ITI - CAS. Clasificación de Señales EEG en un Sistema BCI. Informe Técnico ITI-SAC-016. Autor: Francesc Benimeli Fecha: 30 de junio de 2006.

Tamaño: px
Comenzar la demostración a partir de la página:

Download "ITI - CAS. Clasificación de Señales EEG en un Sistema BCI. Informe Técnico ITI-SAC-016. Autor: Francesc Benimeli Fecha: 30 de junio de 2006."

Transcripción

1 ITI - CAS Informe Técnico ITI-SAC-016 Clasificación de Señales EEG en un Sistema BCI Autor: Francesc Benimeli Fecha: 30 de junio de 2006 c ITI

2 ÍNDICE ÍNDICE Índice 1. Introducción 2 2. Descripción del Sistema 2 3. Preprocesado Extracción de Datos Filtrado y Reducción de Frecuencia de Muestreo Eliminación de la Actividad EOG Procesado Selección de Canales Referenciación de los Datos Análisis mediante CWT Filtrado Espacial y Patrones Espaciales Comunes Extracción de Características Muestras en el Dominio del Tiempo Muestras en Frecuencia Parámetros Autorregresivos Potencias Medias de Banda Muestras en Tiempo-Frecuencia Clasificación Escalado y Normalizado Algoritmo de Clasificación Resultados Experimentales Muestras en el Dominio del Tiempo Muestras en el Dominio de la Frecuencia Transformadas mediante Wavelets Conclusiones 18 1

3 2 DESCRIPCIÓN DEL SISTEMA 1. Introducción En este trabajo, se realiza una breve descripción de los principales pasos que conforman el proceso de clasificación de señales EEG, así como del entorno experimental en que se ha llevado a cabo la adquisición de las mismas. Dicho proceso se ha dividido en cuatro apartados, a saber preprocesado, en el cual se lleva a cabo una mera reestructuración de los datos, así como un filtrado y reducción de la frecuencia de muestreo iniciales de los mismos; procesado, en el cual se ha incluido básicamente la selección de canales y el referenciado de las señales; la extracción de características, las cuales constituyen la información que será pasada al algoritmo de clasificación, y finalmente el proceso de clasificación propiamente dicho. En la sección 2, se describen las características del sistema BCI utilizado en los experimentos. Las secciones 3 y 4 muestran el procesado de las señales EEG adquiridas previamente a la extracción de características, la cual se describe en la sección 5. En la sección 6, se presenta el proceso de clasificación de las señales EEG propiamente dicho. La sección 7 muestra algunos resultados obtenidos de la aplicación experimental del proceso descrito. Por último, la sección 8 recoge las conclusiones extraídas del presente trabajo, así como las líneas de desarrollo previstas como continuación del mismo. 2. Descripción del Sistema El presente estudio se basa en un sistema BCI síncrono constituido por un PC, encargado de proveer la interacción del sistema con el usuario, así como de llevar a cabo las operaciones necesarias para el procesado de las señales EEG y su posterior clasificación mediante SVM (Support Vector Machine), y un sistema de adquisición de señales ActiveTwo de Biosemi controlado mediante una versión modificada de su software de adquisición ActiView. El sistema ActiveTwo está integrado por un gorro para facilitar la distribución sobre el cuero cabelludo de los 16 electrodos (Active Electrodes) empleados sobre el cuero cabelludo de acuerdo al sistema internacional de posicionamiento de electrodos, tal como puede verse en la Figura 1, un conversor analógico-digital (AD-Box) y un receptor USB (USB2 Receiver). Las señales EEG son originalmente adquiridas con una frecuencia de muestreo f s = 2048Hz, si bien ésta será posteriormente reducida tras el filtrado de la señal mediante software. 2

4 2 DESCRIPCIÓN DEL SISTEMA Figura 1: Electrode distribution. La aplicación software diseñada proporciona, por un lado, una interfaz donde el usuario puede observar representaciones gráficas de distintas características de las señales EEG adquiridas, a fin de que éste se familiarice con los distintos parámetros relativos a la actividad cerebral que posteriormente serán utilizados en el proceso de clasificación. De este modo, se muestran los offsets de los electrodos, la evolución de las señales EEG tanto en el dominio del tiempo como de la frecuencia y la evolución de la potencia media de las señales para determinadas bandas de frecuencia, de forma similar a como se describe en?. Una segunda interfaz de la aplicación permite llevar a cabo la fase de entrenamiento. Diferentes parámetros tales como constantes de tiempo, modo de generación de indicaciones o presentación de retroalimentación al usuario pueden ser configurados mediante los controles correspondientes, tal como puede verse en la Figura 2. Durante una sesión de entrenamiento típica, el usuario del sistema se sienta frente al monitor del PC a una distancia aproximada de 1.5 m (?). La sesión se divide en una secuencia de 20 ensayos realizados en orden aleatorio para cada una de 3

5 2 DESCRIPCIÓN DEL SISTEMA Figura 2: Detalle de los controles utilizados para la configuración de la sesión de entrenamiento en el sistema BCI. las clases o estados mentales considerados. Cada uno de los ensayos se estructura de acuerdo a las siguientes fases, tal como se representa en la Figura 3: Tiempo de fijación (1 s), durante el cual se muestra en pantalla un rectángulo gris. Señal acústica (0.5 s) para indicar el inicio de la presentación de la indicación. Se representa en pantalla mediante un rectángulo amarillo. Presentación de la indicación (2.5 s) en pantalla de acuerdo al estado mental que el usuario debe generar, a saber una flecha roja hacia la izquierda y una flecha azul hacia la derecha para la imaginación del movimiento de la mano izquierda y derecha respectivamente y un rectángulo cian para la imaginación de un tercer proceso mental de selección. Presentación de retroalimentación (1 s) al usuario, en el caso de tratarse de una sesión de entrenamiento con retroalimentación, mediante la respuesta de un modelo de clasificación generado a partir de sesiones de entrenamiento anteriores. En este caso, se muestra en pantalla el símbolo correspondiente al estado mental identificado de tal forma que sus dimensiones son proporcionales a la probabilidad de la predicción proporcionada por el modelo. Tiempo de descanso entre ensayos. En este caso, se trata de un tiempo aleatorio entre 0.5 y 2.5 s a fin de evitar la adaptación del usuario. 4

6 3 PREPROCESADO Figura 3: Representación de las fases que componen un ensayo. 3. Preprocesado de los Datos Primeramente, se llevan a cabo algunas operaciones básicas a fin de convertir el fichero.bdf original, generado por la aplicación software de adquisición de señales ActiView, en un fichero.bci con una estructura más adecuada para su posterior manipulación Extracción de Datos A partir del fichero.bdf, se procede a extraer las medidas correspondientes a los canales EEG activos, esto es 17 33, a fin de obtener una matriz que será entonces utilizada para extraer los datos correspondientes a los distintos ensayos (trials). A este propósito, se analiza el canal de estado con el fin de identificar los segmentos de datos correspondientes a los estados mentales, o etiquetas, utilizados en la sesión de entrenamiento. De acuerdo a la definición de los parámetros deseados de offset y duración, un segmento del ensayo identificado es seleccionado y guardado en la matriz de datos resultante, siendo su etiqueta igualmente guardada en un vector de etiquetas. Junto a la extracción de los datos correspondientes a cada ensayo, se aplica un filtrado paso-banda a los datos, descrito de forma más detallada en el apartado 3.2, así como una reducción de la frecuencia de muestreo, a fin de restringir el contenido de las señales medidas al intervalo de frecuencias de interés al tiempo que se reduce significativamente el tamaño de los ficheros de datos resultantes, así como la cantidad de memoria necesaria para su procesamiento posterior. A fin de aprovechar la continuidad de la señal, el proceso de filtrado se aplica con 5

