isotope classification using a System-on-Chip FPGA, integrating hardware-accelerated principal component analysis (PCA) for feature extraction and a software-based random forest classifier. The system leverages the FPGA’s parallel processing capabilities to implement PCA, reducing the dimensionality of digitized nuclear signals and optimizing computational efficiency. A key feature of the design is its ability to perform real-time classification without storing ADC samples, directly processing nuclear pulse data as it is acquired. The extracted features are classified by a random forest model running on the embedded microprocessor. PCA quantization is applied to minimize power consumption and resource usage without compromising accuracy. The experimental validation was conducted using datasets from high-resolution pulse-shape digitization, including closely matched isotope pairs (¹²C/¹³C, ³⁶Ar/⁴⁰Ar, and ⁸⁰Kr/⁸⁴Kr). The results demonstrate that the proposed SoC FPGA system significantly outperforms conventional software-only implementations, reducing latency while maintaining classification accuracy above 98%. This study provides a scalable, precise, and energy-efficient solution for real-time isotope identification.

El análisis de los datos es uno de los principales aspectos a considerar para la toma de decisiones en el ámbito social y empresarial. El mercado de bienes raíces es un componente decisivo y de soporte para las economías de los países a nivel mundial. Un análisis de la variación de los precios inmobiliarios a través de series temporales puede facilitar la identificación de mejores oportunidades a los inversores. Esta investigación tiene por objetivo aplicar el método ARIMA para el pronóstico del avalúo de bienes raíces. Se utiliza un enfoque cuantitativo con un diseño de investigación no experimental. Para la minería de datos se aplica el proceso KDD conjuntamente con el proceso de ARIMA para el pronóstico. Entre sus principales resultados se obtiene una base de datos limpia, la cual posteriormente es transformada a una serie estacionaria, para de esta manera ajustar el modelo y aplicar al pronóstico al caso de estudio en la ciudad de Riobamba, Ecuador. Se muestran datos con rangos de confiabilidad al 80% y 95%. El procedimiento detallado en este estudio puede aplicarse a cualquier contexto de predicción de series temporales en el sector de bienes raíces.

La realidad aumentada (RA) y la realidad virtual (RV) se han consolidado como tecnologías disruptivas que enriquecen la experiencia turística mediante entornos inmersivos y personalizados. Este estudio analizó la producción científica sobre RA y RV en ámbito turístico entre 2015 y 2025, identificando tendencias, actores clave y redes de colaboración. Para ello se realizó un análisis bibliométrico de documentos extraídos de la base de daros Scopus, incluyendo artículos, revisiones, capítulos y actas de conferencia publicados hasta el 9 de junio de 2025. El procesamiento se llevó a cabo con R y el paquete Bibliometrix/Biblioshiny. Los resultados evidencian un crecimiento sostenido de la producción científica, desde 132 publicaciones en 2015 hasta 810 en 2024, con picos de citación en 2018 y 2020. Autores como Li Y., Tom Dieck Mc. y Jung T. destacan por su productividad e impacto, mientras que revistas Q1 como Sustainability y Current Issues in Tourism lideran la difusión de conocimiento. China y Estados Unidos dominan la producción científica, seguidos por India e Italia, con la aparición de subredes emergentes en América Latina. Los términos más frecuentes incluyen “augmented reality”, “virtual reality”, “tourism” e “immersive”, y el mapa temático posiciona la RV como tema motor y a la RA aplicada al turismo cultural como tema básico. En conclusión, RA y RV se consolidan como herramientas estratégicas para la creación de experiencias inmersivas en el sector turístico.