Beruflich Dokumente
Kultur Dokumente
/2
Donde,
=
x(k)
max x(k)
Donde,
(): Seal a normalizar.
()
: Seal normalizada.
Unipolar con intervalo [0,1], mediante la expresin (Hu et al.2007):
()
=
x(k)
()
max x(k)
3.2.5 El mtodo HVD
Durante las ltimas dcadas se han descubierto varios mtodos para la
descomposicin y el procesamiento de seales no estacionarias, una de ellos es el
Modo de Descomposicin Emprica (EMD) el cual permite separar seales en
diferentes monocomponentes de acuerdo con sus escalas, a partir del clculo de
las funciones de modo intrnseco (IMF), las cuales son funciones base dependientes
, con significado estadstico y con las que se puede discriminar el ruido de la
informacin y determinar sus caractersticas (Huang & Shen, 2005). En otras
palabras una seal es expresada como la suma de sus IMFs y su residuo,k lo que
permite reconstruir una nueva seal sumando n IMFs, el clculo de las IMFS, se
basa en la envolvente obtenida a partir de los mnimos y mximos locales
(formados por medio del ajuste spline cubico) y son estimados mediante un
procedimiento iterativo denominado sifting (kopsinis & MclaUglin, 2009).
EMD es una metodologa practica y altamente adaptable ya que se ha concluido en
investigaciones anteriores (M Becerra, 2013) que La descomposicin y
reconstruccin de seales FCG mediante EMD, permite atenuar perturbaciones y
realzar los componentes de seal correspondientes a los soplos en las seales
FCG, mejorando la posibilidad de discernir entre clases y por ende mejorando el
rendimiento del clasificador. Sin embargo este mtodo demanda un costo
computacional muy elevado, lo cual lo hace complejo de implementar en un sistema
de apoyo diagnstico para tiempo real.
Ms recientemente se desarroll el Mtodo de Descomposicin de vibracin de
Hilbert (HVD) propuesto por el Dr M. Feldman en 2006: quien apoyado en la
transformada de Hilbert-Huang (HHT) para obtener la frecuencia instantneas de la
seal inicial, HVD es una algoritmo iterativo que extrae el componente dominante
de la seal, ya que este primer componente es el que contiene la amplitud ms alta
variable, la seal residual luego de la extraccin del primer mono-componente
contiene simplemente informacin sobre los dems componentes de menor
amplitud.
HVD se basa en la hiptesis que si observamos la fase (o la frecuencia) de forma
analtica de una seal con inicial, su evolucin global est impulsada por el mono-
componente dominante (el que tiene mayor amplitud) de la seal. Los otros
componentes aparecen como simples oscilaciones alrededor de la fase
perteneciente a la mono dominante. Se puede demostrar que las componentes
varias iteraciones despus de la principal tienden a desvanecerse cuando se
integran en el tiempo,(M, Bertha,2014), en otras palabras la seal inicial est
formada por la superposicin de funciones cuasi-armnicas que tambin contienen
una lenta variacin de DC offset y el mtodo HVD lo que permite que una funcin
inicial mono-componente no estacionaria se pueda descomponer en un pequeo
nmero de seales mono-componente ms simples con las cuales se poder realizar
clculos de forma ms sencilla y posiblemente sin alto costo computacional como
la extraccin de caractersticas de una seal FCG .
En mtodo HVD utiliza para aislar el componente dominante presente en la seal
inicial, un filtro pasa bajo, como se muestra en el esquema (ver figura), y por ltimo
el componente dominante se extrae de la seal usando una demodulacin sncrona
basada en la frecuencia del modo dominante, una vez que se obtiene lo que
llamaremos la seal residual se repite todo el proceso para obtener los
componentes restantes.
1
() =
1
()
1
()
3.2.5.1 Transformada de Hilbert Huang (HHT)
Es una mtodo simple para analizar los cambios de frecuencia y amplitud de una
seal en el tiempo, el cual solo puede ser aplicada sobre seales mono-
componentes, diferentes tipos de seales presentan caractersticas no lineales y
no estacionarias, e.g seales de voz, de vibracin, FCG, entre otras, presentando
gran cantidad de cambios tanto en amplitud como en frecuencia. Sin embargo para
descomponer este tipo de seales en sus respectivos mono-componentes, se
aplican los EMD, facilitando su anlisis por medio de la HHT.
