{"id":12786,"date":"2023-07-25T11:20:30","date_gmt":"2023-07-25T16:20:30","guid":{"rendered":"https:\/\/cienciauanl.uanl.mx\/?p=12786"},"modified":"2023-09-07T11:21:56","modified_gmt":"2023-09-07T16:21:56","slug":"deteccion-inalambrica-de-frecuencia-respiratoria-utilizando-senales-wi-fi-y-aprendizaje-automatico","status":"publish","type":"post","link":"https:\/\/cienciauanl.uanl.mx\/?p=12786","title":{"rendered":"Detecci\u00f3n inal\u00e1mbrica de frecuencia respiratoria utilizando se\u00f1ales Wi-Fi y aprendizaje autom\u00e1tico"},"content":{"rendered":"

Jes\u00fas A. Armenta-Garc\u00eda* ORCID: 0000-0002-3348-7906<\/span>
\nF\u00e9lix F. Gonz\u00e1lez-Navarro* ORCID: 0000-0002-9627-676X<\/span>
\nJorge E. Ibarra-Esquer* ORCID: 0000-0003-2636-5051<\/span>
\nJes\u00fas Caro-Guti\u00e9rrez* ORCID: 0000-0003-2467-5937<\/span><\/p>\n

CIENCIA UANL \/ A\u00d1O 26, No.121, septiembre-octubre 2023<\/p>\n

DOI: https:\/\/doi.org\/10.29105\/cienciauanl26.121-3<\/a><\/p>\n

Descargar PDF<\/a><\/p>\n

\n
\n
\n
\n

RESUMEN<\/h4>\n
\n
\n
\n
\n

Es posible utilizar el Wi-Fi para la deteccio\u0301n inala\u0301mbrica, con aplicaciones en la localizacio\u0301n de interiores, reconocimiento de actividades, identificacio\u0301n de personas y en el monitoreo de signos vitales. Es por esto que en este trabajo se presenta co\u0301mo se puede utilizar el Wi-Fi para aplicaciones de deteccio\u0301n inala\u0301mbrica, asi\u0301 como una metodologi\u0301a seguida para el desarrollo de un monitor de frecuencia respiratoria haciendo uso de sen\u0303ales Wi-Fi y aprendizaje automa\u0301tico, especi\u0301ficamente de un clasificador K-NN, obteniendo resultados satisfactorios, demostrando la aplicabilidad de dicha tecnologi\u0301a para la deteccio\u0301n inala\u0301mbrica.<\/p>\n

Palabras clave: CSI, aprendizaje automa\u0301tico, deteccio\u0301n inala\u0301mbrica, Wi-Fi, monitoreo de frecuencia respiratoria.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n

\n
\n
\n
\n

ABSTRACT<\/h4>\n
\n
\n
\n
\n

It is possible to utilize Wi-Fi as a wireless sensing technology, having applications in indoor localization, activity recognition, human identification and monitoring vital signs. Therefore, in this paper we present how Wi-Fi can be used for wireless sensing applications such as the methodology followed to develop a breathing rate monitor using Wi-Fi signals and machine learning, specifically a K-NN classifier, obtaining satisfactory results, demonstrating the applicability of such technology in wireless sensing.<\/em><\/p>\n

Keywords: CSI, Machine Learning, Wireless Sensing, Wi-Fi, Breathing Rate Monitoring.<\/em><\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n

 <\/p>\n

\n
\n
\n
\n

WI-FI COMO TECNOLOGI\u0301A\u00a0DE DETECCIO\u0301N INALA\u0301MBRICA<\/h4>\n
\n
\n
\n
\n

La deteccio\u0301n inala\u0301mbrica consiste en la medicio\u0301n de propiedades fi\u0301sicas de un objeto, persona o medio ambiente sin tener contacto fi\u0301sico con e\u0301l por medio de la fijacio\u0301n de un sensor. Dadas sus caracteri\u0301sticas, las tecnologi\u0301as de deteccio\u0301n inala\u0301mbrica han sido un foco de atencio\u0301n en los u\u0301ltimos an\u0303os, siendo los sistemas de grabacio\u0301n y reproduccio\u0301n de ima\u0301genes las ma\u0301s utilizadas. Sin embargo, existe una tecnologi\u0301a de mayor cobertura con millones de dispositivos en funcionamiento que puede usarse para la deteccio\u0301n inala\u0301mbrica: el Wi-Fi.<\/p>\n

