Capítulo 2. Características No Lineales del Llanto- Uso de características no lineales para identificar llantos de recién nacidos con un conjunto clasificador - Departamento de Computación, Electrónica y MecaReport as inadecuate




Capítulo 2. Características No Lineales del Llanto- Uso de características no lineales para identificar llantos de recién nacidos con un conjunto clasificador - Departamento de Computación, Electrónica y Meca - Download this document for free, or read online. Document in PDF available to download.

Capítulo 2. Características No Lineales del Llanto- Uso de características no lineales para identificar llantos de recién nacidos con un conjunto clasificador - Departamento de Computación, Electrónica y Mecatrónica. - Licenciatura en Ingeniería Mecatrónica. - Escuela de Ingeniería - Universidad de las Américas Puebla.

Author: Morales Sánchez, Alberto Alejandro

Source: http://catarina.udlap.mx/


Teaser



Capı́tulo 2 Caracterı́sticas No Lineales del Llanto Los llantos son señales no estacionarias con una parte no lineal, esto es causado por las intermitencias y partes explosivas; las señales no estacionarias son las que presentan un cambio variable en el tiempo de sus propiedades estadı́sticas y contenido de frecuencia. Por ejemplo, este tipo de señales se pueden encontrar en áreas de geologı́a sobre eventos sı́smicos, en las telecomunicaciones en la modulación de frecuencia, en el radar del cambio de frecuencia de la señal de eco y en la biomedicina sobre estudios de la variabilidad del ritmo cardı́aco (HVR), la caracterización del electroencefalograma (EEG),por mencionar algunos. Las caracterı́sticas que representan a los llantos se extrajeron mediante dos métodos: el primero de ellos consistió en el cálculo de coeficientes de predicción lineal (LPC) por medio de la optimización hereditaria [Monin and Salut, 1996a], el segundo se basa en las 12 series de Volterra. El cálculo hereditario de la función de correlación de la señal, nos da la posibilidad de determinar los parámetros de variación en el tiempo (time variyng parameters) entre las ventanas de tiempo automáticamente sin windowing ni overlapping.
Esta tarea de adaptación se lleva a cabo por medio de una estructura ARMA (Autorregressive moving average), que emplea el error proyectado de la señal estimada como la entrada del modelo. [Etcheverry and Reyes-Garcı́a, ] Las Series de Volterra son una herramienta, similar a la serie de Taylor, que sirve para modelar el comportamiento no lineal de una señal.
Su principal ventaja es que tiene un efecto de “memoria”, es decir, la salida depende en todo momento de la entrada del sistema. El algoritmo que se utilizará para extraer las caracterı́sticas, tanto lineales como no lineales; pertenece a [Etcheverry et al., 2010].
Este algoritmo está escrito en MATLAB y contiene una estructura ARMA de predic...





Related documents