topeeng.gif (8383 bytes)

[ Scientific Activity - Actividad Científica ] [ Brief Communications - Temas Libres ]

Aplicación de las Redes Neurales Artificiales en la Cancelación de Ruido

Hernández Montero Fidel Ernesto; Falcón Urquiaga Wilfredo.

Universidad de Pinar del Río, Pinar del Río, Cuba.

Abstract
Introducción
Objetivos
Material y Métodos
Resultados
Discusión
Conclusiones

Abstract
Introducción: Son bien conocidos los efectos que ocasiona la presencia de señales ruidosas en los sistemas de procesamiento de señales. No tener en cuenta la influencia de estas señales podría ocasionar incorrecto sensado de variables no eléctricas, pérdida de datos, etcétera.
Objetivos: El siguiente trabajo propone la aplicación de las Redes Neurales Artificiales (RNA) como técnica novedosa y efectiva en la extracción de señales indeseables en entornos de la Bioingeniería, Telecomunicaciones y Electrónica en general, donde resulta inconveniente aplicar los métodos convencionales y clásicos.
Material y Métodos: El trabajo se realizó a través de simulaciones desde el software Matlab, ver. 5.1 de MathWorks, Inc. Con este programa fueron implementadas las muestras ruidosas, así como las estructuras de redes puestas en consideración.
El estudio estuvo dado en dos etapas: entrenamiento y operación. Durante el entrenamiento, los patrones empleados son muestras de la señal aleatoria contaminante (Entrada) y su valor esperado (Salida). Durante la operación, se presentaría a la entrada muestras del conjunto aleatorio señal_deseada + ruido, y la red debe ser capaz de entregar a su salida el valor esperado de ese conjunto aleatorio, correspondiente con la señal útil. El índice utilizado para medir la efectividad de la tarea fue, durante la operación, la correlación entre la señal a la salida de la red y la deseada sin contaminar.
Resultados:

tabla1.gif (3007 bytes)
Discusión: Los resultados mostraron cómo la efectividad dependió del modelo, de la frecuencia de muestreo y la naturaleza del ruido, y los mejores frutos se obtuvieron con estructuras que contienen intrínsecamente el factor tiempo.
Conclusiones: Se comprobó que a medida que aumenta la frecuencia de muestreo, la efectividad aumenta y que los modelos óptimos son aquellos que tienen en cuenta implícitamente el factor tiempo.

Tope

Introducción: Son bien conocidos los efectos que ocasiona la presencia de señales ruidosas en los sistemas de procesamiento de señales. No tener en cuenta la influencia de estas señales podría ocasionar incorrecto sensado de variables no eléctricas, pérdida de datos, etcétera.

Específicamente en la rama de la Bioingeniería, los ruidos involucrados en la medición de los potenciales bioeléctricos, tales como las señales de modo común generadas por sistemas asociados al tejido vivo (movimiento muscular, movimiento respiratorio, etc.), entre otros, constituyen factores a tener en cuenta, toda vez que pueden llegar a enmascarar la señal de interés.

Con un trabajo cuidadoso de ingeniería, se pueden reducir muchas señales indeseables, aunque siempre permanecen con determinada magnitud, imponiendo requerimientos a los sistemas.

Tope

Objetivos: El siguiente trabajo propone la aplicación de las Redes Neurales Artificiales (RNA) como técnica novedosa y efectiva en la extracción de señales indeseables en entornos de la Bioingeniería, Telecomunicaciones y Electrónica en general, donde resulta inconveniente aplicar los métodos convencionales y clásicos.

En muchos sistemas como los entornos anteriormente mencionados, las señales que se transmiten y que se ven afectadas por ruidos, viajan por una línea de transmisión, de la que es muy difícil, sino casi imposible, extraer una muestra bien correlacionada de ruido o de señal deseada para realizar detección por correlación, filtrado adaptativo u otra técnica adaptativa. En estos casos, el empleo del método aplicando técnicas neuronales, constituiría una solución más adecuada y viable.

Además, el hecho de que las bioseñales que se manejan en Bioingeniería presentan un espectro de frecuencias relativamente bajo, favorece la factibilidad de la aplicación que se presenta.