La transformada de Hilbert (HT) de una funcin real (), resulta de la convolucin
entre funcin analizar () y el inverso del tiempo 1/nt, lo que enfatiza en las
propiedades locales de la funcin y est definida por (Ramrez & Montejo, 2011;
Tseng at al., 2012):
[()] =
1
()
+
d
La HHT consiste en el paso de una funcin () a travs de un sistema, el cual deja
la magnitud sin cambio, pero cambia la fase de todos los componentes de
frecuencia e /2, permitiendo la construccin de una seal analtica compleja
() en la que su parte imaginaria es la HHT de () y su parte real es igual a la
seal original, y su espectro de frecuencia es nulo para frecuencias negativas. Esta
funcin analtica es descrita por:
() = () + [()] = ()
()
Donde,
() = [()
2
+([()])
2
]
1/2
() = arctan (
[()]
()
)
() =
d ()
]
() =
1
2
() []
(): Amplitud instantnea
(): Fase instantnea
(): Frecuencia instantnea en rad/s
(): Frecuencia instantnea en Hz
A partir de la amplitud instantnea y la frecuencia instantnea (FI) es posible obtener
la representacin tiempo-frecuencia denominada espectro de hilbert Huang (Tseng
et al., 2012). LA FI es una progresin natural a partir de la frecuencia en estado
estable de la seal y se considera un parmetro muy importante en seales que
presentan variacin de su frecuencia en el tiempo, ya que define la ubicacin de la
mxima amplitud espectral de la seal a lo largo del tiempo y se interpreta como la
frecuencia de una onda sinusoidal que ajusta localmente a la seal bajo anlisis,
teniendo significado solo en seales mono-componentes que solo tienen una
frecuencia o un rango estrecho de frecuencias, las cuales varan en funcin del
tiempo, y deben ser positivas para tener un significado complejo.
3.2.4 Caracterizacin y Espacios de Representacin
Se han realizado varias investigaciones en procedimientos para el reconocimiento
de patrones e interpretacin en seales FCG (kumar et al,2006; Orrego & Delgado,
2011).
Para un sistema de reconocimiento Automtico de patrones es necesario
implementar un universo de trabajo definido, el cual tiene elementos que se tratarn
de reconocer individualmente de forma automtica. Estos elementos toman el
nombre de patrones o clase (ovalle &caon, 1997).
Para efectuar el reconocimiento automtico de seales, es indispensable extraer de
cada seal un conjunto de caractersticas principales que la describan. La
caracterizacin tiene como objetivo reducir la dimensin de la representacin de la
seal, de modo que las distancias entre patrones de iguales clases disminuyan y
aumente entre patrones de diferentes clase (montes, Guarn y Castellanos,2005).
Para Ovalle y Can (1997) la caracterizacin depende mucho de su aplicacin y
su base es la intuicin sumada a la experiencia, por lo que se puede considerar
ms un arte que una ciencia. Aunque hay tcnicas formales que ayudan a la
caracterizacin, estas son a posteriori; lo que significa que cuando se tiene un
conjunto de caractersticas de deben realizar varias pruebas para verificar su
fiabilidad como discriminantes.
Existen varias alternativas para el diseo de sistemas de asistencia diagnostica, a
partir de las cuales se pueden realizar una representacin de la seal mediante
estimaciones de coeficientes o ndices matemticos que aunque no son medidas
con sentido clnico, pueden brindar de manera consistente la separabilidad entre
patrones correspondientes a distintas clases (Delgado.2008).
Para la deteccin de soplos cardiacos a partir de seales FCG se necesita de la
extraccin o seleccin de caractersticas y del entrenamiento de un clasificador que
en este caso ser ANFiS como etapas fundamentales, por lo que resultara de alta
relevancia la correcta eleccin de modelos de representacin que sean compactos
y que proporcionen una estructura discriminante de manera que la efectividad en la
deteccin no se atribuya exclusivamente al clasificador (Mahmoud et al , 2006)
3.2.5.2 MOMENTOS ESTADISTICOS
Apoyados en investigaciones anteriores identificamos el uso de los momentos
estadsticos tiles para extraccin de caractersticas de seales (Pinzon et al 2009),
los cuales caracterizan la funcin de distribucin permitiendo determinar la similitud
entre este tipo de funciones E.g si dos distribuciones tienen las mismas medidas de
sus momentos, se puede decir que son iguales.
