AREAS Y PROYECTOS DE INVESTIGACIÓN

Transcripción

1 AREAS Y PROYECTOS DE INVESTIGACIÓN Dra. María del Pilar Gómez Gil Coordinación de Computación Instituto Nacional de Astrofísica, Óptica y Electrónica Oficina 8228 pgomez@ccc.inaoep.mx, pgomez@acm.org Presentación disponible en: V: (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 1

2 Mi participación en investigación Formo parte de: Laboratorio de Aprendizaje Automático y Reconocimiento de Patrones (MLPR), Laboratorio de Procesamiento de Bio-Señales y Computación Médica Grupo de procesamiento de señales e Inteligencia Computacional (PSIC) PSIC está formado por investigadores y estudiantes de las coordinación de Electrónica y de Ciencias de la computación (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 2

3 Áreas de interés de PGG Redes Neuronales Artificiales (RNA) aplicadas en problemas de: Reconocimiento de patrones Clasificación estática y temporal Predicción Diseño de RNA Otras áreas de inteligencia computacional aplicadas a dichos problemas (Lógica Difusa y Algoritmos Evolutivos) (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 3

4 Las Redes Neuronales Artificiales Son modelos matemáticos capaces de adaptar su comportamiento en respuesta a ejemplos presentados por el medio ambiente de manera supervisada o no supervisada (esto es aprendizaje automático!) Están inspiradas en la construcción del cerebro y las neuronas biológicas. Una red neuronal artificial es un procesador paralelo y distribuido, hecho de varios procesadores simples, que puede almacenar y utilizar conocimiento adquirido de la experiencia (Haykin 2009). (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 4

5 El Contexto de Redes Neuronales (Gómez-Gil, 2009) Entradas RNA Salidas Ejemplos (medio ambiente) conocimiento (c) P. Gómez, INAOE

6 Aprendizaje basado en ejemplos Las redes neuronales son capaces de modificar su comportamiento en respuesta al medio ambiente, el cual es presentado a la red a través de ejemplos significativos del problema. Para una red neuronal, aprender significa modificar los valores de los pesos (números reales), siguiendo una estrategia determinada conocida como algoritmo de aprendizaje. (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 6

7 Hay muchos tipos de RNA s algunos típicos (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 7

8 Hay muchos tipos de RNA s otros mas interesantes (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 8

9 Un punto sobre sobre el plan de estudios PERIODO 1 (OTOÑO) Matemáticas para computación Diseño y análisis de algoritmos PERIODO 2 (PRIMAVERA) Curso área prioritaria Curso área prioritaria PERIODO 3 (VERANO) Curso área escogida Curso área de soporte Curso básico área 1 Curso otra área Seminario PERIODO 4 (OTOÑO) Preparación de tesis PERIODO 5 (PRIMAVERA) Preparación de tesis PERIODO & (VERANO) Terminación de tesis Curso básico área 2 Seminario de metodología Curso otra área Seminario (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 9

10 Cursos posiblemente requeridos para mis proyectos 1. Procesamiento digital de señales 2. Inteligencia Computacional I 3. Inteligencia Computacional II 4. Reconocimiento de patrones 5. Aprendizaje Computacional II 6. Procesamiento de bio-señales (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 10

11 Características de mi investigación RETOS Con respecto a DATOS: ruidosos clases sobre-puestas muy pocos difíciles de caracterizar se requieren fusionar etc AREAS DEL CONOCIMIENTO Clasificación estática Clasificación temporal Predicción Teoría de RNA AREAS DE APLICACIÓN Brain Computer Interfaces Biométrica Diagnóstico médico Economía y Finanzas Astrofísica Reconocimiento de escritura (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 11

12 x(i+ 10) Trabajamos con señales no estacionarias Mackey-Glass data for A=0.2, B=0.1, tao=17 h= points of good2.dat Mackey-Glass time series (Glass 1987) dx( t) ax( t ) bx( t) 10 dt 1 x ( t ) x(i+ 5) 0.5 Return map of good2.dat x(i) Injection regions Return map of a Mackey-Glass time series Case K expected prediction ATM withdraws (NN5-001) (Crone 2006) (c) P. Gómez, INAOE pgomez@inaoep.mx n Long-term prediction of an ECG (Gomez et al., 2011) 12

13 Principales Proyectos para tesis este año 1. Clasificación y predicción temporal de señales EEG con aplicación a interfaces cerebro-computadora (BCI, diagnóstico médico-epilepsia). (PSIC) 2. Priscus: reconocimiento automático de escritura manuscrita en documentos antiguos (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 13

14 Proyecto: Clasificación y predicción temporal de señales EEG con aplicación a interfaces cerebrocomputadora (BCI, diagnóstico médicoepilepsia). (PSIC). (en colaboración con el grupo PSIC) (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 14

15 Clasificación de epilepsia Healthy patient (c) P. Gómez, INAOE 2015 During an ictal event 15

16 Biomedical Signal Processing Using Wavelet Based -Neural Networks MODWT (Juarez-Guerra, 2014) (c) P. Gómez, INAOE Proposed model: MRW-FFWNN