7 3 PREPROCESADO 3.2 Filtrado y Reducción de Frecuencia de Muestreo anterioridad a la extracción de ensayos, siendo la reducción de frecuencia aplicada tras la misma, una vez que la información del canal de estado ya ha sido utilizada. Finalmente, se genera un nuevo fichero.bci que contiene la matriz de datos y el vector de etiquetas anteriormente obtenidos, así como algunos parámetros de cabecera con información sobre los datos. El nombre del nuevo fichero se genera a partir del nombre del fichero.bdf original, al cual se añade una cadena formada por los identificadores de las etiquetas utilizadas en el fichero, b, la longitud en muestras del ensayo, o, el offset en muestras al principio del ensayo y, finalmente, la cadena eog para indicar que todavía no se ha realizado el proceso de eliminación de datos afectados por actividad EOG (e.g. testxx LR b4096 o0 eog.bci) Filtrado Temporal y Reducción de la Frecuencia de Muestreo De acuerdo a la naturaleza de las características a extraer de las señales EEG, resulta conveniente proceder a un filtrado temporal de las mismas, a fin de eliminar en lo posible información irrelevante. En la presente aplicación, se ha decidido filtrar las señales EEG mediante un filtro paso banda, implementado mediante un filtro paso alto Butterworth de quinto orden con una frecuencia de corte de 1Hz y un filtro paso bajo Butterworth de quinto orden con frecuencia de corte de 45Hz, lo cual incluye todo el espectro de frecuencia donde pueden darse características EEG susceptibles de ser utilizadas en la clasificación de estados mentales. El procedimiento aplicado queda, en principio, abierto a la utilización tanto de características a baja frecuencia tales como los SCP (potenciales corticales lentos) como a mayor frecuencia como ERD (Desincronización relativa a eventos) o ERS (Sincronización relativa a eventos). A fin de reducir tanto el tiempo de cómputo como el tamaño de los vectores de características obtenidos, tras el filtrado temporal de las señales, la frecuencia de muestreo de éstas es reducida (downsample) en un factor de 1 : 16, siendo la frecuencia de muestreo resultante, por tanto, de 128Hz Eliminación de la Actividad EOG Para todos los ensayos seleccionados en el fase anterior, los canales Fp1 y Fp2, ambos situados en la proximidad de los ojos, referenciados con respecto al canal 6

8 4 PROCESADO Cz, son analizados mediante un algoritmo a fin de detectar posibles interferencias de actividad EOG en forma de cambios abruptos en la medida de potencial, por encima de un determinado valor umbral previamente seleccionado. Los ensayos afectados por este fenómeno son eliminados de la matrices de datos, no siendo, por tanto, considerados en el posterior análisis de los datos. Eventualmente, puede considerarse la eliminación de los canales Fp1 y Fp2, cuando ello suponga una mejora en la precisión del proceso de clasificación. La nueva matriz de datos y vector de etiquetas resultantes son guardados en un nuevo fichero.bci, cuyo nombre se genera a partir del nombre del fichero.bci original, sustituyendo la cadena eog por e y el valor umbral utilizado en el algoritmo de detección (e.g. testxx LR b4096 o0 e32.bci). 4. Procesado de los Datos Partiendo de los datos guardados en un fichero.bci de la forma anteriormente indicada, tiene lugar lo que se denominará procesado de los datos. Existen distintas estrategias a la hora de procesar los datos medidos de forma adecuada para su posterior tratamiento por el algoritmo de clasificación, evitando en la medida de lo posible la inclusión de información irrelevante en el proceso de clasificación Selección de Canales En lo referente a la selección de los canales EEG a ser utilizados para la posterior extracción de características, se han considerado básicamente dos estrategias, a saber selección secuencial (hacia adelante) y eliminación secuencial (hacia atrás) tal como se describen en?, a fin de seleccionar un subconjunto de canales EEG que proporcione un resultado de precisión óptimo en la clasificación. A este respecto, debe indicarse que, en los experimento realizados hasta el momento, se ha observado que el subconjunto óptimo de canales EEG determinado para un determinado criterio de extracción de características no necesariamente proporciona un buen resultado cuando se aplica un criterio distinto. En general, se ha optado por mantener la totalidad de los canales EEG a excepción de los canales Fp1 y Fp2, utilizados en el proceso de detección de ensayos afectados por actividad EOG, y el canal Cz, utilizado como referencia del resto 7

9 4 PROCESADO 4.2 Referenciación de los Datos de canales. Así pues, para el resto del procesamiento de los datos, se empleará un total de 13 canales EEG Referenciación de los Datos Tal como se recomienda en la página web de Biosemi, las señales EEG medidas en el sistema ActiveTwo deben ser referenciadas mediante software previamente a su procesado. Existen distintas opciones a fin de llevar a cabo dicho referenciado, entre otras la utilización de la media común de todos los electrodos (CAR) o del potencial medido en el canal Cz, situado en una posición central respecto al resto de los electrodos. Ambas opciones fueron implementadas en la práctica, obteniendo siempre los mejores resultados cuando se utiliza el canal Cz como referencia. En este caso, el canal utilizado como referencia debe ser obviamente eliminado del subconjunto de canales utilizado en la clasificación Análisis en Frecuencia mediante Transformada con Wavelets Independientemente de la posterior aplicación de la Transformada con Wavelets como método de extracción de características, ésta constituye igualmente un procedimiento a utilizar a fin de detectar las regiones relevantes de los ensayos tanto en tiempo como en frecuencia. Para ello, es necesaria la inspección visual de las gráficas escala-tiempo generadas a partir de dicha transformada para cada ensayo y canal con el fin de detectar aquellas zonas que presentan variaciones susceptibles de ser utilizadas como características para el proceso de clasificación. Por el momento, no se ha definido un criterio sistemático a la hora de definir las regiones de interés en los ensayos, efectuándose su determinación de forma intuitiva a partir de la experiencia y de los resultados obtenidos en el proceso de clasificación Filtrado Espacial y Patrones Espaciales Comunes Dado que en las medidas de EEG tomadas sobre el cuero cabelludo se da una superposición de señales eléctricas procedentes de distintas fuentes en el cerebro, 8

10 4 PROCESADO 4.4 Filtrado Espacial y Patrones Espaciales Comunes puede resultar conveniente el filtrado espacial de las mismas a fin de amplificar las señales locales en la proximidad del electrodo frente a las procedentes de su entorno, con lo cual se consigue disminuir la dispersión de las señales entre los distintos electrodos. Ésta es precisamente la función de los filtros laplacianos de superficie, los cuales actúan como filtros paso alto espaciales. Estos filtros actúan básicamente substrayendo de la señal correspondiente a un electrodo la media de las señales de los electrodos de la vecindad. Así pues, la señal filtrada sería obtenida de acuerdo a la siguiente expresión: Ec SLF = E c 1 E i (1) Ω c i Ω c donde E c es el potencial medido correspondiente al canal c y Ω c hace referencia al subconjunto de canales que constituyen la vecindad del canal c, siendo Ω c el número de canales que integran Ω c. Debe tenerse en cuenta que la definición de Ω c variará de acuerdo a la localización del electrodo asociado al canal c. En este trabajo, se han probado algunas implementaciones de filtros laplacianos de superficie, así como de los Patrones Espaciales Comunes (CSP) aplicados a la clasificación de dos clases (????) empleando distinto número de patrones espaciales en cada caso, si bien no se logró conseguir una mejora de la precisión del proceso de clasificación en ninguno de los casos. A este respecto, debe indicarse que, dada la distribución de los electrodos sobre el cuello cabelludo, así como a su relativamente reducido número, la implementación del filtro laplaciano no pudo llevarse a cabo siguiendo un patrón regular. Podría considerarse la posibilidad de llevar a cabo algún tipo de interpolación entre electrodos, si bien esta opción no fue implementada. Aunque no se consiguieron mejorar los resultados mediante la aplicación de CSP, esto podría verse motivado por el posterior proceso de extracción de características, el cual no se llevó a cabo totalmente conforme a la descripción dada en los anteriores trabajos, donde se utilizan las varianzas de las medidas filtradas como características a utilizar en la clasificación. Este aspecto debería ser, por tanto, revisado en el futuro. En?, se presenta una extensión del método CSP a la clasificación multiclase, proponiéndose y comparándose experimentalmente tres métodos distintos para tal fin. 9