El primer momento estadstico, denominado la media, es la medida del valor
central de la variable aleatorio, el cual permite determinar el promedio de las
caractersticas espaciales y est definido por medio de la ecuacin:
=[]=
()
El segundo momento la varianza, proporciona informacin sobre la
variabilidad (dispersin y expansin), de un conjunto de datos est definido
por la ecuacin
2
= [(
)
2
] = ( )
2
()
El tercer momento, la media de simetra skewness, tiene como objetivo
estudiar la deformacin horizontal de los valores de la variable respecto al
valor central de la media y la concentracin de la variable hacia uno de sus
extremos, est definido por la ecuacin:
= [(
)
3
]
El cuarto momento, denominado kurtosis, pretende comparar la curva de
una distribucin con la curva de la variable normal, proporcionando
informacin de la figura de la distribucin, cuya forma puede ser leptocrtica
si la kurtosis es mayor que 3, mesocrtica si la kurtosis es igual a 3, es decir,
la distribucin de datos corresponde a la de una variable normal, o,
platicrtica si es menor de 3. Este momento est definido por la ecuacin:
= [(
)
4
]
El quinto momento, Entropa es una medida estadstica que define de
modo generalizado el grado de desorden de una seal, la interpretacin de
este fenmeno se basa en el nexo que existe entre la entropa y las
probabilidades.
= ( log
2
())
=1
El sexto momento entropa shanoon
= (
2
log
2
(
2
))
=1
El sptimo momento entropa de baja energa
= (log())
=1
Escriba aqu la ecuacin.
3.2.5 Normalizacin de caractersticas.
3.2.5 Normalizacin de caractersticas.
Para incrementar la capacidad discriminante de los espacio de representacin y por
ende, mejorar el rendimiento del clasificador ANFIS del cual se hablara ms
adelante se ajustaron los atributos, en el rango [-1,1] aplicando normalizacin
bipolar
3.2.6 Clasificadores
Es un sistema que a partir de una informacin base disponible, en donde se pueden
agrupar elementos similares en un conjunto, de modo que se puedan diferenciar de
otros conjuntos que no cuentan con las mimas caractersticas. Asi que cada
conjunto puede ser etiquetado y cada etiqueta representa la clase a la que
pertenece todo el conjunto, en otras palabras el clasificador es quien recibe una
descripcin de un objeto para ser catalogado, y con eso es quien decide la clase de
objetos a la que pertenece, como salida del clasificador tenemos la etiqueta, para
un sistema de decisin o de clasificacin, cada registro contiene un conjunto de
atributos donde uno de ellos es la clase.
Encontrar un modelo para el atributo de la clase como la funcin de los valores de
los otros atributos, es la tarea fundamental de un clasificador, para ello normalmente
la base de datos es dividida en subconjuntos, uno de prueba que se utiliza para
construir el modelo y uno de entrenamiento para determinar la precisin del modelo
o validarlo. Una regla comn para dividir la base de datos es utilizar el 70 % de los
registros para el entrenamiento y el 30 % para la validacin de la cual hablaremos
ms adelante, sin embargo esta divisin es usualmente aleatoria, con el fin de
garantizar que ambos subconjuntos son muestras aleatorias de la misma
distribucin, tambin puede ser razonable un muestreo estratificado, lo que significa
asegurarse de que cada clase est presente en la misma proporcin en los
subconjuntos de entrenamiento y validacin.
Dicho proceso de clasificacin se puede dividir en tres tipos( Issa,2006):
Clasificacin con aprendizaje supervisado: los elementos de un
universo se agrupan en un nmero determinado de clases, donde cada
muestra de entrenamiento se sabe a qu clase pertenece y cuando una
nueva muestra aparece, se debe determinar a qu clase pertenece con
mayor probabilidad.
Clasificacin con aprendizaje parcial: es similar al supervisado, su
diferencia radica en que hay al menos una clase de elementos de los que no
se tiene ninguna muestra.
l
Clasificacin sin aprendizaje o no supervisada: debido a que no cuenta
con el conocimiento de las clases a las que pertenecen los elementos de un
universo, los va agrupando de acuerdo a las caractersticas de estos.
