Análisis tiempo-frecuencia por métodos no paramétricos orientado a la detección de patologías en bioseñales.
En el presente estudio se propone una metodología basada en el análisis tiempo-frecuencia, y extracción de características dinámicas (características que varían a lo largo del tiempo), las cuales permiten representar correctamente señales no estacionarias y variantes en el tiempo, para la tarea de r...
- Autores:
-
Quiceno Manrique, Andrés Felipe
- Tipo de recurso:
- Fecha de publicación:
- 2009
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/7042
- Palabra clave:
- 61 Ciencias médicas; Medicina / Medicine and health
62 Ingeniería y operaciones afines / Engineering
Análisis tiempo-frecuencia, Bioseñales, Procesamiento de señales-Técnicas digitales, Reconocimiento de modelos
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| Summary: | En el presente estudio se propone una metodología basada en el análisis tiempo-frecuencia, y extracción de características dinámicas (características que varían a lo largo del tiempo), las cuales permiten representar correctamente señales no estacionarias y variantes en el tiempo, para la tarea de reconocimiento de patrones. De esta forma, se implementan representaciones tiempo-frecuencia de la clase de Cohen y la clase afín, y posteriormente se estiman variables o características dinámicas a partir de estas representaciones: energía, frecuencia instantánea, ancho de banda, vectores singulares, centroides espectrales y coeficientes espectrales. Luego, se aplica una medida de relevancia, con el fin de identificar cuáles son las características con las cuales se puede obtener un mejor desempeño de clasificación. Finalmente, se emplea análisis de componentes principales para extraer características puntuales a partir de las variables dinámicas, y a continuación se utilizan tres diferentes tipos de clasificadores: k vecinos más cercanos, mezclas de gaussianas y redes neuronales, con los cuales se evalúa el rendimiento de cada conjunto de características. Los algoritmos y los métodos se validan con tres tipos de bioseñales para la detección de patologías: señales fonocardiográficas, de variabilidad del ritmo cardíaco y de voz. El rendimiento máximo de clasificación que se obtiene para estas señales es de 97,80%, 90,22% y 94,63%, respectivamente. Estos resultados indican que la metodología desarrollada es efectiva y viable para la caracterización e identificación de patologías en bioseñales. |
|---|