11 5 EXTRACCIÓN DE CARACTERÍSTICAS 5. Extracción de Características La extracción de características constituye una de las fases más importantes del proceso de clasificación, ya que determina directamente tanto el rendimiento como la precisión del algoritmo de clasificación utilizado. Distintos criterios pueden ser observados a la hora de llevar a cabo el proceso de extracción, a partir de las señales EEG medidas, de un conjunto de características válido para la clasificación de los estados mentales considerados. A continuación, se describen los distintos tipos de características utilizados en este trabajo Muestras en el Dominio del Tiempo Este tipo de característica implica un procesamiento posterior de los datos mínimo, ya que se consideran directamente para su clasificación las medidas en el dominio del tiempo f(t k ), t k = 0... n 1. En este caso, el proceso de filtrado temporal y la posterior reducción de la frecuencia de muestreo de la señal permiten determinar tanto el contenido en frecuencia de la misma como el tamaño del vector de características resultante, el cual en general será mayor que en otros tipos de extracción de características Muestras en el Dominio de la Frecuencia Esta técnica implica la determinación de la densidad espectral de potencia (PSD), la cual describe la distribución del contenido en potencia de la señal con respecto a la frecuencia. Es posible calcular la PSD de una señal de acuerdo a distintos métodos, ya sea a partir de la Transformada Rápida de Fourier (FFT), a partir de los parámetros de un modelo autorregresivo (AR), etc. En este trabajo, se ha recurrido al cálculo de la PSD partiendo de la FFT de la señal (Ec.2), tal como se indica en la Ec.3, donde n designa el número de muestras de la señal. n 1 F (t k ) = F F T (f (t k )) = k=0 f (t k ) e 2πi n t k k (2) P SD = 2 n 2 F (t k ) 2, k = 1... n 2 (3) 10

12 5 EXTRACCIÓN DE CARACTERÍSTICAS 5.3 Parámetros Autorregresivos En este caso, el vector de características correspondiente a cada ensayo está constituido por una secuencia de muestras tomadas de la PSD de la señal para cada canal EEG, correspondientes a un rango de frecuencias determinado Parámetros Autorregresivos Se trataría, en este caso, de un tipo de características paramétricas. Partiendo de los modelos autorregresivos (?) calculados para la determinación de la PSD como se indica en 5.2, se consideró la posibilidad de aplicar directamente dichos parámetros AR como características en el proceso de clasificación, evitando así el cálculo explícito del espectro de potencia de la señal. A pesar de que la información contenida en ambos tipos de características es en principio equivalente, se pudo comprobar que la utilización directa de los parámetros AR proporcionaba en todos los casos precisiones inferiores a las obtenidas mediante las características extraídas de la PSD calculada a partir de dichos parámetros AR. Se han considerado dos algoritmos distintos a la hora de realizar el cálculo de los modelos autorregresivos. Por una parte se ha utilizado un algoritmo extraído del paquete Matlab ARfit, para la estimación de parámetros en modelos autorregresivos multivariable, y, por otra parte, el algoritmo arburg de Matlab, ambos adaptados al lenguaje de programación LabView. Las matrices de coeficientes A l son calculadas para un modelo autorregresivo de orden p de acuerdo a la Ec.4, donde e(t k ) es el ruido de la señal, la cual se asume con término medio nulo. p 1 f (t k ) = A l f (t k l ) + e (t k ), k = 1... n 1 (4) l= Potencias Medias de Banda En este caso, se determina el contenido en potencia de la señal para un conjunto dado de bandas de frecuencia. Esto puede ser llevado a cabo bien mediante un banco de filtros en el dominio del tiempo o bien a partir de la PSD de la señal obtenida como en 5.2. En la literatura, se utilizan habitualmente determinadas bandas de frecuencia correspondientes a los distintos ritmos de actividad mental, en especial los ritmos 11

13 5 EXTRACCIÓN DE CARACTERÍSTICAS 5.5 Muestras en Tiempo-Frecuencia µ (8-12 Hz) y β (18-25 Hz) registrados sobre el cortex sensorio-motórico, a saber α(8 12Hz), β 1 (13 18Hz), β 2 (19 30Hz)yλ(8 30Hz) (?). La utilización de este tipo de características en este trabajo no proporcionó, en la práctica, resultados favorables. En este sentido, se implementó tanto una distribución en las bandas anteriormente indicadas como una distribución uniforme en bandas de 5 Hz de ancho de banda en el espectro de 5 a 40 Hz Muestras en el Dominio de Tiempo-Frecuencia Esta técnica es similar a la descrita en el apartado 5.2 en el sentido que se aplica una transformada a la señal en el dominio del tiempo a fin de obtener sus características en el dominio de la frecuencia. En este caso, no obstante, la aplicación de una transformada mediante wavelets permite obtener una representación de la señal conjuntamente en los dominios del tiempo y la frecuencia, lo cual proporciona una mejor percepción de la distribución en frecuencia de la señal a lo largo del tiempo. Las características a utilizar en el proceso de clasificación serán ahora los coeficientes de dicha transformada para cada ensayo. Existe la posibilidad de utilizar una transformada continua (CWT), la cual permite obtener un mayor detalle aunque a costa de una mayor carga computacional asociada y un mayor contenido de información redundante, o discreta (DWT), más adecuada para su aplicación en línea en un sistema BCI. En la DWT, los valores de escala para los que se calcula la transformada son necesariamente múltiplos de 2, con lo cual el grado de detalle obtenido es mucho menor que el que puede obtenerse mediante una CWT, en la cual la escala puede adoptar cualquier valor. En la aplicación experimental tanto de la CWT como de la DWT, se ha utilizado la familia de wavelets ortogonales con soporte compacto conocida como symlets. En el caso de la CWT, se obtuvieron los mejores resultados con symlets de orden 3, mientras que para la DWT la mayor precisión obtenida correspondió a los wavelets de orden 7. Puede obtenerse una descripción detallada sobre los conceptos y técnicas relativos a los wavelets en la documentación del Matlab Wavelet Toolbox

14 6 CLASIFICACIÓN 6. Proceso de Clasificación En esta fase, tiene lugar el proceso de clasificación propiamente dicho, en el cual se asignan los vectores de características extraídos de la señal EEG a un determinado estado mental Escalado y Normalizado de los Datos Tal como se recomienda en la literatura relativa a SVM (??), y al igual que sucede con otros tipos de algoritmos de clasificación basados en redes neuronales, los vectores de características deben ser convenientemente escalados en un rango más apropiado, ( 1.,1 o 0.,1), previamente a su utilización en el algoritmo de clasificación. En este trabajo, se ha aplicado un escalado en el rango 1.,1, el cual se lleva a cabo individualmente para el vector de características correspondiente a cada ensayo, comprobándose en la práctica un incremento en la precisión con carácter general. En algunos casos, se ha podido comprobar que la posterior normalización del vector de características previamente a la clasificación conlleva igualmente un ligero incremento de la precisión proporcionada por el clasificador Algoritmo de Clasificación En este trabajo, se ha recurrido a la utilización del algoritmo SVM LIBSVM 2.8, junto con su interfaz para Matlab libsvm-mat-2.8 a efectos de desarrollo y comprobación, para llevar a cabo dicha clasificación. Este tipo de algoritmos presenta diversas ventajas frente a otros clasificadores (?), siendo una de las más importantes la elevada capacidad de generalización para un número reducido de ensayos de entrenamiento. El algoritmo SVM requiere de una fase de entrenamiento en la cual se le proporcionan los vectores de características determinados para una serie de ensayos junto a los identificadores de clase correspondientes a cada uno de ellos a fin de obtener un modelo capaz de separar las distintas clases consideradas. En la fase de clasificación, el modelo aprendido es utilizado para identificar la clase a que corresponden los vectores de características determinados para nuevos ensayos. En?, puede encontrarse una descripción tanto de las características del algoritmo como de su aplicación. 13