\n
\n
\n
\n

Para hacer uso de dicha tecnologi\u0301a es necesario apoyarse en lo que se conoce como la informacio\u0301n de estado del canal (CSI, por sus siglas en ingle\u0301s), la cual es generada por los dispositivos de red para mitigar los efectos de la propagacio\u0301n multitrayecto (Halperin et al<\/em>., 2010; para entender estos efectos ve\u0301ase la figura 1). En e\u0301sta puede observarse que la sen\u0303al transmitida desde un transmisor (Tx) a un receptor (Rx) sufre de reflexiones con distintos elementos en la habitacio\u0301n, formando una superposicio\u0301n de sen\u0303ales desfasadas y atenuadas en Rx con relacio\u0301n a la sen\u0303al original. Estos desfases y atenuaciones se ven reflejados en la CSI, representada por un nu\u0301mero complejo cuya parte real corresponde a la amplitud y la parte imaginaria al desfase.<\/p>\n

\"\"<\/a>

Figura 1. Propagaci\u00f3n de se\u00f1al por m\u00faltiples trayectorias.<\/p><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n

\n
\n
\n
\n

Las variaciones que se presentan en la amplitud y fase de la CSI son las que permiten obtener una descripcio\u0301n del comportamiento de la sen\u0303al en presencia de objetos estacionarios o en movimiento. Dicho comportamiento, con apoyo de procesamiento de sen\u0303ales y aprendizaje automa\u0301tico, se puede caracterizar, logrando asi\u0301 la deteccio\u0301n inala\u0301mbrica<\/p>\n

Para el experimento realizado, la recoleccio\u0301n de CSI se llevo\u0301 a cabo utilizando una herramienta que opera bajo el esta\u0301ndar Wi-Fi 802.11n (mejor conocido como Wi-Fi 4), el cual hace uso del me\u0301todo de modulacio\u0301n multiplexacio\u0301n por divisio\u0301n de frecuencia ortogonal (OFDM, por sus siglas en ingle\u0301s), para el envi\u0301o de informacio\u0301n que divide el canal en 64 subportadoras, por lo que al recolectar el CSI en un instante, se tendri\u0301an 64 nu\u0301meros complejos, uno por subportadora y con comportamiento distinto debido a la diferencia de frecuencias centrales.<\/p>\n

\n
\n
\n
\n

En la actualidad, la CSI de una sen\u0303al Wi-Fi ha sido utilizada para la localizacio\u0301n en interiores combinando redes neuronales convolucionales para determinar la ubicacio\u0301n actual de una persona (Hoang et al<\/em>., 2020); mientras que Narui et al<\/em>. (2019) hicieron uso de la CSI y aprendizaje automa\u0301tico para el reconocimiento de actividades cotidianas. Por otra parte, Dinget al<\/em>. (2020) la utilizaron para la identificacio\u0301n de personas combinando distintos me\u0301todos de aprendizaje profundo. Adicionalmente, Gu et al<\/em>. (2021) desarrollaron un sistema para monitoreo de frecuencia respiratoria y cardi\u0301aca durante el suen\u0303o por medio de procesamiento digital de sen\u0303ales. Adema\u0301s, se ha utilizado aprendizaje automa\u0301tico para la identificacio\u0301n de una frecuencia respiratoria irregular (Khan et al<\/em>., 2021) y para la deteccio\u0301n de rangos de frecuencia respiratoria baja, normal y elevada (Ashleibta et al<\/em>. 2021), ambos utilizando K-vecinos cercanos (K-NN por sus siglas en ingle\u0301s).<\/span><\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n

\n
\n
\n
\n

METODOLOGI\u0301A<\/h4>\n
\n
\n
\n
\n

Adquisicio\u0301n y procesamiento de sen\u0303ales Wi-Fi<\/h4>\n
\n
\n
\n
\n

Para demostrar la aplicabilidad de una sen\u0303al Wi-Fi como tecnologi\u0301a de deteccio\u0301n se desarrollo\u0301 un sistema para el monitoreo de frecuencia respiratoria, para ello se conto\u0301 con la participacio\u0301n de 17 personas del escenario de prueba mostrado en la figura 2, contando con dos miniPC Intel NUC equipadas con una tarjeta de red Intel 5300 cada una y haciendo uso\u00a0de la herramienta Linux\u00a0<\/span>802.11n CSI Tool (Hal<\/span>perin et al<\/em>., 2011), la\u00a0<\/span>cual proporciona la CSI\u00a0<\/span>de 30 subportadoras por\u00a0<\/span>cada antena en Rx. Una\u00a0<\/span>miniPC actuaba como\u00a0<\/span>Tx, equipada con una\u00a0<\/span>antena omnidireccional\u00a0<\/span>enviando 25 paquetes\u00a0<\/span>de red por segundo a\u00a0<\/span>la miniPC que actuaba\u00a0<\/span>como Rx, equipada con\u00a0<\/span>tres antenas omnidireccionales y ambas operando en la banda de 5 GHz. Cada participante debi\u0301a recostarse en la camilla por periodos de cinco minutos y sincronizar su respiracio\u0301n con el sonido de un metro\u0301nomo, cubriendo las frecuencias de 9, 12, 15, 18 y 21 respiraciones por minuto (RPM). Adicional a esto, se coloco\u0301 un acelero\u0301metro sobre el abdomen para obtener el valor de frecuencia respiratoria real.<\/span><\/p>\n

