Caracterización de Señales No Estacionarias Empleando Distribución de Wiener Ville en el...
-
Upload
giancarlos-oviedo -
Category
Documents
-
view
13 -
download
0
description
Transcript of Caracterización de Señales No Estacionarias Empleando Distribución de Wiener Ville en el...
-
5/28/2018 Caracterizacin de Seales No Estacionarias Empleando Distribucin de Wiener Ville en el Reconocimiento de Zonas Cerebrales
1/6
Disponible en: http://www.redalyc.org/articulo.oa?id=84920491014
Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal
Sistema de Informacin Cientfica
JULIAN DAVID ECHEVERRY, JORGE EDUARDO CALLE, ENRIQUE GUIJARRO E.Caracterizacin de seales no estacionarias empleando distribucin Wigner Ville en el reconocimiento de
zonas cerebrales
Scientia Et Technica, vol. XII, nm. 30, mayo, 2006, pp. 87-91,
Universidad Tecnolgica de Pereira
Colombia
Cmo citar? Fascculo completo Ms informacin del artculo Pgina de la revista
Scientia Et Technica,
ISSN (Versin impresa): 0122-1701
Universidad Tecnolgica de Pereira
Colombia
www.redalyc.orgProyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
http://www.redalyc.org/articulo.oa?id=84920491014http://www.redalyc.org/comocitar.oa?id=84920491014http://www.redalyc.org/fasciculo.oa?id=849&numero=20491http://www.redalyc.org/articulo.oa?id=84920491014http://www.redalyc.org/revista.oa?id=849http://www.redalyc.org/revista.oa?id=849http://www.redalyc.org/revista.oa?id=849http://www.redalyc.org/revista.oa?id=849http://www.redalyc.org/http://www.redalyc.org/revista.oa?id=849http://www.redalyc.org/revista.oa?id=849http://www.redalyc.org/articulo.oa?id=84920491014http://www.redalyc.org/revista.oa?id=849http://www.redalyc.org/articulo.oa?id=84920491014http://www.redalyc.org/fasciculo.oa?id=849&numero=20491http://www.redalyc.org/comocitar.oa?id=84920491014http://www.redalyc.org/ -
5/28/2018 Caracterizacin de Seales No Estacionarias Empleando Distribucin de Wiener Ville en el Reconocimiento de Zonas Cerebrales
2/6
Scientia et Technica Ao XII, No 30, Mayo de 2006 UTP. ISSN 0122-1701
Fecha de Recepcin: 31 Enero de 2006
Fecha de Aceptacin: 29 Marzo de 2006
CARACTERIZACIN DE SEALES NO ESTACIONARIAS EMPLEANDO DISTRIBUWIGNER VILLE EN EL RECONOCIMIENTO DE ZONAS CEREBRALES
RESUMENLas representaciones en los espacios conjuntos de tiempo y frecuencia han
demostrado ser efectivas en tareas de caracterizacin de seales no estacionarias.En este trabajo se emplea la distribucin Wigner Ville (WVD), como
herramienta de representacin en el espacio tiempo-frecuencia de seales de
microelectrodos de registro (MER), para el reconocimiento de zonas cerebrales.
Con el fin de reducir el costo computacional, se implementa una etapa de
preproceso en la que se filtra y se aplica sub-muestreo a la seal.
PALABRAS CLAVES: Representacin tiempo-frecuencia, extraccin decaractersticas, Distribucin Wigner-Ville, Seales MER.
ABSTRACTJoint Time-Frequency representations have shown to be effective in non-
stationary signals characterization tasks. In this paper, the Wigner-Ville
distribution is employed as a representation tool in time-frequency space ofMicro-Electrode Recordings (MER), to recognize brain regions. In order to
minimize computational cost, a pre-process stage is applied to the signal,
filtering and sub sampling it.
KEYWORDS:Time-frequency representation, feature extraction, Wigner-Villedistribution, MER Signals.
JULIAN DAVID ECHEVERIngeniero Electrnico
Profesor Catedrtico.Universidad Tecnolgica de P
JORGE EDUARDO CALLEIngeniero ElectricistaProfesor Titular
Universidad Tecnolgica de P
ENRIQUE GUIJARRO E.PhD en Ingeniera.Grupo de Bioelectrnica.Universidad Politcnica
Valencia, Espaa.
1. INTRODUCCIN
A pesar de lo importante que ha sido el anlisis en el
dominio temporal de seales aleatorias, el anlisisespectral sigue siendo de fundamental importancia en el
anlisis de procesos lineales y estacionarios. Entre las
razones que existen para sostener esta afirmacin, seencuentra el importante papel que juega la
descomposicin espectral en el filtrado de seales y
remocin de perturbaciones, as como el empleo que sehace del espectro al ser base o punto de partida en el
anlisis temporal [1].