15 7 RESULTADOS EXPERIMENTALES En concreto, se ha utilizado un kernel lineal con una constante de penalización igual a la unidad. Aunque se han probado en la práctica distintas configuraciones del algoritmo, incluyendo la utilización de distintos tipos de kernel, así como de diferentes valores de sus parámetros, en ningún caso pudo mejorarse la precisión del algoritmo, viéndose, por contra, el tiempo de cómputo sensiblemente incrementado para algunas de dichas configuraciones. 7. Resultados Experimentales Los siguientes experimentos de clasificación fueron realizados a partir de los datos obtenidos en tres series de sesiones de entrenamiento distintas: ken06, ken07 y ken08. En la Tabla 1, se ha indicado el número de ensayos totales, así como para cada tipo de IM, correspondientes a cada una de dichas sesiones tras el preprocesado de los datos, es decir, filtrado pasa-banda en la franja de frecuencias 1-45 Hz, reducción de la frecuencia de muestreo y eliminación de los ensayos afectados por actividad EOG. Session Left Right Total ken ken ken ken ken ken Tabla 1: Número de ensayos en cada sesión experimental. Durante la extracción de datos, se han seleccionado las primeras 4096 muestras, equivalente a 2 s de medición, de cada ensayo, lo cual, tras reducir la frecuencia de muestreo en un factor de 16(8), daría un total de 256(512) muestras por ensayo y canal Muestras en el Dominio del Tiempo En la Tabla 2, se muestran los resultados obtenidos para este tipo de características. Se han tomado los tres conjuntos de medidas indicados anteriormente, seleccionando en cada caso uno de ellos para entrenar el modelo y otro como test. Igualmente, se muestra el resultado de cross-validation con 20 repeticiones 14

16 7 RESULTADOS EXPERIMENTALES 7.2 Muestras en el Dominio de la Frecuencia y 10 subconjuntos tomados aleatoriamente para cada uno de dichos conjuntos de datos. Los resultados mostrados corresponden a un factor de reducción de 16, es decir, 256 muestras por canal y ensayo. Los vectores de características fueron escalados entre -1 y 1 previamente a su paso al algoritmo de clasificación. Test Set Train Set F s scale norm ken06 ken07 ken08 Cross-Validation ken ,92 ± 10, ken ,8333 ± 9, ken Tabla 2: Resultados con muestras en el dominio temporal. Como puede verse, la normalización de los vectores de características no mejora, en general, los resultados. Del mismo modo, tampoco representa una mejora en la precisión el hecho de utilizar una frecuencia de muestreo mayor, 256 muestras por segundo en este caso, frente a 128 muestras por segundo Muestras en el Dominio de la Frecuencia A continuación se repite la serie de tests utilizando las muestras de la densidad de potencia espectral (PSD) como características. Esta vez, no se considera la normalización de los vectores de características, procediéndose únicamente a su escalado. En la Tabla 3, pueden verse los resultados. 15

17 7 RESULTADOS EXPERIMENTALES 7.3 Transformadas mediante Wavelets Test Set Train Set F s ken06 ken07 ken08 Cross-Validation ken ken ken Tabla 3: Resultados con muestras en el dominio de la frecuencia Transformadas mediante Wavelets En la Figura 4 se realiza una comparación entre las CWT calculada a partir de dos ensayos extraídos de un conjunto de medidas correspondientes a la imaginación del movimiento (IM) de la mano derecha e izquierda registrados en los canales C3 y C4, dispuestos respectivamente sobre el lado derecho e izquierdo del cuero cabelludo. Las gráficas han sido obtenidas utilizando la CWT con un wavelet sym3 y con valores de escala de 1,2 19:36. Pseudo Frequency Pseudo Frequency Left C samples Right C samples Pseudo Frequency Pseudo Frequency Left C samples 50 Right C samples Figura 4: Ejemplo de transformación mediante wavelets para los canales EEG C3 y C4 y para IM de la mano derecha e izquierda. A fin de comparar los anteriores resultados con los proporcionados por la DWT, la cual sería más adecuada para su aplicación en línea, la anterior comparación gráfica se muestra en la Figura 5 para una una CWT con valores de escala 2 5:10, es decir, una secuencia de potencias de 2. 16

INTERFAZ CEREBRAL NO INVASIVA PARA CONTROL DE UN SISTEMA DOMÓTICO POR PERSONAS DISCAPACITADAS

INTERFAZ CEREBRAL NO INVASIVA PARA CONTROL DE UN SISTEMA DOMÓTICO POR PERSONAS DISCAPACITADAS 2007 INTERFAZ CEREBRAL NO INVASIVA PARA CONTROL DE UN SISTEMA DOMÓTICO POR PERSONAS DISCAPACITADAS Autores José María Azorín Poveda Ingeniero Informática. Doctor por la Universidad Miguel Hernández de

Más detalles

RECONOCIMIENTO E IDENTIFICACIÓN DE LOGOTIPOS EN IMÁGENES CON TRANSFORMADA SIFT

RECONOCIMIENTO E IDENTIFICACIÓN DE LOGOTIPOS EN IMÁGENES CON TRANSFORMADA SIFT UNIVERSIDAD CARLOS III DE MADRID ESCUELA POLITÉCNICA SUPERIOR INGENIERÍA TÉCNICA DE TELECOMUNICACIÓN (ESPECIALIDAD EN SONIDO E IMAGEN) PROYECTO FIN DE CARRERA RECONOCIMIENTO E IDENTIFICACIÓN DE LOGOTIPOS

Más detalles

CAPÍTULO 6 SIMULACIONES Y RESULTADOS

CAPÍTULO 6 SIMULACIONES Y RESULTADOS CAPÍTULO 6 SIMULACIONES Y RESULTADOS 6.1 Proceso de Simulación Las simulaciones fueros llevadas a cabo empleando como herramienta la Versión 6.5 Release 13 de Matlab. Para lo cual fue empleado un banco

Más detalles

Que el estudiante sepa aplicar las principales técnicas que sirven para resaltar características en imágenes

Que el estudiante sepa aplicar las principales técnicas que sirven para resaltar características en imágenes 1 Facultad: Ingeniería. Escuela: Biomédica Asignatura: Imágenes Médicas Realce de Características Objetivos Que el estudiante sepa aplicar las principales técnicas que sirven para resaltar características

Más detalles

Comunicaciones Digitales - Ejercicios Tema 3

Comunicaciones Digitales - Ejercicios Tema 3 Comunicaciones Digitales - Ejercicios Tema 3 007. 1. Considere el diagrama de rejilla para un canal discreto equivalente genérico con 4 coeficientes no nulos (memoria K p = 3) y una constelación -PAM.

Más detalles

Representación de señales de audio

Representación de señales de audio Representación de señales de audio Emilia Gómez Gutiérrez Síntesi i Processament del So I Departament de Sonologia Escola Superior de Musica de Catalunya Curso 2009-2010 emilia.gomez@esmuc.cat 28 de septiembre

Más detalles

Tema 1: Sistemas de comunicación digital. Transmisión digital (I.T.T. Telemática)

Tema 1: Sistemas de comunicación digital. Transmisión digital (I.T.T. Telemática) Tema 1: Sistemas de comunicación digital Transmisión digital (I.T.T. Telemática) Introducción Se entiende por comunicación al proceso por el cual se transfiere información desde un punto llamado fuente

Más detalles

CAPÍTULO 1 INTRODUCCIÓN

CAPÍTULO 1 INTRODUCCIÓN CAPÍTULO 1 INTRODUCCIÓN En este capítulo se plantea de forma general el problema que motivó el presente trabajo de investigación. Asimismo, se abordan y describen los objetivos de esta tesis, exponiendo

Más detalles

www.bvbusiness-school.com

www.bvbusiness-school.com Gráficos de Control de Shewart www.bvbusiness-school.com GRÁFICOS DE CONTROL DE SHEWART Una de las herramientas estadísticas más importantes en el Control Estadístico de Procesos son los Gráficos de Control.

