Metodología de reducción de dimensión para sistemas de reconocimiento automático de patrones sobre bioseñales

Abstract

En este trabajo se presenta la construcción metodológica para los procesos de reducción de dimensión, a partir del análisis comparativo entre técnicas de extracción y selección de características, y tiene como aporte fundamental la clara identificación de las condiciones de aplicación de cada una de las técnicas. En forma particular, se estudian las técnicas de análisis lineal de componentes, análisis dinámico de componentes, análisis de varianza, búsquedas secuenciales y criterios de evaluación sobre matrices de dispersión. Las pruebas de desempeño se orientan a la precisión del sistema en la etapa de clasificación y la capacidad de reducción de dimensión, se realizan sobre una base de datos de voz, para la identificación de patrones particulares en la fonación de las 5 vocales del idioma español, de igual forma, se realizan pruebas sobre una base de datos de electrocardiografía, para detectar la presencia de cardiopatía isquémica, los resultados obtenidos reflejan que la capacidad de reducción y clasificación de las técnicas de selección es usualmente superior que la de las técnicas de extracción. Sin embargo, la naturaleza de los datos influye drásticamente sobre la elección de un método de reducción particular. Además, se plantea una estructura metodológica basada en PCA que permite realizar los procesos de reducción de dimensión y clasificación analizando el comportamiento dinámico de características (particularmente, características que cambian a lo largo del tiempo). La metodología propuesta también permite efectuar el proceso de selección de las variables dinámicas que más influencia presentan en el proceso / Abstract: This work presents a methodological construction for dimension reduction processes, which is founded on comparative analysis among several feature extraction and feature selection techniques. Its main contribution is a clearer identification of the conditions a specific method can be correctly applied. Particularly, linear component analysis, dynamic component analysis, analysis of variance and sequential search algorithms along with scatter matrices criteria are considered. Performance tests have their basis on classification accuracy and reduction levels. Experimental results are derived from correct identification on a speech database containing normal and pathological registers. In a similar fashion, tests on ECG database are carried out to identify ischemic cardiopathy. Results show that feature selection techniques have higher reduction rates over all studied methods. However, the nature of data affects the choice of a particular method. Moreover, it is proposed a methodological structure based on PCA that allows for dimension reduction and pattern classification by analyzing the dynamical behavior of features (particularly, features that change across time). The proposed method also admits dynamic feature selection of variables in the process that influence it the most.