\"\"<\/a>

Figura 2. Escenario de recolecci\u00f3n de datos.<\/p><\/div>\n

\n
\n
\n
\n

Una vez llevado a cabo el proceso de recoleccio\u0301n, las subportadoras fueron sometidos a una etapa de adecuacio\u0301n, haciendo separacio\u0301n en grupos de datos delimitados por ventanas de tiempo de 40 segundos y seleccionando u\u0301nicamente diez para continuar con la adecuacio\u0301n con base en la varianza que presentaran en dicha ventana de tiempo, ya que se observo\u0301 que, a mayor varianza, la cantidad de informacio\u0301n que conteni\u0301a la subportadora acerca de la respiracio\u0301n era mayor. A cada ventana se le aplicaba una serie de filtros digitales comu\u0301nmente para localizar la frecuencia respiratoria\u00a0<\/span>a partir de la sen\u0303al Wi-Fi (filtro Hampel, filtro polinomial y filtro paso-bandas con frecuencias de corte de 0.1 y 0.4 Hz). El resultado del proceso de adecuacio\u0301n puede observarse en la figura 3, donde se comparan la sen\u0303al\u00a0<\/span>original y la procesada.<\/span><\/p>\n

\"\"<\/a>

Figura 3. Se\u00f1al resultante despu\u00e9s del proceso de adecuaci\u00f3n.<\/p><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n

\n
\n
\n
\n

De la sen\u0303al ya adecuada es posible obtener una primera estimacio\u0301n de la frecuencia respiratoria realizando un ana\u0301lisis del espectro. Si bien puede resultar suficiente para su monitoreo, siendo la reportada en la bibliografi\u0301a, la implementacio\u0301n de algoritmos de aprendizaje automa\u0301tico mejorari\u0301a el desempen\u0303o del sistema construido hasta ahora, ya que su implementacio\u0301n ha trai\u0301do mejori\u0301as en aplicaciones de la informa\u0301tica me\u0301dica y es una tendencia en la actualidad.<\/p>\n

\n
\n
\n
\n

Etiquetado de los datos e implementacio\u0301n del aprendizaje automa\u0301tico<\/h4>\n
\n
\n
\n
\n

De la sen\u0303al adecuada, que seri\u0301a la de respiracio\u0301n, se extrae de cada subportadora una serie de caracteri\u0301sticas del dominio del tiempo (media, varianza, asimetri\u0301a y curtosis), y del dominio de la frecuencia (frecuencia con mayor amplitud y desviacio\u0301n esta\u0301ndar del espectro), asi\u0301 como la media, desviacio\u0301n esta\u0301ndar y varianza de los coeficientes obtenidos con la transformada Wavelet. Estas caracteri\u0301sticas, junto con la primera estimacio\u0301n, son utilizadas para construir una observacio\u0301n que sera\u0301 enviada a un clasificador K-NN. E\u0301ste asignara\u0301 a los datos una etiqueta asociada al rango de frecuencia respiratoria en RPM que corresponda a la sen\u0303al. Los rangos en RPM, la etiqueta y el i\u0301ndice de clase, que es el valor que realmente asigna el clasificador, son los siguientes: 1 para frecuencias respiratorias menores a 10 RPM; 2 entre 11 y 13 RPM; 3 para valores entre 14 y 16 RPM; 4 entre 17 y 19 RPM, y 5 para toda aquella frecuencia respiratoria mayor a 20 RPM. Dichos rangos auxilian en la identificacio\u0301n de patrones regulares e irregulares de respiracio\u0301n.<\/p>\n

\n
\n
\n
\n

Se dividio\u0301 el conjunto de datos en dos particiones, estando la primera conformada por datos pertenecientes a 13 personas y la segunda por datos de otras cuatro personas. La primera corresponde a los datos que se utilizaron para el entrenamiento de un clasificador K-NN, cuyos para\u0301metros de configuracio\u0301n fueron definidos utilizando optimizacio\u0301n bayesiana, resultando en una k = 1, que corresponde a la cantidad de vecinos (observaciones) a considerar para seleccio\u0301n de clase y distancia Hamming como me\u0301trica de distancia, mientras que la\u00a0segunda fue utilizada para evaluar el clasificador, utilizando como me\u0301tricas de desempen\u0303o la exactitud, sensibilidad, precisio\u0301n y especificidad. Un resumen de la metodologi\u0301a expuesta desde la adquisicio\u0301n de los datos hasta la clasificacio\u0301n con K-NN se presenta en la figura 4.<\/span><\/p>\n