Más detalles

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a

Más detalles

Práctica 5: Modulaciones digitales

Práctica 5: Modulaciones digitales TEORÍA DE LA COMUNICACIÓN 2009/10 EPS-UAM Práctica 5: Modulaciones digitales Apellidos, nombre Apellidos, nombre Grupo Puesto Fecha El objetivo de esta práctica es familiarizar al alumno con los principios

Más detalles

Tema 4:Segmentación de imágenes

Tema 4:Segmentación de imágenes Tema 4:Segmentación de imágenes La segmentación de imágenes divide la imagen en sus partes constituyentes hasta un nivel de subdivisión en el que se aíslen las regiones u objetos de interés. Los algoritmos

Más detalles

SISTEMAS DE SEGURIDAD DE RECONOCIMIENTO FACIAL

SISTEMAS DE SEGURIDAD DE RECONOCIMIENTO FACIAL SISTEMAS DE SEGURIDAD DE RECONOCIMIENTO FACIAL INTRODUCCIÓN Los sistemas de reconocimiento facial son sistemas de seguridad basados en aplicaciones que detectan e identifican automáticamente rostros humanos.

Más detalles

Tema 1.- Introducción a la Visión Artificial

Tema 1.- Introducción a la Visión Artificial Tema 1.- Introducción a la Visión Artificial Visión Artificial Avanzada Prof. Dr. Nicolás Luis Fernández García Departamento de Informática y Análisis Numérico Escuela Politécnica Superior Universidad

Más detalles

Fundamentos de la Visión Artificial. Prof. Dr. Francisco Gómez Rodríguez Prof. Manuel J. Domínguez Morales 1

Fundamentos de la Visión Artificial. Prof. Dr. Francisco Gómez Rodríguez Prof. Manuel J. Domínguez Morales 1 Fundamentos de la Visión Artificial Prof. Dr. Francisco Gómez Rodríguez Prof. Manuel J. Domínguez Morales 1 Índice 1. Introducción a lavisión Artificial 2. Adquisición y representación de imágenes 3. Filtrado

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

Mapas Autoorganizados

Mapas Autoorganizados Mapas Autoorganizados 1 Mapas Autoorganizados S.O.M (Self organized Maps) Mapas de características similar a la organización topológica de la corteza cerebral. Kohonen :dada una estructura y una descripción

Más detalles

Análisis espectral de señales periódicas con FFT

Análisis espectral de señales periódicas con FFT Análisis espectral de señales periódicas con FFT 1 Contenido 7.1 Introducción a la Transformada Discreta de Fourier 3-3 7.2 Uso de la Transformada Discreta de Fourier 3-5 7.3 Método de uso de la FFT 3-8

Más detalles

Estacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ

Estacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ Estacionalidad Qué es la estacionalidad? La estacionalidad es una componente que se presenta en series de frecuencia inferior a la anual (mensual, trimestral,...), y supone oscilaciones a corto plazo de

Más detalles

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7) Caracterización de las fuentes y formación de escalas de tiempo Rec. UIT-R TF.538-3 1 RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

Más detalles

Equipos analizadores de señal. - Introducción - Analizadores de Fourier - Analizadores de espectros heterodinos

Equipos analizadores de señal. - Introducción - Analizadores de Fourier - Analizadores de espectros heterodinos - Introducción - Analizadores de Fourier - Analizadores de espectros heterodinos Introducción El análisis del espectro de colores es una forma de análisis de componentes frecuenciales que para el caso

Más detalles

Introducción general a la compresión de datos multimedia

Introducción general a la compresión de datos multimedia Introducción general a la compresión de datos multimedia Necesidad de la compresión La mayoría de las aplicaciones multimedia requieren volúmenes importantes de almacenamiento y transmisión. CD-ROM 640

Más detalles

Capítulo 3. dependen de él son, por ejemplo, la voz, una onda de radio, un electrocardiograma, etc. El

Capítulo 3. dependen de él son, por ejemplo, la voz, una onda de radio, un electrocardiograma, etc. El Capítulo 3 Procesamiento digital de señales mioeléctricas Las señales se representan matemáticamente como funciones de una o más variables independientes. La variable independiente más común es el tiempo,

Más detalles

PRÁCTICA II: ADQUISICIÓN DE DATOS CON LABVIEW

PRÁCTICA II: ADQUISICIÓN DE DATOS CON LABVIEW SISTEMAS ELECTRÓNICOS Y DE CONTROL LABORATORIO SISTEMAS ELECTRÓNICOS DE CONTROL PRÁCTICA II: ADQUISICIÓN DE DATOS CON LABVIEW Curso 05/06 - 2 - PRÁCTICA II ADQUISICIÓN DE DATOS CON LABVIEW II.1. INTRODUCCIÓN

Más detalles

Para qué se modula? Técnicas de Modulación Digital Pasabanda. Comunicación Digital Fabio G. Guerrero Universidad del Valle

Para qué se modula? Técnicas de Modulación Digital Pasabanda. Comunicación Digital Fabio G. Guerrero Universidad del Valle Comunicación Digital Fabio G. Guerrero Universidad del Valle Para qué se modula? Para obtener tamaños de antena razonables en una radio transmisión. (Ej: las antenas para teléfonos celulares tienen típicamente

Más detalles

CONTROL DE ROBOTS Y SISTEMAS SENSORIALES 4º Ingeniería Industrial

CONTROL DE ROBOTS Y SISTEMAS SENSORIALES 4º Ingeniería Industrial TÍTULO Segmentación, localización y reconocimiento de piezas OBJETIVO El objetivo de la práctica es mostrar al alumno un método para el reconocimiento de varias piezas existentes en el módulo servidor

Más detalles

PRÁCTICA 4: IDENTIFICACIÓN Y CONTROL DE UN SERVOMECANISMO DE POSICIÓN CURSO 2007/2008

PRÁCTICA 4: IDENTIFICACIÓN Y CONTROL DE UN SERVOMECANISMO DE POSICIÓN CURSO 2007/2008 PRÁCTICA 4: IDENTIFICACIÓN Y CONTROL DE UN SERVOMECANISMO DE POSICIÓN CURSO 2007/2008 LABORATORIO DE CONTROL AUTOMÁTICO. 3 er CURSO ING. TELECOMUNICACIÓN 1. OBJETIVOS En esta práctica se pretende que el

Más detalles

Una investigación australiana reveló que posiblemente la disminución

Una investigación australiana reveló que posiblemente la disminución CIENTÍFICOS TRABAJAN EN DETECCIÓN DE CÁNCER DE MAMA A TRAVÉS DE REDES NEURONALES ARTIFICIALES Constituye un apoyo para el médico y los radiólogos para evitar falsos diagnósticos Fernando Álvarez Una investigación

Más detalles

La definición de digital es toda información representada por una serie de pulsos eléctricos discretos basados en un sistema binario (ceros y unos).

La definición de digital es toda información representada por una serie de pulsos eléctricos discretos basados en un sistema binario (ceros y unos). Tratamiento de la Imagen Digital Qué es la imagen digital? La definición de digital es toda información representada por una serie de pulsos eléctricos discretos basados en un sistema binario (ceros y

Más detalles

Este documento describe el proceso completo a seguir para analizar la existencia de una relación lógica entre dos variables. www.fundibeq.

Este documento describe el proceso completo a seguir para analizar la existencia de una relación lógica entre dos variables. www.fundibeq. DIAGRAMA DE DISPERSIÓN 1.- INTRODUCCIÓN Este documento describe el proceso completo a seguir para analizar la existencia de una relación lógica entre dos variables. Describe la construcción de los Diagramas

Más detalles

Reconocimiento de imágenes

Reconocimiento de imágenes Capítulo 4 Reconocimiento de imágenes En la actualidad, el reconocimiento de imágenes es una herramienta de gran utilidad en el área de control y automatización. Varias empresas usan el reconocimiento

Más detalles

Cada día se utilizan los sistemas de control remoto para el control de la protección catódica, por la siguientes ventajas:

Cada día se utilizan los sistemas de control remoto para el control de la protección catódica, por la siguientes ventajas: . * DENOMINACIÓN: SISTEMA DE CONTROL REMOTO DE PROTECCIÓN CATÓDICA * CÓDIGO: CPM Cada día se utilizan los sistemas de control remoto para el control de la protección catódica, por la siguientes ventajas:

Más detalles

RAID. Los detalles de las características segunda y tercera, cambian según los distintos niveles RAID. RAID 0 no soporta la tercera característica.

