Caja Negra de la Técnica

Cómo se organiza

• Grupos de 3-4 personas.
• 50 minutos en total: 3' elección de técnica · 15' descomposición en bloques y diagrama · 10' listado de limitaciones · 10' propuesta de mejora · 12' preparación de la puesta en común.
• Materiales: notebook con acceso a internet para revisar los apuntes de la cápsula 6, los papers originales si lo necesitan, y alguna herramienta para diagramar (Google Drawings, draw.io, papel + foto, lo que sea más rápido).
• Distribución de técnicas: intenten que distintos grupos tomen técnicas distintas. Permitan máximo 1-2 grupos por técnica para que la puesta en común no sea repetitiva.

Las 6 técnicas en una frase

1. EM-Sense: identifica objetos electrónicos por la firma electromagnética que emiten al ser tocados — el cuerpo funciona como antena y un clasificador aprende cada huella.
2. Electrick: convierte superficies arbitrarias en táctiles aplicando una capa conductiva y reconstruyendo el punto de contacto por tomografía eléctrica con electrodos en el borde.
3. Orbits / Pursuits: gaze input por correlación entre el movimiento de la mirada y trayectorias animadas en pantalla; cada elemento sigue su propia órbita y el sistema infiere cuál está mirando el usuario.
4. Whoosh: la respiración (soplar, inhalar, ritmos) como canal de entrada para wearables sin botones disponibles.
5. EarFieldSensing: las expresiones faciales detectadas por cambios acústicos dentro del canal auditivo — los músculos faciales deforman el canal y alteran la señal de audio medida.

Diagramas de bloques canónicos

1. Ejemplo — descomposición de EM-Sense. Señal: ruido electromagnético emitido por la electrónica del objeto cuando está encendido (cada aparato tiene una firma espectral distintiva por sus componentes de conmutación). Sensor: una radio SDR conectada a un electrodo capacitivo que va en la mano del usuario — al tocar el objeto, el cuerpo cierra el circuito y la radio recibe la señal acoplada. Procesado: ventanas temporales del audio crudo de la SDR, FFT del segmento para obtener el espectro de frecuencias, normalización y extracción de features espectrales. Algoritmo: clasificador kNN o red neuronal entrenado offline sobre las firmas espectrales de los objetos conocidos, que devuelve el id del objeto más probable. Feedback: nombre del objeto en pantalla, o acción asociada (ej. abrir la app del horno cuando lo tocan).

Respuestas esperadas — limitaciones más comunes