Por otro lado, las propiedades de las RNA han llevado a la aplicación de estas técnicas en campos disímiles dentro del procesamiento estadístico de señales, y de forma más directa, en tareas de predicción de señales. Su característica de no-linealidad distribuida; el proporcionar un enfoque no paramétrico para la estimación no lineal de datos; el ser consideradas procesadores paralelos de forma masiva con potencial de ser tolerantes a fallos y su capacidad natural de adaptar sus parámetros libres a cambios estadísticos en el ambiente en el cual operan, entre otros, han hecho factible su aplicación por encima de otros métodos ya establecidos.

Tope

Material y Métodos: El trabajo se realizó a través de simulaciones desde el software Matlab, ver. 5.1 de MathWorks, Inc. Con este programa fueron implementadas las muestras ruidosas, así como las estructuras de redes puestas en consideración.

El estudio estuvo dado en dos etapas: entrenamiento y operación. Durante el entrenamiento, los patrones empleados son muestras de la señal aleatoria contaminante (Entrada) y su valor esperado (Salida). Durante la operación, se presentaría a la entrada muestras del conjunto aleatorio señal_deseada + ruido, y la red debe ser capaz de entregar a su salida el valor esperado de ese conjunto aleatorio, correspondiente con la señal útil. El índice utilizado para medir la efectividad de la tarea fue, durante la operación, la correlación entre la señal a la salida de la red y la señal útil sin contaminar.

La forma de operar se muestra en la Figura 1 y constituye la forma de procesamiento de series de tiempo.


Figura 1: Forma de operar las Redes Neurales

Tope

Resultados:

Resultados:

De los cuatro modelos puestos en consideración se obtuvieron los siguientes resultados, los cuales reflejan el grado de eficiencia del empleo de las RNA en la aplicación:

Image64.gif (2947 bytes)

En la tabla se muestra el resultado de la correlación obtenida para los dos tipos de ruido influyentes.

A modo de ejemplo, se tratará una señal sinusoidal de 1 Hz y amplitud de 1 unidad, muestreada a una frecuencia de 10 Hz, contaminada por una señal de ruido blanco Gaussiano (Figura 2.). El proceso que se mostrará será el de operación, cuando la red fue entrenada ya con muestras de dicho ruido.

Figura 2 : Sinusoide más Ruido Blanco Gaussiano

En este caso, se tomarán como muestras de ejemplos la operación de la red feedforward con pesos fijos (Filtro FIR Promedio) y la arquitectura perceptrón multicapa FIR, después de entrenada. El resultado de la operación en estos modelos se muestra en la Figura 3 y la Figura 4.

Para ambos casos se identificarán las señales de la siguiente forma:

- - - - Sinusoide pura patrón

¾ ¾ ¾ Señal a la salida de la red neural

Figura 3 : Operación de la red feedforward (pesos fijos)

Se puede apreciar en la Figura 3, cómo no se obtiene una buena correlación entre la señal sinusoidal y la señal a la salida de la red durante la operación con la red de pesos fijos.

Figura 4 : Operación de la red perceptrón multicapa FIR

Sin embargo, en la Figura 4 se puede notar la eficiencia del perceptrón multicapa FIR, al obtenerse un mejor índice de correlación.

En esta última arquitectura, para las primeras muestras, no se obtienen resultados adecuados, sin embargo, a medida que transcurre el tiempo, la eficiencia va en aumento.

Discusión: Los resultados mostraron cómo la efectividad dependió del modelo, de la frecuencia de muestreo y la naturaleza del ruido, y los mejores frutos se obtuvieron con estructuras que contienen intrínsecamente el factor tiempo.

Conclusiones: Se comprobó que a medida que aumenta la frecuencia de muestreo, la efectividad aumenta y que los modelos óptimos son aquellos que tienen en cuenta implícitamente el factor tiempo.

 

Questions, contributions and commentaries to the Authors: send an e-mail message (up to 15 lines, without attachments) to y2k-pcvc@pcvc.sminter.com.ar , written either in English, Spanish, or Portuguese.

Preguntas a los Autores, comentarios y aportes: envíe un e-mail escrito en Español, Portugués o Inglés (de hasta 15 líneas, sin archivos agregados) a y2k-pcvc@pcvc.sminter.com.ar

Tope


© CETIFAC
Bioengineering
UNER

Update
Nov/10/1999


Colabora para la realización de este Congreso:

agilent.gif (6328 bytes)