RAID. Los detalles de las características segunda y tercera, cambian según los distintos niveles RAID. RAID 0 no soporta la tercera característica. RAID Como se dijo anteriormente, el ritmo de mejora de prestaciones en memoria secundaria ha sido considerablemente menor que en procesadores y en memoria principal. Esta desigualdad ha hecho, quizás,

Más detalles

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay

Más detalles

Rec. UIT-R SM.1268-1 1 RECOMENDACIÓN UIT-R SM.1268-1 *

Rec. UIT-R SM.1268-1 1 RECOMENDACIÓN UIT-R SM.1268-1 * Rec. UIT-R SM.1268-1 1 RECOMENDACIÓN UIT-R SM.1268-1 * MÉTODO DE MEDICIÓN DE LA MÁXIMA DESVIACIÓN DE FRECUENCIA DE LAS EMISIONES DE RADIODIFUSIÓN A UTILIZAR EN LAS ESTACIONES DE COMPROBACIÓN TÉCNICA (Cuestión

Más detalles

CAPÍTULO 2 PROCESAMIENTO DIGITAL DE IMÁGENES

CAPÍTULO 2 PROCESAMIENTO DIGITAL DE IMÁGENES CAPÍTULO PROCESAMIENTO DIGITAL DE IMÁGENES En este capítulo se presentan de manera breve, una explicación de la visión, las imágenes digitales y como son capturadas por medios electrónicos, el campo encargado

Más detalles

Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés

Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés Amaro Camargo Erika, Reyes García Carlos A. Instituto Nacional de Astrofísica, Óptica

Más detalles

Operaciones Morfológicas en Imágenes Binarias

Operaciones Morfológicas en Imágenes Binarias Operaciones Morfológicas en Imágenes Binarias Introducción La morfología matemática es una herramienta muy utilizada en el procesamiento de i- mágenes. Las operaciones morfológicas pueden simplificar los

Más detalles

DISEÑO E IMPLEMENTACIÓN DE UNA TARJETA DE ADQUISICIÓN DE DATOS PARA EL LABORATORIO DE TELECOMUNICACIONES DE LA FIEC.

DISEÑO E IMPLEMENTACIÓN DE UNA TARJETA DE ADQUISICIÓN DE DATOS PARA EL LABORATORIO DE TELECOMUNICACIONES DE LA FIEC. TESIS DISEÑO E IMPLEMENTACIÓN DE UNA TARJETA DE ADQUISICIÓN DE DATOS PARA EL LABORATORIO DE TELECOMUNICACIONES DE LA FIEC. DIRECTOR DE TESIS.- Ing. Francisco Novillo AUTOR Walter Mestanza Vera. Egresado

Más detalles

Enfoque propuesto para la detección del humo de señales de video.

Enfoque propuesto para la detección del humo de señales de video. Capítulo 3 Enfoque propuesto para la detección del humo de señales de video. 3.1 Comportamiento del enfoque propuesto. Una visión general del método propuesto se muestra en la figura 2. El método genera

Más detalles

EL DISEÑO FACTORIAL COMPLETO 2 k

EL DISEÑO FACTORIAL COMPLETO 2 k EL DISEÑO FACTORIAL COMPLETO 2 k Joan Ferré Grupo de Quimiometría y Cualimetría Departamento de Química Analítica y Química Orgánica Universidad Rovira i Virgili (Tarragona) INTRODUCCIÓN En el primer artículo

Más detalles

Figura 87. Apariencia física de VIFIBIO

Figura 87. Apariencia física de VIFIBIO 117 9. RESULTADOS El resultado final de este trabajo de grado es un dispositivo llamado VIFIBIO, el cual permite graficar una señal que viene del fisiógrafo ya mencionado anteriormente. Pero detrás de

Más detalles

Texturas. Descripción y aplicaciones

Texturas. Descripción y aplicaciones Texturas Descripciónyaplicaciones Motivación Segmentación de texturas. Clasificación de texturas. Síntesis de texturas. Extracción de características. Reconocimiento de patrones. Reconocimiento de objetos.

Más detalles

PUENTES TEMPORALES DE MADERA. Johannio Marulanda Casas. EQUIPOS. MODEL 731A SN: 968 Sistema de Adquisición NI DAQ PAD 60-15 1 PUENTE

PUENTES TEMPORALES DE MADERA. Johannio Marulanda Casas. EQUIPOS. MODEL 731A SN: 968 Sistema de Adquisición NI DAQ PAD 60-15 1 PUENTE Figura : Acelerómetro Sísmico Figura :Sistema de adquisición NI DAQ PAD 605 INSTRUMENTO ESPECIFICACIÓN CANTIDAD Acelerómetro sísmico MODEL 73A SN: 968 Sistema de Adquisición NI DAQ PAD 605 PUENTE Descripción:

Más detalles

STATGRAPHICS Centurion XVII Software de análisis de datos estadístico y gráfico. Mejoras de la versión 17.1

STATGRAPHICS Centurion XVII Software de análisis de datos estadístico y gráfico. Mejoras de la versión 17.1 STATGRAPHICS Centurion XVII Software de análisis de datos estadístico y gráfico STATGRAPHICS ofrece más de 230 procedimientos de Análisis Exploratorio de Datos, Estadística Descriptiva e Inferencial, Modelos

Más detalles

Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA

Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA NOTA: en toda esta práctica no se pueden utilizar bucles, para que los tiempos de ejecución se reduzcan. Esto se puede hacer

Más detalles

Procesamiento de Señales basado en Wavelets Notas de Clase - Parte VI

Procesamiento de Señales basado en Wavelets Notas de Clase - Parte VI Procesamiento de Señales basado en Wavelets Notas de Clase - Juan Carlos Gómez 1 1 Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA, Universidad Nacional

Más detalles

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS Capitulo 6. Sistema de Detección de Intrusos con Redes Neuronales. 69 CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS USANDO REDES NEURONALES. En este capítulo se realiza la preparación adecuada de toda la

Más detalles

Medidas de tendencia central o de posición: situación de los valores alrededor

Medidas de tendencia central o de posición: situación de los valores alrededor Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas

Más detalles

El programa Minitab: breve introducción a su funcionamiento. Para mostrar la facilidad con la que se pueden realizar los gráficos y cálculos

El programa Minitab: breve introducción a su funcionamiento. Para mostrar la facilidad con la que se pueden realizar los gráficos y cálculos El programa Minitab: breve introducción a su funcionamiento Para mostrar la facilidad con la que se pueden realizar los gráficos y cálculos estadísticos en la actualidad, el libro se acompaña, en todo

Más detalles

3. CÁLCULOS Y FORMATOS CONDICIONALES

3. CÁLCULOS Y FORMATOS CONDICIONALES colores, tendremos las opciones Mínima y Máxima, con tres campos cada una: Tipo, Valor y Color. Con este formato podemos crear una regla que le asigne un color al menor valor y otro al mayor, y dé a los

Más detalles

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del 33 En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del sistema de procesamiento de imágenes para controlar un robot manipulador y se describen en la forma como serán

Más detalles

1 Conceptos Básicos de Señales y Sistemas

1 Conceptos Básicos de Señales y Sistemas CAPÍTULO 1 Conceptos Básicos de Señales y Sistemas Cuando se hace referencia a los conceptos de señales y sistemas, su aplicación es válida para una variedad amplia de disciplinas, tales como sismología,

Más detalles

1.1. Introducción y conceptos básicos

1.1. Introducción y conceptos básicos Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................

Más detalles

Conversor Analógico Digital (CAD)

Conversor Analógico Digital (CAD) Conversor Analógico Digital (CAD) La salida de los sensores, que permiten al equipo electrónico interaccionar con el entorno, es normalmente una señal analógica, continua en el tiempo. En consecuencia,

Más detalles

Tratamiento de la Imagen Digital

Tratamiento de la Imagen Digital Tratamiento de la Imagen Digital Qué es la imagen digital? La definición de digital es toda información representada por una serie de pulsos electricos discretos basados en un sistema binario (ceros y

Más detalles

CAPÍTULO 6 INSTRUMENTO VIRTUAL

CAPÍTULO 6 INSTRUMENTO VIRTUAL Diseño y implementación de un medidor de frecencia para frecuencias bajas CAPÍTULO 6 INSTRUMENTO VIRTUAL Como se ha ido señalando a lo largo de esta memoria, el objetivo del proyecto no es otro que el