\"\"<\/a>

Figura 4. Diagrama de metodolog\u00eda.<\/p><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n

\n
\n
\n
\n
\n

Al evaluar el desempen\u0303o del clasificador K-NN se obtuvo una exactitud, sensibilidad, precisio\u0301n y especificidad promedio de 99.2%, 97.9%, 98% y 99.5%, respectivamente, mientras que el desglose de desempen\u0303o por clase se presenta en la tabla I, en la que podemos observar que la Clase 1 presento\u0301 los valores de exactitud, precisio\u0301n y especificidad ma\u0301s bajos; sin embargo, se mantienen por arriba de 95%. Los valores de las me\u0301tricas obtenidas para las cinco clases posibles nos muestran que los resultados proporcionados por el clasificador son confiables y que los atributos extrai\u0301dos para cada observacio\u0301n verdaderamente caracterizan su respectivo rango de frecuencia respiratoria. Para asegurarnos de este u\u0301ltimo enunciado se aplico\u0301 la incrustacio\u0301n de vecinos estoca\u0301sticos distribuidos en t (t-SNE, por sus siglas en ingle\u0301s), un me\u0301todo de visualizacio\u0301n de datos de altas dimensiones, con la finalidad de observar agrupaciones de los datos en caso de pertenecer a una misma clase, es decir, a un mismo rango de frecuencia respiratoria, en dos dimensiones.<\/p>\n

\"\"<\/a><\/p>\n

\n
\n
\n
\n

El resultado del me\u0301todo de visualizacio\u0301n se presenta en la figura 4, en donde es posible observar que se forman agrupaciones de datos de una misma etiqueta de clase en una misma regio\u0301n del plano. Estas agrupaciones muestran que observaciones que pertenecen a un mismo rango de frecuencia respiratoria\u00a0son similares entre si\u0301, pero visualmente distintas a observaciones pertenecientes a un rango diferente. Es por esto que, a partir del ana\u0301lisis de la figura obtenida por t-SNE, se comprende por que\u0301 K-NN obtiene valores de desempen\u0303o por arriba de 97%, ya que al ser un clasificador basado en instancias (observaciones), su desempen\u0303o esta\u0301 altamente relacionado con la similitud entre observaciones pertenecientes a una misma clase y a la diferencia entre observaciones de distintas clases de acuerdo a una me\u0301trica de distancia.<\/span><\/p>\n

\"\"<\/a>

Figura 5. Visualizaci\u00f3n de los datos en dos dimensiones.<\/p><\/div>\n<\/div>\n<\/div>\n<\/div>\n

\n
\n
\n
\n

CONCLUSIO\u0301N<\/h4>\n
\n
\n
\n
\n

El uso de sen\u0303ales Wi-Fi como tecnologi\u0301a de deteccio\u0301n inala\u0301mbrica ha demostrado resultados prometedores en las a\u0301reas de localizacio\u0301n de interiores, reconocimiento de actividades, identificacio\u0301n de personas y, como quedo\u0301 demostrado en este arti\u0301culo, al combinar los me\u0301todos convencionales para estimacio\u0301n de frecuencia respiratoria con me\u0301todos de aprendizaje automa\u0301tico se obtienen resultados satisfactorios para su monitoreo, alcanzando una exactitud promedio de 99.2%. Sin embargo, una limitante que se presenta al utilizar la herramienta de recoleccio\u0301n Linux 802.11n CSI Tool es que resulta obligatorio utilizar las tarjetas de red Intel 5300 y, por ende, una computadora como dispositivo de red en lugar de utilizar la infraestructura ya instalada.<\/p>\n

\n
\n
\n
\n

El uso de esta tecnologi\u0301a para tales aplicaciones au\u0301n esta\u0301 en sus inicios. Al tratarse de una sen\u0303al electromagne\u0301tica, es susceptible a perturbaciones y e\u0301stas pueden afectar de forma negativa el desempen\u0303o de los sistemas basados en la CSI, es por ello que para futuras investigaciones es necesario considerar diversos escenarios y fuentes de ruido. Cabe destacar que la metodologi\u0301a presentada obtuvo un alto desempen\u0303o aun a pesar de estar en un escenario en el que existen mu\u0301ltiples redes Wi-Fi en operacio\u0301n, las cuales pueden ser vistas como una fuente de ruido electromagne\u0301tico.<\/p>\n

