18th International Symposium of Electrical Engineering "SIE 2019" -Telecommunications and electronics

18th International Symposium of Electrical Engineering

SIE 2019

Efectos de la normalización en la compresión de señales electroencefalográficas.

Comprimir señales electroencefalográficas (EEG) es vital, por el uso creciente de dispositivos portátiles, por la necesidad del ahorro de energía de estos para la transmisión de la información. El empleo de autocodificadores para comprimir requiere de varias etapas de preprocesamiento de la señal. Dentro de estas etapas la normalización de la señal EEG es de importancia pues reduce el tiempo de entrenamiento y alcanza un mejor aprendizaje. Pero la normalización introduce errores por aproximación. En esta investigación se analizan los efectos de la normalización en la compresión de señales EEG mediante autocodificadores. Se proponen dos sistemas de compresión, uno donde se emplea la normalización y otro donde se omite esta etapa dada las bondades de la base de datos seleccionada. Se utilizan las métricas RMSE y PRD para comparar ambos sistemas. Aunque la diferencia de RMSE y PRD entre ambos sistemas sea pequeña, el sistema que omite normalizar posee una cantidad de fragmentos inferior al 22% del total con un PRD mayor al 20% de distorsión. Mientras que el sistema que emplea normalización la cantidad de fragmentos es mayor al 25% del total. Por tanto la normalización influye en el proceso de recuperación introduciendo mayor distorsión. Se hace necesario otros métodos de normalización donde los errores por aproximación sean menores, pues las bases de datos de señales EEG no siempre poseen sus valores en el rango de -1 hasta 1.

Comprimir señales electroencefalográficas (EEG) es vital, por el uso creciente de dispositivos portátiles, por la necesidad del ahorro de energía de estos para la transmisión de la información. El empleo de autocodificadores para comprimir requiere de varias etapas de preprocesamiento de la señal. Dentro de estas etapas la normalización de la señal EEG es de importancia pues reduce el tiempo de entrenamiento y alcanza un mejor aprendizaje. Pero la normalización introduce errores por aproximación. En esta investigación se analizan los efectos de la normalización en la compresión de señales EEG mediante autocodificadores. Se proponen dos sistemas de compresión, uno donde se emplea la normalización y otro donde se omite esta etapa dada las bondades de la base de datos seleccionada. Se utilizan las métricas RMSE y PRD para comparar ambos sistemas. Aunque la diferencia de RMSE y PRD entre ambos sistemas sea pequeña, el sistema que omite normalizar posee una cantidad de fragmentos inferior al 22% del total con un PRD mayor al 20% de distorsión. Mientras que el sistema que emplea normalización la cantidad de fragmentos es mayor al 25% del total. Por tanto la normalización influye en el proceso de recuperación introduciendo mayor distorsión. Se hace necesario otros métodos de normalización donde los errores por aproximación sean menores, pues las bases de datos de señales EEG no siempre poseen sus valores en el rango de -1 hasta 1.

About The Speaker

Rigoberto Acosta González

Ing. Rigoberto Acosta González

UCLV Flag of Cuba
Practical Info
Spanish / Español
Not defined
30 minutes
Not defined
Authors
Lester Frías Domínguez
Ing. Rigoberto Acosta González
Carlos A. Bazán Prieto
Keywords
aprendizaje automático
aprendizaje profundo
autocodificadores apilados
funciones de activación
redes neuronales