Más detalles

Métodos y Diseños utilizados en Psicología

Métodos y Diseños utilizados en Psicología Métodos y Diseños utilizados en Psicología El presente documento pretende realizar una introducción al método científico utilizado en Psicología para recoger información acerca de situaciones o aspectos

Más detalles

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING Aprendizaje Automático y Data Mining Bloque IV DATA MINING 1 Índice Definición y aplicaciones. Grupos de técnicas: Visualización. Verificación. Descubrimiento. Eficiencia computacional. Búsqueda de patrones

Más detalles

Data Mining Técnicas y herramientas

Data Mining Técnicas y herramientas Data Mining Técnicas y herramientas Introducción POR QUÉ? Empresas necesitan aprender de sus datos para crear una relación one-toone con sus clientes. Recogen datos de todos lo procesos. Datos recogidos

Más detalles

EJEMPLIFICACIONES DE DISTINTOS DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN SOCIAL

EJEMPLIFICACIONES DE DISTINTOS DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN SOCIAL EJEMPLIFICACIONES DE DISTINTOS DISEÑOS DE INVESTIGACIÓN EN EDUCACIÓN SOCIAL Estas ejemplificaciones tienen el objetivo de completar y facilitar la comprensión del estudio teórico de los temas 3, 4 y 5

Más detalles

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible

Más detalles

Algoritmos Genéticos Y

Algoritmos Genéticos Y Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Algoritmos Genéticos - Operadores

Más detalles

PREPROCESADO DE DATOS PARA MINERIA DE DATOS

PREPROCESADO DE DATOS PARA MINERIA DE DATOS Ó 10.1007/978-3-319-02738-8-2. PREPROCESADO DE DATOS PARA MINERIA DE DATOS Miguel Cárdenas-Montes Frecuentemente las actividades de minería de datos suelen prestar poca atención a las actividades de procesado

Más detalles

MATEMÁTICAS ESO EVALUACIÓN: CRITERIOS E INSTRUMENTOS CURSO 2014-2015 Colegio B. V. María (Irlandesas) Castilleja de la Cuesta (Sevilla) Página 1 de 7

MATEMÁTICAS ESO EVALUACIÓN: CRITERIOS E INSTRUMENTOS CURSO 2014-2015 Colegio B. V. María (Irlandesas) Castilleja de la Cuesta (Sevilla) Página 1 de 7 Página 1 de 7 1 CRITERIOS DE EVALUACIÓN 1.1 SECUENCIA POR CURSOS DE LOS CRITERIOS DE EVALUACION PRIMER CURSO 1. Utilizar números naturales y enteros y fracciones y decimales sencillos, sus operaciones

Más detalles

CryptoByn: Un sistema de Encriptación basado en la aleatoriedad

CryptoByn: Un sistema de Encriptación basado en la aleatoriedad CryptoByn: Un sistema de Encriptación basado en la aleatoriedad Autor: Diego Sarmentero Abstract La criptología consiste en el estudio de los sistemas de cifrado, teniendo como objectivo ocultar el contenido

Más detalles

Capítulo III Procesamiento Digital de Imágenes

Capítulo III Procesamiento Digital de Imágenes Capítulo III Procesamiento Digital de Imágenes Contenido Introducción al Procesamiento digital de imágenes Orígenes del procesamiento digital de imágenes. Aplicaciones del Procesamiento de Imágenes Componentes

Más detalles

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. 2.1 Revisión sistema reconocimiento caracteres [9]: Un sistema de reconocimiento típicamente esta conformado por

Más detalles

www.fundibeq.org En estos casos, la herramienta Gráficos de Control por Variables" no es aplicable.

www.fundibeq.org En estos casos, la herramienta Gráficos de Control por Variables no es aplicable. GRAFICOS DE CONTROL POR ATRIBUTOS 1.- INTRODUCCIÓN Este documento describe la secuencia de construcción y las pautas de utilización de una de las herramientas para el control de procesos, los Gráficos

Más detalles

En las estructuras de datos, muchas de las implementaciones o mapeos de problemas, sus

En las estructuras de datos, muchas de las implementaciones o mapeos de problemas, sus 1 Introducción. En las estructuras de datos, muchas de las implementaciones o mapeos de problemas, sus soluciones o procesos, se basan en matrices binarias. Existen varios métodos y algoritmos que trabajan

Más detalles

Tutorial - Parte 2: Scoring

Tutorial - Parte 2: Scoring Introducción Tutorial - Parte 2: Scoring En este segundo tutorial aprenderá lo que significa un modelo de Scoring, verá cómo crear uno utilizando Powerhouse Analytics y finalmente a interpretar sus resultados.

Más detalles

Gestión digital sencilla de controladores de fuentes de alimentación analógicas

Gestión digital sencilla de controladores de fuentes de alimentación analógicas COMENTARIO TECNICO Gestión digital sencilla de controladores de fuentes de alimentación analógicas Por Josh Mandelcorn, miembro del equipo técnico de Texas Instruments Normalmente, el control digital de

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

MEJORA DE LA IMAGEN EN EL DOMINIO DE LA FRECUENCIA: TRANSFORMADA DE FOURIER

MEJORA DE LA IMAGEN EN EL DOMINIO DE LA FRECUENCIA: TRANSFORMADA DE FOURIER MEJORA DE LA IMAGEN EN EL DOMINIO DE LA FRECUENCIA: TRANSFORMADA DE FOURIER M.C. CAROLINA ROCÍO SÁNCHEZ PÉREZ 01 DE ABRIL DE 2011 Operaciones en el dominio de la frecuencia Una imagen digital es una representación

Más detalles

Laboratorio de Señales y Comunicaciones (LSC) 3 er curso, Ingeniería de Telecomunicación. Curso 2005 2006. (1 sesión)

Laboratorio de Señales y Comunicaciones (LSC) 3 er curso, Ingeniería de Telecomunicación. Curso 2005 2006. (1 sesión) Transmisión Digital en Banda Base PRÁCTICA 8 (1 sesión) Laboratorio Señales y Comunicaciones (LSC) 3 er curso, Ingeniería Telecomunicación Curso 2005 2006 Javier Ramos, Fernando Díaz María y David Luengo

Más detalles

Multivac Vision System (MVS): Detección visual de objetos e inspección de calidad

Multivac Vision System (MVS): Detección visual de objetos e inspección de calidad Multivac Vision System (MVS): Detección visual de objetos e inspección de calidad MVS Componentes Campos de aplicación Datos Técnicos Optima automatizacion de la producción y del aseguramiento de la calidad

Más detalles

ES 2 432 479 A2 ESPAÑA 11. Número de publicación: 2 432 479. Número de solicitud: 201200635 G06K 1/00 (2006.01) G06K 1/00 01.06.

ES 2 432 479 A2 ESPAÑA 11. Número de publicación: 2 432 479. Número de solicitud: 201200635 G06K 1/00 (2006.01) G06K 1/00 01.06. 19 OFICINA ESPAÑOLA DE PATENTES Y MARCAS ESPAÑA 11 21 Número de publicación: 2 432 479 Número de solicitud: 201200635 51 Int. CI.: G06K 1/00 (2006.01) G06K 1/00 (2006.01) 12 SOLICITUD DE PATENTE A2 22

Más detalles

SFS-Scanner Analizador de las firmas espectrales de fluorescencia

SFS-Scanner Analizador de las firmas espectrales de fluorescencia SFS-Scanner Analizador de las firmas espectrales de fluorescencia Objetivos QUIÉNES SOMOS? VIXIA SYSTEM es una empresa destinada a desarrollar actividades en torno a sistemas de visualización y evaluación

Más detalles

Sistemas Conexionistas

Sistemas Conexionistas 1 Objetivo Sistemas Conexionistas Curso 2011/2012 El objetivo de esta práctica es usar un conjunto de redes de neuronas artificiales para abordar un problema de reconocimiento de figuras sencillas en imágenes

