Incluyendo la variabilidad de magnitud de una señal en el análisis del patrón ordinario

Área de la Ciencia:

• Procesamiento de señales
• Ciencia de la complejidad
• Aprendizaje automático

Sus antecedentes:

• Los patrones ordinarios (OP) son un método popular para el análisis de señales, transformando las señales en secuencias simbólicas.
• Las OP son conceptualmente claras, sencillas de implementar, resistentes al ruido y aplicables a las señales cortas.
• Un inconveniente importante de los OP es la pérdida de información sobre las magnitudes de la señal durante la codificación.

Objetivo del estudio:

• Proponer un método que utilice las magnitudes de señal descartadas durante la codificación OP.
• Utilizar estas magnitudes como una variable complementaria de la entropía de permutación para una mejor caracterización de la señal.
• Demostrar la utilidad de este enfoque para la ingeniería de características y la mejora de los clasificadores de IA.

Principales métodos:

• Desarrollo de una técnica para recuperar y utilizar las magnitudes de señal perdidas en el proceso de codificación de OP.
• Combinando la entropía de la permutación con la variabilidad de las magnitudes de la señal.
• Aplicación del método mejorado a las señales sintéticas (mapas logísticos y de Hénon) y al mundo real (EEG, redes eléctricas).

Principales resultados:

• El método propuesto mejora la caracterización de la señal cuando la entropía de permutación se complementa con la variabilidad de la magnitud de la señal.
• Los resultados siguen siendo explicables, lo que demuestra la aplicabilidad práctica del enfoque.
• Las características mejoradas derivadas de este método pueden mejorar la precisión de los clasificadores de IA.

Conclusiones:

• El nuevo enfoque supera efectivamente el inconveniente de la pérdida de información de la codificación OP tradicional.
• Complementar la entropía de permutación con la variabilidad de la magnitud de la señal ofrece un análisis de la señal más completo.
• Este método tiene un potencial significativo para la ingeniería de características y el avance de las aplicaciones de aprendizaje automático en el procesamiento de señales.