17 Prediction of epileptic seizures: example of state-of-the-art technology (Cook et al. 2013) (c) P. Gómez, INAOE

18 Publicaciones seleccionadas- epilepsia Juarez-Guerra E, Alarcon-Aquino V and Gomez-Gil P. Epilepsy Seizure Detection in EEG Signals Using Wavelet Transforms and Neural Networks. New Trends in Networking, Computing, E-learning, Systems Sciences, and Engineering Lecture Notes in Electrical Engineering. Eds: K. Elleithy, T. Sobh. Vol 312, 2015, pp DOI: / _33. (Nota: This work was presented in the : Virtual International Joint Conferences on Computer, Information and Systems Sciences and Engineering (CISSE 2013). Dec , 2013) Gómez-Gil P, Juárez-Guerra E, Alarcón-Aquino V, Ramírez-Cortés M, Rangel-Magdaleno J. Identification of Epilepsy Seizures Using Multiresolution Analysis and Artificial Neural Networks. Recent Advances on Hybrid Approaches for Designing. Intelligent Systems, Studies in Computational Intelligence 547, O Castillo et al. (eds.), DOI: / _23, Springer International Publishing Switzerland Juarez Guerra, E. Biomedical Signal Processing Using Wavelet Based -Neural Networks. Doctoral program in computer science, technical report. Nov. 14, Cholula, Puebla. (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 18

19 Interfaz cerebro-computadora No exige ninguna actividad muscular Permite controlar dispositivos Actividad cerebral [Carrera-León 2010] (c) P. Gómez, INAOE

20 Ejemplo de una estructura básica de un sistema BCI [D croz Barón 2010] (c) P. Gómez, INAOE

21 Obtención de señales Usando el casco [Ramírez et al 2010] Datos obtenidos de un casco EEG (c) P. Gómez, INAOE

22 Existe Software para análisis de ECG [Ramírez-Cortés et al. 2010] (c) P. Gómez, INAOE

23 Classification of EEG signals for command identification BLINKY- command identifier (Lopez-Espejel, 2015) (c) P. Gómez, INAOE

24 Blinky: command identifier Signal sensing and preprocessing Feature extraction wavelet modeling Classification neural network (Lopez-Espejel, 2015) Robot coding for movement (c) P. Gómez, INAOE

25 Publicaciones escogidas - BCI López-Espejel, Jessica N. Control de movimiento de objetos a través del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costo. Tesis para obtener el título de Licenciada en Ingeniería en Ciencias de la Computación. Benemérita Universidad Autónoma de Puebla- Instituto Nacional de Astrofísica, Óptica y Electrónica, Puebla. México. To be published Morales-Flores E Ramírez-Cortés JM, Gómez-Gil P, Alarcón-Aquino V. "Brain Computer Interface Development Based on Recurrent Neural Networks and ANFIS Systems". Soft Computing Applications in Optimization, Control, and Recognition, Vol. 294, pp , Edited by Melin, P and Castillo, O, doi= / _9. Springer Berlin Heidelberg Rosas-Cholula G, Ramirez-Cortes JM, Rangel-Magdaleno J, Gomez-Gil P, Alarcon-Aquino V. Head movement artifact removal in EEG signals using Empirical Mode Decomposition and Pearson Correlation The 2013 International Conference on Artificial Intelligence (ICAI 2013). July 22-25, Las Vegas, Nevada USA Obed Carrera León, Juan Manuel Ramirez Cortés, Vicente Alarcón-Aquino, Mary Baker, David D Croz-Baron, Pilar Gomez-Gil, A Motor Imagery BCI Experiment using Wavelet Analysis and Spatial Patterns Feature Extraction, 2012 IEEE Workshop on Engineering Applications, Bogotá, Colombia, May 2-4, (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 25

26 Algunos retos en este proyecto La identificación de los eventos no puede realizarse simplemente analizando la señal en el tiempo Hay muchos trabajos actualmente sobre el tema, pero sus resultados no son tan buenos como se desea Se requiere analizar tanto la parte de extracción de características como la de clasificación. Nosotros nos concentraremos en la clasificación (c) P. Gómez, INAOE

27 Proyectos posibles Asignación de clases temporales a través de lógica difusa u otras técnicas Predicción de eventos ictales basado en EEG Predicción de eventos hipotensos súbitos en salas de terapia intensiva Prediccion/clasificación en otras señales biológicas Selección de funciones wavelts madre para redes wavelets aplicadas a clasificación/predicción (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 27