Más detalles

TEMA 9: Desarrollo de la metodología de Taguchi

TEMA 9: Desarrollo de la metodología de Taguchi TEMA 9: Desarrollo de la metodología de Taguchi 1 La filosofía de la calidad de Taguchi 2 Control de calidad Off Line y On Line Calidad Off Line Calidad On Line 3 Función de pérdida 4 Razones señal-ruido

Más detalles

Transmisión de Datos en Formato Digital

Transmisión de Datos en Formato Digital Transmisión de Datos en Formato Digital Omar X. Avelar & J. Daniel Mayoral SISTEMAS DE COMUNICACIÓN & TRANSMISIÓN DE DATOS (ESI 043A) Instituto Tecnológico y de Estudios Superiores de Occidente (ITESO)

Más detalles

Práctica 11 SVM. Máquinas de Vectores Soporte

Práctica 11 SVM. Máquinas de Vectores Soporte Práctica 11 SVM Máquinas de Vectores Soporte Dedicaremos esta práctica a estudiar el funcionamiento de las, tan de moda, máquinas de vectores soporte (SVM). 1 Las máquinas de vectores soporte Las SVM han

Más detalles

Las Matemáticas En Ingeniería

Las Matemáticas En Ingeniería Las Matemáticas En Ingeniería 1.1. Referentes Nacionales A nivel nacional se considera que el conocimiento matemático y de ciencias naturales, sus conceptos y estructuras, constituyen una herramienta para

Más detalles

Trabajo final de Ingeniería

Trabajo final de Ingeniería UNIVERSIDAD ABIERTA INTERAMERICANA Trabajo final de Ingeniería Weka Data Mining Jofré Nicolás 12/10/2011 WEKA (Data Mining) Concepto de Data Mining La minería de datos (Data Mining) consiste en la extracción

Más detalles

MEDICIÓN Y AJUSTE DE LOS SISTEMAS DE REFUERZO SONORO

MEDICIÓN Y AJUSTE DE LOS SISTEMAS DE REFUERZO SONORO MEDICIÓN Y AJUSTE DE LOS SISTEMAS DE REFUERZO SONORO POR QUÉ ES NECESARIO MEDIR? QUÉ CONOCEMOS AL MEDIR UN SISTEMA DE AUDIO? QUÉ PARÁMETROS PODEMOS AJUSTAR? TIPOS DE MEDICIONES DE UN SOLO CANAL DE DOBLE

Más detalles

El Filtro de Partículas

El Filtro de Partículas El Filtro de Partículas José Antonio Camarena Ibarrola El Filtro de Partículas p.1/25 El Filtro de Partículas Método Monte Carlo (basado en muestreo) para inferir el estado de un sistema que evoluciona

Más detalles

Capítulo 6 Filtrado en el Dominio de la Frecuencia

Capítulo 6 Filtrado en el Dominio de la Frecuencia Capítulo 6 Filtrado en el Dominio de la Frecuencia...39 6. Método en el Dominio de la Frecuencia...39 6. Filtros Espaciales en la frecuencia...40 6.. Convolución Lineal y la Transformada Discreta de Fourier...45

Más detalles

Un par de puntas de prueba que comunican el instrumento con el circuito bajo prueba.

Un par de puntas de prueba que comunican el instrumento con el circuito bajo prueba. INSTRUMENTACIÓN ELÉCTRICA Medición de tensión con diferentes instrumentos de medida MULTÍMETROS ANALOGOS De todas las herramientas y equipos que un electricista pueda poseer en su banco o en su maletín

Más detalles

SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA

SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA CONTENIDO Términos en manufactura Clasificación de sistemas de manufactura Beneficios y ejemplos de sistemas de manufactura Los componentes de un sistema de manufactura

Más detalles

Teoría de Sistemas y Señales

Teoría de Sistemas y Señales Universidad Nacional de Rosario Facultad de Ciencias Exactas, Ingeniería y Agrimensura Escuela de Ingeniería Electrónica Teoría de Sistemas y Señales Trabajo Práctico Nº 3 Análisis Frecuencial de Señales

Más detalles

CAPÍTULO 3 Programación en LabVIEW

CAPÍTULO 3 Programación en LabVIEW CAPÍTULO 3 Programación en LabVIEW 3.1 Conexión física de los elementos Para capturar todas las señales provenientes de los sensores se utilizó una tarjeta de adquisición de datos de National Instruments,

Más detalles

Inteligencia de Negocio

Inteligencia de Negocio UNIVERSIDAD DE GRANADA E.T.S. de Ingenierías Informática y de Telecomunicación Departamento de Ciencias de la Computación e Inteligencia Artificial Inteligencia de Negocio Guión de Prácticas Práctica 1:

Más detalles

FILTRADO DE IMÁGENES

FILTRADO DE IMÁGENES FILTRADO DE IMÁGENES 1 INDICE RUIDO Qué es el ruido? Tipos de ruido TECNICAS DE FILTRADO EN DOMINIO ESPACIAL Promediado de imágenes Filtros de orden Filtros de medias DOMINIO FRECUENCIAL FUNCIONES EN MATLAB

Más detalles

Umbral Científico ISSN: 1692-3375 umbralcientifico@umb.edu.co Universidad Manuela Beltrán Colombia

Umbral Científico ISSN: 1692-3375 umbralcientifico@umb.edu.co Universidad Manuela Beltrán Colombia Umbral Científico ISSN: 1692-3375 umbralcientifico@umb.edu.co Universidad Manuela Beltrán Colombia Ballesteros, Dora; Pardo, Hasbleidy Software de análisis de energía en señales electroencefalograficas

Más detalles

Indicadores de la Variable.- Son aquellas cualidades o propiedades del objeto que pueden ser directamente observadas y cuantificadas en la práctica.

Indicadores de la Variable.- Son aquellas cualidades o propiedades del objeto que pueden ser directamente observadas y cuantificadas en la práctica. Las variables de un estudio. La variable es determinada característica o propiedad del objeto de estudio, a la cual se observa y/o cuantifica en la investigación y que puede variar de un elemento a otro

Más detalles

Capítulo 4. Requisitos del modelo para la mejora de la calidad de código fuente

Capítulo 4. Requisitos del modelo para la mejora de la calidad de código fuente Capítulo 4. Requisitos del modelo para la mejora de la calidad de código fuente En este capítulo definimos los requisitos del modelo para un sistema centrado en la mejora de la calidad del código fuente.

Más detalles

5 Conclusiones. Los principales objetivos de este trabajo de tesis, ya expuestos en la Introducción, son:

5 Conclusiones. Los principales objetivos de este trabajo de tesis, ya expuestos en la Introducción, son: 157 5 Los principales objetivos de este trabajo de tesis, ya expuestos en la Introducción, son: 1) Diseñar un método de clasificación visual por resistencia para la madera aserrada de Eucalyptus grandis

Más detalles

Diseño de un sistema de navegación en interiores adaptado al guiado de personas.

Diseño de un sistema de navegación en interiores adaptado al guiado de personas. UNIVERSIDAD DE ZARAGOZA Diseño de un sistema de navegación en interiores adaptado al guiado de personas. Aitor Aladrén Tudela Índice general 1 2 Sección 1 Introducción 1.1. Marco de trabajo La obtención

Más detalles

Última modificación: 1 de agosto de 2010. www.coimbraweb.com

Última modificación: 1 de agosto de 2010. www.coimbraweb.com Contenido DOMINIOS DEL TIEMPO Y DE LA FRECUENCIA 1.- Señales analógicas y digitales. 2.- Señales analógicas periódicas. 3.- Representación en los dominios del tiempo y de la frecuencia. 4.- Análisis de

Más detalles

CAPÍTULO 3. ALGORITMOS DE PREVISIÓN BASADOS EN LA EXTRAPOLACIÓN DE LOS DATOS MÁS RECIENTES

CAPÍTULO 3. ALGORITMOS DE PREVISIÓN BASADOS EN LA EXTRAPOLACIÓN DE LOS DATOS MÁS RECIENTES CAPÍTULO 3. ALGORITMOS DE PREVISIÓN BASADOS EN LA EXTRAPOLACIÓN DE LOS DATOS MÁS RECIENTES El objetivo de esta tesina es la introducción de mejoras en la previsión meteorológica a corto plazo. El punto

Más detalles