En muchas ocasiones se supone la estacionariedad de losprocesos con el fin de simplificar su anlisis, pero en
muchos otros casos, la naturaleza y los principios fsicos
de las seales demandan un estudio no-estacionario. Tal
es el caso en seales acsticas, de voz, geofsicas,biolgicas, fisiolgicas, etc. De todas formas no se puedecalcular el espectro de un proceso no-estacionario
mediante tcnicas de estimacin ordinarias, son
necesarias herramientas matemticas, tales como larepresentacin en el espacio tiempo-frecuencia [2].
La STFT (Short Time Fourier Transform) y la CWT(Continuous Wavelet Transform) han sido herramientas
bastante importantes y ampliamente utilizadas en el
procesamiento de seales, ya que entregan una
interpretacin del espectro local de una seal en lavecindad de un tiempo t. Dentro de las grandes ventajas
de estas transformadas se cuentan la facilidad de
implementacin y la eficiencia computaciona
algoritmos; pero por otra parte, estas transform
entregan informacin acerca de la energa instan
una seal en un instante de tiempo especfico [3]En el reconocimiento de zonas cerebrales m
seales MER, determinar la energa en un inte
tiempo puede aportar informacin acerca del peocurrencia de los potenciales de accin, los c
definitiva, son los que caracterizan la zona cereb
que proviene la seal [4].La transformada Wigner-Ville (o distribuci
aparece entonces como una herramienta de
potencial, ya que permite determinar la energ
seal en un intervalo ( / 2, / 2)t t + centrad
tiempo t.
2. REPRESENTACIN CONJUNTA DE SE
EN EL ESPACIO TIEMPO-FRECUENCIA
Existen transformaciones que ofrecen una represconjunta en el espacio t-f, tales como la STFT y
Estas son transformaciones lineales, ya que sati
teorema de la superposicin [3]:
1 1 2 2 1 1 2 2[ ] [ ] [ ]T f f T f T f + = + (
donde T representa cualquiera de las dos maciones y f1 y f2 son dos seales difere
coeficientes 1 y 2 respectivamente.
-
5/28/2018 Caracterizacin de Seales No Estacionarias Empleando Distribucin de Wiener Ville en el Reconocimiento de Zonas Cerebrales
3/6
Scientia et Technica Ao XII, No 30, Mayo de 288
Estas transformadas no entregan informacin acerca de laenerga instantnea de la seal en un tiempo especfico t.
Para lograr esto se podra pensar en una transformada deltipo
2( ) ( ) ( )j jt e d f t f t e d
=
(2.2)
Pero aun as, sigue siendo difcil determinar la energa deuna seal en un tiempo dado t (principio de
incertidumbre). Resulta ms coherente considerar la
energa dentro de un intervalo ( / 2, / 2)t t + centrado alrededor del tiempo t. En este sentido, Ville [5]replante la teora de Eugene Wigner, aplicada en fsica
cuntica, para describir la distribucin de la energa de
una seal en el plano t-f.
2.1. DISTRIBUCIN WIGNER VILLE (WVD)
La WVD se define como
W ( , )2 2
j
ft f t f t e d
= +
(2.3)
Esta distribucin es de tipo no lineal (o bilineal), ya que
analizando la ecuacin (2.3) se puede ver que las seales
son integradas en ms de una ocasin, de manera que nose cumple el teorema de la superposicin (2.1).
Vista de otra forma, la WVD se expresa como la
transformada de Fourier de la autocorrelacin de la sealf(t), la cual tiene simetra con respecto a (simetra
Hermitiana) [6].
Aparte de la no linealidad las propiedades de esta
distribucin son [7]:
Conservacin de la energa: La energa de la sealf(t) se obtiene al integrar la WVD en todo el
espacio t-f.
W ( , )f f
E t dt d
= (2.4)
Propiedades marginales: La densidad espectral deenerga y la potencia instantnea se pueden obtenercomo las distribuciones marginales de Wf.
2
2
W ( , ) ( )
W ( , ) ( )
f
f
t dt F
t d f t
=
=
(2.5)
Negatividad:El espectro de la distribucin Wsiempre valores reales. Estos valores bien pu
negativos, por lo que la WVD no se define cfuncin de densidad.
Covarianza en la traslacin:La WVD es coen tiempo y frecuencia. Sea g(t) igual a una
f(t)desplazada en tiempo o frecuencia, se tien
0
0 0
2
0
( ) ( ) W ( , ) W ( , )
( ) ( ) W ( , ) W ( , )
g f
j t
g f
g t f t t t t t
g t f t e t t
= =
= =
En el caso de una seal discreta f(n), la Pseu
discreta se evala usando una ventana simtr
longitud finita h(
)[8].
