Estimación de características en superficies tiempo-frecuencia orientada a la detección de patologías en bioseñales
Autores
Martíınez Vargas, Juan David
Director
Castellanos Domíınguez, César Germán (Thesis advisor)
Tipo de contenido
Trabajo de grado - Maestría
Idioma del documento
EspañolFecha de publicación
2011
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Esta tesis de maestría propone una metodología de extracción/selección de características en Representaciones tiempo–frecuencia aplicada a la detección de patologías en bioseñales. La metodología se divide en diferentes enfoques: el primero orientado a la selección de puntos Relevantes sobre las superficies, el segundo orientado a la selección de bandas de frecuencia Relevantes; estos enfoques reducen directamente el alto contenido de datos redundantes e Irrelevantes contenidos en los mapas t–f, combinando una primera etapa de selección de características con una etapa de reducción de dimensión basada en métodos de descomposición lineal. El tercer enfoque se orienta a la división espectral sobre las superficies t–f para la estimación de características dinámicas. Los resultados muestran que la metodología propuesta basada en la estimación de características dinámicas, obtiene un alto rendimiento y mejora los resultados obtenidos con diferentes metodologías de caracterización estáticas y Tiempo–frecuencia / Abstract: This master’s thesis proposes a methodology for feature extraction/selection over time– frequency representations, for pathology detection on biosignals. The methodology in three different approaches: the first one, oriented to relevant points selection, the second one oriented to relevant frequency bands selection; these approaches directly reduce the high quantity of redundant and irrelevant data over the representation, by combining a first stage of feature selection with a stage of dimensionality reduction by means of lineal decomposition methods. The third approach is oriented to perform spectral splitting over the time–frequency maps, with aim to filter–banked dynamic feature estimation. Results show that proposed methodology based on dynamic feature estimation, obtain high performance rates and improve results obtained with other static and time–frequency characterization methodologies.