\n
\n
\n
\n

AGRADECIMIENTOS<\/h4>\n
\n
\n
\n
\n

Agradecemos al Conacyt y a la 22a Convocatoria Interna de Apoyo a Proyectos de Investigacio\u0301n 2020 de la UABC por su apoyo en el desarrollo de esta investigacio\u0301n.<\/p>\n

\n
\n
\n
\n

 <\/p>\n

* Universidad Auto\u0301noma de Baja California, Baja California, Me\u0301xico.
\nContacto: fernando.gonzalez@uabc.edu.mx<\/p>\n

\n
\n
\n
\n

<\/h4>\n

REFERENCIAS<\/h4>\n
\n
\n
\n
\n

Ashleibta, A.M., et al<\/em>. (2021). Non-Invasive RF Sensing for Detecting Breathing Abnormalities Using Software Defined Radios. IEEE Sensors Journal<\/em>. 21(4):5111-5118. Disponible en: https:\/\/doi.org\/10.1109\/JSEN.2020.3035960<\/p>\n

\n
\n
\n
\n

Ding, J., Wang, Y., y Fu, X. (2020). Wihi: Wi-Fi Based Human Identity Identification Using Deep Learning. IEEE Access<\/em>. 8:129246-129262. Disponible en: https:\/\/doi.org\/10.1109\/ACCESS.2020.3009123<\/p>\n

\n
\n
\n
\n

Gu, Y., et al<\/em>. (2021). Wital: WiFi-based Real-time Vital Signs Monitoring During Sleep. TechRxiv<\/em>. Disponible en: https:\/\/doi.org\/10.36227\/techrxiv.14381750. v1<\/p>\n

\n
\n
\n
\n

Halperin, D., et al<\/em>. (2010). Predictable 802.11 Packet Delivery from Wireless Channel Measurements. SIGCOMM Comput. Commun. Rev<\/em>. 40(4):159-170. Disponible en: https:\/\/doi.org\/10.1145\/1851275.1851203<\/p>\n

\n
\n
\n
\n

Halperin, D., et al<\/em>. (2011). Tool Release: Gathering 802.11n Traces with Channel State Information. ACM SIGCOMM CCR<\/em>. 41(1):53.<\/p>\n

\n
\n
\n
\n

Hoang, M.T., et al<\/em>. (2020). A CNN-LSTM<\/em> Quantifier for Single Access Point CSI Indoor Localization, CoRR, abs\/2005.0. Disponible en: https:\/\/arxiv.org\/abs\/2005.06394<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n

\n
\n
\n
\n

Khan, M.I., et al<\/em>. (2021). Tracking vital signs of a patient using channel state information and machine learning for a smart healthcare system. Neural Computing and Applications<\/em>. Disponible en: https:\/\/doi.org\/10.1007\/s00521-020-05631-x<\/p>\n

\n
\n
\n
\n

Narui, H., et al<\/em>. (2019). Domain Adaptation for Human Fall Detection Using WiFi Channel State Information. Precision Health and Medicine Studies in Computational Intelligence.<\/em> Pp. 177-181. Disponible en: https:\/\/doi.org\/10.1007\/978-3-030-24409-5_17<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n

 <\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Jes\u00fas A. Armenta-Garc\u00eda* ORCID: 0000-0002-3348-7906 F\u00e9lix F. Gonz\u00e1lez-Navarro* ORCID: 0000-0002-9627-676X Jorge E. Ibarra-Esquer* ORCID: 0000-0003-2636-5051 Jes\u00fas Caro-Guti\u00e9rrez* ORCID: 0000-0003-2467-5937 CIENCIA UANL \/ A\u00d1O 26, No.121, septiembre-octubre 2023 DOI: https:\/\/doi.org\/10.29105\/cienciauanl26.121-3 Descargar PDF RESUMEN Es posible utilizar el Wi-Fi para la deteccio\u0301n inala\u0301mbrica, con aplicaciones en la localizacio\u0301n de interiores, reconocimiento de actividades, identificacio\u0301n de personas y en el monitoreo de signos […]<\/p>\n","protected":false},"author":4,"featured_media":12846,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[27],"tags":[],"class_list":["post-12786","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-investigacion"],"_links":{"self":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/12786","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=12786"}],"version-history":[{"count":4,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/12786\/revisions"}],"predecessor-version":[{"id":12905,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/12786\/revisions\/12905"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/media\/12846"}],"wp:attachment":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=12786"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=12786"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=12786"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}