4 /
W ( , ) 2 ( ) ( )
( ) ( )
L
fh
L
j k N
n k f n f n
h h e
=
= +
Siendo h() la funcin de ventaneo que satcondicin
( ) 0;h L = > (2.8)
Las variables n y k corresponden a las discretas de tiempo y frecuencia respectivamente
3. RECONOCIMIENTO DE REGCEREBRALES
El estudio de seales provenientes de microelect
registro cerebral (MER) se ha convertido en un t
inters especial en el campo de la neurocienc
sentido que la informacin extrada de estas seutilizada en el tratamiento de trastornos neur
como el Parkinsonismo y Alzheimer [9], en d
hace necesario ubicar zonas especficas del cerellevar a cabo procedimientos como a
estimulacin o insercin de clulas con el fin de
eliminar los sntomas de estas disfunciones.
Las seales MER se caracterizan por
potenciales de accin, o espigas, de diferentes
que rodean al microelectrodo [10], siendo la mayor actividad la que determina la ubica
mismo. La caracterizacin de seales MER se c
entonces, en una herramienta indispensable reconocimiento de la regin cerebral de inters.
-
5/28/2018 Caracterizacin de Seales No Estacionarias Empleando Distribucin de Wiener Ville en el Reconocimiento de Zonas Cerebrales
4/6
Scientia et Technica Ao X, No x, Mes 200x. U.T.P
____________________________
1. La base de datos aparece etiquetada como Paciente 1012, Try 1.
4. PROCEDIMIENTO
En este trabajo se caracterizan seales pertenecientes ados zonas cerebrales (tlamo y subtlamo) mediante la
distribucin Wigner-Ville. La base de datos pertenece alGrupo de Bioelectrnica de la Universidad Politcnica de
Valencia1.
En la figura 1 se muestran seales de ambas zonascerebrales.
Figura 1. Arriba, seal de tlamo. Abajo, seal de subtlamo.
4.1 PREPROCESO DE LAS SEALES
Con el fin de minimizar el costo computacional del
clculo de la WVD, se opt por tomar de cada grabacin
de 10 segundos, algo menos que la dcima parte,aproximadamente 0,8 segundos por seal de anlisis. De
acuerdo con [11] un segmento de 0,5 segundos de
duracin puede representar bastante bien lascaractersticas de la estructura neuronal de donde fue
grabado, lo cual cabe perfectamente dentro de la
segmentacin que se propone. De forma adicional se sub-muestre la seal original; esto con el fin de tener mayor
cantidad de potenciales de accin o espigas de la seal en
un nmero determinado de muestras. El factor de sub-
muestreo fue de 3, garantizando que no hubiera prdidade informacin en la seal.
Se filtr la seal por medio de un filtro elptico de
segundo orden, con el fin de atenuar la actividad
remanente de diferentes regiones diferentes a la regin enestudio [12].
4.2 PROCESO DE LAS SEALES
Se obtuvo entonces la transformada Wigner-Ville de cada
segmento de las seales por medio de la ecuacin (2.3).
El plano tiempo-frecuencia que se obtuvo como resultadode la transformacin sobre una seal de la regin del
tlamo es el mostrado en la figura 2.
En la figura 3 se aprecia una proyeccin tridimensional
del mismo.
Figura 2. Distribucin Wigner-Ville de seal de tlam
Figura 3. Proyeccin 3-D de la WVD sobre la regin t
Para la regin de subtlamo, se obtuvo el plano q
en la figura 4. La densidad espectral de la energconcentrada. En la figura 5 puede verse una pr
tridimensional del mismo plano.
Figura 4. Distribucin Wigner-Ville de seal de subtl
-
5/28/2018 Caracterizacin de Seales No Estacionarias Empleando Distribucin de Wiener Ville en el Reconocimiento de Zonas Cerebrales
5/6
Scientia et Technica Ao XII, No 30, Mayo de 290
Figura 5. Proyeccin 3-D de la WVD sobre la regin
subtlamo.
5. RESULTADOS
Estando la WVD calculada sobre las seales de ambas
regiones (20 de la regin tlamo y 24 de la reginsubtlamo), se extrajeron de estas distribuciones,
parmetros estadsticos y de informacin que permitieran
su completa caracterizacin.
Con el fin de comprobar el reconocimiento de zonascerebrales, se aplic el algoritmo de leave-one-out en la
tarea de clasificacin. Fueron empleados varios
clasificadores con el fin de evaluar el proceso decaracterizacin.
La Tabla 1 muestra los resultados de la clasificacin. Enlas columnas (las cuales representan las regiones) se
muestran los aciertos que tuvo el algoritmo al clasificar
seales de la misma regin cerebral. El rendimiento del
algoritmo se calcula como el porcentaje del total de
muestras que han sido clasificadas correctamente.