Es fundamental para el desarrollo de un sistema de clasificacin contar con un
entrenamiento, en donde el sistema observe muestra tomadas con anterioridad, y
de las cuales se pueda saber la clase a la que pertenece cada una, con el fin de
poder aprender a clasificar estas muestras no etiquetadas. Tampoco se debe
olvidar una tcnica de aprendizaje la cual tenga como objeto extraer conocimiento
representativo entre todas las muestras que entran al sistema, para que partir de
una serie de datos de entrenamiento sea capaz de generar un sistema clasificador
de informacin
3.3 ANFIS
El modelo ANFIS (Sistema de inferencia difusa Basado en Redes Adaptativas) es
un sistema hbrido que combina el aprendizaje de las redes neuronales y la
lingstica de las reglas de la lgica difusa. Este modelo utiliza reglas de inferencia
difusa propuestas por Takagi y Sugeno (TS) en 1985. Suponiendo dos reglas SI
ENTONCES tipo TS, tenemos:
1 Regla : si es
1
y es
1
Entonces =
1
= p1x +q1Y+r1
2 Regla: si x es A2 y Y es B2 Entonces Z2 = p2x +q2Y+r2
Donde X yY son entradas , donde cada entrada tiene dos funciones de pertenencia;
Ai y Bi son conjuntos difusos, Zi la salida dentro de la regin especifica difusa, Pi ,qi
y Ri son los parmetro de diseo que se determinan durante el entrenamiento
La arquitectura ANFIS est compuesta por 5 capas (Jang, 1993), en donde cada
una de ellas efecta un proceso especifico en la inferencia de la salida del sistema
y todos los nodos de una misma capa realizan la misma funcin, los nodos
representados grficamente por un cuadrado son adaptativos, es decir que sus
parmetros son ajustables durante el entrenamiento y los nodos representados
grficamente con un circulo son fijos, no representan cambios en el
entrenamiento.(Ver grafica#)
4. DISEO METODOLGICO
4.1 Tipo de proyecto:
La propuesta que se presenta posee caractersticas propias del enfoque
cuantitativo ya que se pretende identificar la patologa por medio de la identificacin
de sus caractersticas.
De acuerdo con Hernndez, Fernndez y Baptista (2010), las investigaciones con
enfoque cuantitativo deben tener procesos estandarizados que cumplan con las
siguientes condiciones: secuenciales, deductivos, probatorios y objetivos.
Asimismo, debe garantizar: generacin de resultados, control de los fenmenos
estudiados, precisin en la ejecucin del proceso de experimentacin y prediccin
o identificacin del fenmeno estudiado. En este caso la presencia de la patologa
en la seal FCG.
Teniendo en cuenta lo anterior, el tema investigativo que aqu se plantea tendr un
avance secuencial que se desarrollar en cuatro etapas claramente definidas y con
procesos especficos cada una. Esta investigacin tambin se apoyar en
conclusiones o razonamientos que parten de estudios realizados por grupos de
investigacin como el GEA entre otros; tambin se utiliza el mtodo ANFIS como
herramienta importante a la hora de clasificar seales, y todo lo anterior se realizar
de forma organizada, secuenciada y controlada con el fin de garantizar rigurosidad
en el proceso.
El alcance de esta investigacin ser de carcter exploratorio ya que el problema
de la falta de herramientas que optimicen la clasificacin de las seales
fonocardiogrficas disminuyendo el costo computacional, ser indagado desde una
perspectiva innovadora, al tratar de descomponer la seal normalizada por medio
de HVD y que de esta manera se prepar el camino para futuros estudios que
implementen el sistema completo de diagnstico cardiaco.
El enfoque de la investigacin ser experimental porque se identificarn las
variables estadsticas, calculadas a partir de los resultados de la aplicacin del
mtodo HVD a la seal FCG.
4.2 Metodologa
Una descripcin detallada por etapas del proceso experimental es la siguiente:
1. Anlisis de la base de datos para la seleccin de seales FCG
2. Re muestreo, filtrado y normalizacin de la seal.
3. Descomposicin de la seal por medio de HVD y utilizacin de tcnicas para
la extraccin y seleccin de caractersticas.
4. Validacin cruzada para medir el rendimiento del sistema de clasificacin.
5 Analisis
HVD estima la frecuencia no estacionario del componente ms grande como una
funcin de la media de la frecuencia instantnea del registro de oscilacin, y la
envolvente correspondiente se calcula de acuerdo con emulacin sncrono. HVD
puede detectar diferentes componentes individuales en una seal de oscilacin con
variacin lenta amplitud instantnea de una frecuencia