Eliminación de ruido en señales de espectroscopía infrarroja usando redes neuronales

La espectroscopía es una técnica analítica basada en la medida de la absorción o trasmisión de radiación electromagnética por una determinada muestra en función de su longitud de onda o frecuencia. El gráfico de la intensidad de la radiación a cada longitud de onda se denomina espectro y es característico de la composición de la muestra (Díaz et al., 2010). Por ello, esta técnica se usa ampliamente en análisis químico tanto para detectar la presencia de una determinada sustancia química como para cuantificar su concentración. Existe una amplia variedad de técnicas espectroscópicas que pueden aplicarse a distintos tipos de muestras sólidas, líquidas o gaseosas. Con frecuencia, la muestra está constituida por una disolución de una o varias sustancias en un disolvente adecuado. Las muestras que se tratarán en esta memoria emplean como disolvente H2O (agua). Sin embargo, uno de los problemas principales de esta aproximación es la presencia del ruido. Este ruido es una señal no deseada que se superpone siempre a la respuesta ideal o verdadera de la muestra y que limita la capacidad de detección de las sustancias, especialmente en aquellos casos en los que los rangos de ambas son similares. El origen de dicho ruido puede ser muy variado, desde interferencias presentes en la muestra o en el camino óptico de la radiación, hasta ruido eléctrico inherente a la electrónica del sistema de medida. Durante muchos años, se ha tratado de encontrar una forma eficaz de poder reducir este ruido. Una posibilidad es el promediado de múltiples medidas, lo que sirve para eliminar el ruido aleatorio y separarlo de la señal verdadera. Sin embargo, esto no evita el ruido debido a interferencias que no sean aleatorias, además de ser costoso en términos de tiempo de adquisición. Otra posibilidad es tratar la señal mediante algoritmos matemáticos que traten de separar la señal del ruido. Uno de los métodos más aceptados y cuya aplicabilidad ha sido demostrada en este sentido es el de la Transformada Wavelet (TW). Otras alternativas a la TW, pueden encontrarse en filtros tradicionales, como por ejemplo los filtros gaussianos, Wiener o las Wavelets ortogonales (Vargas Cañas, 2011) En este estudio, se presenta una aproximación alternativa y novedosa basada en redes neuronales profundas (Deep Learning) para intentar extraer la información presente en una señal ruidosa mediante el aprendizaje basado en modelos especializados en el filtrado de ruido como son los Autoencoders Convolucionales (Fuchs et al., 2020)