El análisis de señales no estacionarias de diversas naturalezas que presentan comportamiento oscilatorio, requieren el uso de métodos especiales. Entre estos métodos, el análisis utilizando Wavelets es una de las herramientas más poderosas para el diagnóstico del comportamiento de sistemas no estacionarios. La representación y clasificación pueden ser vistas como problemas de extracción de características en los cuales, la meta es encontrar el conjunto de características que mejor representen la señal, o mejor separen varias clases de señales en el espacio de características resultante. Actualmente, las Wavelets son aplicadas exitosamente al análisis de señales no estacionarias generadas por sistemas biológicos y de naturaleza médica. Una importante modificación de este análisis utilizando Wavelets consiste en usar bases Wavelets especialmente construidas conocidas como Wavelets adaptativas, y combinaciones lineales de éstas, conocidas como Super-Wavelets o Multi-Wavelets, lo que permite revelar ciertas características de las señales analizadas, y adaptarse de acuerdo a la señal que se esté analizando. Se pretende desarrollar una metodología para la caracterización de señales no estacionarias utilizando Wavelets adaptativas y Super-Wavelets, orientada a la extracción de características de procesos biológicos a fin de ser finalmente clasificadas por una máquina de soporte. Las Wavelets adaptativas serán usadas para los dos propósitos. El término adaptativo significa que los parámetros de la Wavelet o la forma son calculados de manera iterativa para minimizar una función de costo para una aplicación específica. Esto difiere de la mayoría de las aplicaciones previas que realizan un análisis estándar con Wavelets y entonces descartan las Wavelets que menos contribución realicen.
CONCLUSIONES:
- La caracterización de señales no estacionarias 1-D y 2-D utilizando Wavelets adaptativas a partir de banco de filtros por esquemas de actualización presentan mejores resultados en la clasificación que los esquemas fijos. - La selección automática de los umbrales para el operador de decisión hace que el método de caracterización sea robusto a la dinámica de cambio de las señales. Esto convierte la descomposición por banco de filtros implementados por esquemas de actualización adaptativos en un método de caracterización dinámica, el cuál está completamente relacionado a las características de la señal, especialmente aquellas que se encuentran en las vecindades de dato analizado. - Para tareas específicas de caracterización sobre señales ECG, MER y rostros, los esquemas de actualización primaria adaptativa ofrecen un mejor desempeño que los otros esquemas de actualización primaria adaptativa ofrecen un mejor desempeño que los otros esquemas adaptativos pues estos mejoran la etapa de aproximación de la señal, que para el caso de estas señales es donde se encuentra la información de interés. En otras tareas, tales como la segmentación, le detección de perturbaciones y el filtrado, la utilización de esquemas de actualización primaria y dual adaptativos mejoran el desempeño de los bancos de filtros para estas tareas. - Es posible generalizar los criterios de cambio no sólo al número sino también a los coeficientes del filtro. Además, todo el desarrollo presentado en este trabajo se puede extender a la construcción de bancos de filtros por esquemas de actualización con filtros IIR. Aunque todo el desarrollo se hizo orientado a la caracterización de señales, los esquemas de actualización adaptativos pueden ser utilizados en aplicaciones de filtrado y compresión de señales 1-D y 2-D.