Patrn de
medida
Regintlamo
Reginsubtlamo
Rendimiento(%)
Media 20 24 99,9
Mximo 19 21 90,9
Mediana 20 24 99,9
Varianza 19 23 95,45
Covarianza 18 21 90,69
Entropa
(Shannon)
19 24 97,7
Entropa(Log Energy)
20 24 99,9
Tabla 1. Resultado de la clasificacin.
Los parmetros de medida de la Tabla 1 h
calculados sobre las columnas de la WVD de ca
o mejor dicho, sobre cada instante de tiemprepresentacin tiempo-frecuencia.
6. CONCLUSIONES
La distribucin Wigner-Ville es bastante efectidescomposicin tiempo-frecuencia de se
estacionarias; su resolucin es mayor compar
resolucin entregada por tcnicas lineales como lo que permite una mejor localizacin de la ener
espacio t-f.
Debido a que la WVD toma solamente valorepermite una mejor interpretacin de los da
distribuciones muestran claramente las com
energticas que caracterizan cada seal de las
cerebrales analizadas.
La regin subtlamo presenta una concentraci
de energa en los instantes en que ocurren los pode accin; estos potenciales son ms definidos
regin que en el tlamo, lo que a su vez permite
caracterizados con mayor precisin por la WVD.
Los patrones calculados sobre la distribuci
permiten al clasificador reconocer acertadament
cerebral; el rendimiento de ste fue alto, cerca d
para la mayora de los patrones. No fue necesar
de una matriz con varios patrones o caractersticcon un solo patrn, para que el reconocimient
zonas fuera totalmente exacto.
Los trminos cruzados, producto de la bilinealid
WVD, pueden ser removidos empleando
suavizantes. Este mtodo, conocido como (Pseudo Smoothed WVD), se aplicara en proces
estos causen mala interpretacin de la informaci
7. BIBLIOGRAFA
[1] JAFFARD, Stphane. Wavelets: Tools for S
Technology, Primera edicin, 253 pgina
Philadelphia, 2001.
[2] MARTIN, Wolfgang & FLANDRIN,
Wigner-Ville Spectral Analysis of NonsProcesses, IEEE Transactions on Acoustics
and Signal Processing. Vol. ASSP-33,
Diciembre, 1985.
[3] GOSWAMI, Jaideva & CHAN, Fundamentals of Wavelets, Primera edic
pginas, Wiley, Texas, 1999.
[4] DAYAN, Meter & ABBOTT, L.F. Th
Neuroscience, Primera edicin, 439 pgin
Press, 2001.
-
5/28/2018 Caracterizacin de Seales No Estacionarias Empleando Distribucin de Wiener Ville en el Reconocimiento de Zonas Cerebrales
6/6
Scientia et Technica Ao X, No x, Mes 200x. U.T.P
____________________________
1. La base de datos aparece etiquetada como Paciente 1012, Try 1.
[5] VILLE, J. Thorie et Applications de la Notion de
Signal Analytique, Cbles et Transmissions,Laboratorie de Tlcommunications de la SocietAlsacienne de Construction Mcanique, 1948.
[6] MALLAT, Stphane. A Wavelet Tour of Signal
Processing, Segunda Edicin, 629 pginas,Academic Press, 1999.
[7] DEBNATH, Lokenath. Wavelet Transforms andTheir Applications, Primera Edicin, 555 pginas,
Birkhauser, 2002.
[8] LEONOWICZ, Z. & LOBOS, T. & REZMER, J.Spectrum Estimation of Non-Stationary Signals in
Power Systems, International Conference on Power
Systems Transients IPST 2003, New Orleans,
2003.
[9] SCHIFF, S. & DUNAGAN, B. & WORTH, R.
Failure of single-unit neuronal activity todifferentiate globus pallidus internus and externus in
parkinson disease, Journal of Neurosurgery, No. 97,
pp. 119-128, 2002.
[10] LEWICKI, M. A review of methods for spike
sorting: the detection and classification of neural
potentials. Comput. Neural Syst. Vol. 9, pp. 53-78,
1994.
[11] FALKENBERG, J.H. & McNAMES, J. & ABOY,
M. & BURCHIEL, K.J. Segmentation ofExtracellular Microelectrode Recordings with Equal
Power, pp. 2475-2478, Annual International
Conference of the IEEE Engineering in Medicine
and Biology - Proceedings, 2003.
[12] QUIROGA, Rodrigo. Unsupervised Spike Detection
and Sorting with Wavelets and Superparamagnetic
Clustering, Neural Computation, Vol. 6, pp. 1681-1687, MIT, 2004.