28 Otras lecturas Gómez-Gil P, García-Pedrero A and Ramírez-Cortes JM. Composite Recurrent Neural Networks for Long-Term Prediction of Highly-Dynamic Time Series Supported by Wavelet Decomposition, Soft Computing for Intelligent Control and Mobile Robotics, Vol. 318/2011, pp , Castillo O, Janusz K and Pedrycz W. Editors, Springer-Verlag. DOI: / _16 (para conocer algo sobre redes neuronales recurrentes) Luna-Pérez, R, Gómez-Gil, P. Unconstrained Handwritten Word Recognition Using a combination of Neural Networks. Lecture Notes in Engineering and Computer Science -Proceedings of the 2010 Word Congress on Engineering and Computer Science (WCECS 2010) International Conference on Soft Computing and Applications (ICSCA 10), San Francisco, USA. Vol. 1, pp Eds. Ao SI, Douglas C, Grundfest WS, Burgstone J. International Association of Engineers. (para conocer algo sobre clasificación temporal) Ramírez-Cortés JM, Alarcón-Aquino V, Rosas-Cholula G, Gómez-Gil P, Escamilla-Ambrosio J. P- 300 rhythm detection using ANFIS algorithm and wavelet feature extraction in EEG signals. Lecture Notes in Engineering and Computer Science -Proceedings of the 2010 Word Congress on Engineering and Computer Science (WCECS 2010) International Conference on Soft Computing and Applications (ICSCA 10), San Francisco, USA, Vol. 2186, pp Eds. Ao SI, Douglas C, Grundfest WS, Burgstone. (para conocer algo sobre clasificación en BCI) Página de PhysioNet (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 28

29 Proyecto: PRISCUS: Reconocimiento automático de escritura manuscrita en documentos antiguos (en colaboración con coordinación de Electrónica INAOE) (c) P. Gómez, INAOE

30 Resumen PRISCUS es un proyecto para la construcción de un sistema lector de documentos manuscritos antiguos y modernos. Su objetivo es desarrollar un software inteligente integral. Está basado en redes neuronales artificiales y otros componentes de inteligencia computacional y entendimiento de lenguaje. Se busca la mejor implementación posible a problemas que aún son abiertos, tales como: segmentación de escritura continua, entendimiento de texto completo en base a clasificación de caracteres y palabras, e identificación de palabras Se están iniciando colaboraciones con un grupo en Grecia. (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 30

31 El reconocimiento de manuscritos es un reto! [Spinola & Linares 2000] (c) P. Gómez, INAOE

32 Un OCR para documentos manuscritos Documento original Parámetros de entrenamiento 1. Digitalización 7. Entrenamiento del reconocedor Imagen digital 2. Preprocesamiento 6. Reconocimiento de caracteres/ palabras imagen limpia Objetos de caracteres 4. Segmentación de caracteres/palabras y extracción de características 3. Segmentación de palabras Words Objetos con caracteres 8. Identificación de palabras Conocimiento de la RNA Posibles caracteres Parámetros para entrenamiento Conocimiento de la RNA 5. Entrenamiento de la segmentación Segmentación para entrenamiento Posibles palabras Diccionario (c) P. Gómez, INAOE Palabras 2015 en el texto pgomez@inaoep.mx 10. Corrección de estilo Transcripción 32 del documento [Gómez-Gil et al. 2007]

33 Algunos retos en este proyecto El modelo de reconocimiento de caracteres debe utilizar información probabilística a fin de reconocer palabras y utilizar el contexto. El sistema de segmentación de caracteres requiere implementarse Definir un de sistema de formación de sentencias basado en procesamiento de lenguaje natural (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 33

34 Clasificación de una palabra (Luna-Perez & Gómez-Gil, 2010) (c) P. Gómez, INAOE

35 Word Segmentation Connected components Lines identification (Pimentel-Crisostomo, 2015) Segmented words experiment 1 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 35

36 Proyectos posibles Uso de redes recurrentes para reconocimiento de palabras Uso de técnicas conexionistas para identificación de áreas de interés en textos antiguos (c) P. Gómez, INAOE

37 Selected publications- PRISCUS Pimentel Crisóstomo Hazziel. Localización y segmentación de palabras en documentos manuscritos antiguos y modernos para el sistema PRISCUS. Tesis para obtener el título de Licenciado en Ingeniería en ciencias de la computación. Benemérita Universidad Autónoma de Puebla Instituto Nacional de Astrofísica, Óptica y Electrónica. Facultad de ciencias de la Computación. Puebla, México. To be published Luna-Pérez R, Gómez-Gil P. Unconstrained Handwritten Word Recognition Using a combination of Neural Networks. Lecture Notes in Engineering and Computer Science: Proceedings of the World Congress on Engineering and Computer Science 2010, WCECS 2010, October, 2010,San Francisco, USA. pp Eds. Ao SI, Douglas C, Grundfest WS, Burgstone J. International Association of Engineers. ISBN: ISNN: (print) ISNN: (online) Diamantatos P, Kavallieratou E, Gomez-Gil P. Binarization: A tool for text localization. To be published in the Proceedings of the 14 th. International Conference on Frontiers in Handwritten Recognition. 1-4 September, Crete Island, Greece. (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 37

38 Para conocer un poco mas de este proyecto ver las publicaciones listadas en la página: (c) P. Gómez, INAOE

39 Preguntas? INAOE, Tonantzintla Puebla, oficina 8228 (222) ext (c) P. Gómez, INAOE