Optimización Evolutiva de Wavelets y Shapelets para Análisis de Señales bioeléctrica

análisis Wavelet es una poderosa herramienta para el procesamiento de señal digital. Ha sido ampliamente utilizado en señales bioeléctricas incluyendo evocar potenciales relacionados (ERP), señales de electromiografía (EMG), grabaciones de microelectrodos (MER), electrocardiograma (ECG), electroencefalogramas (EEG), entre otros. Algunas de las principales ventajas de la wavelet transform son el soporte compacto, y la concentración de la energía. Básicamente, la transformada wavelet es una convolución de la señal de entrada con versiones reducidas y traducidos de una función llamada madre wavelet. Aunque hay un montón de prototipos de tren de ondas en la literatura, no hay una regla establecida que los estados que wavelet se puede utilizar para cada aplicación. En lugar de eso, es una tarea habitual para el investigador para probar más o menos arbitrariamente formas wavelet distintos en un fin de encontrar uno apropiado. En este manuscrito las capacidades de los sistemas de elevación, que son una técnica, tanto para el diseño de wavelets y la realización de la discreta transformada wavelet y los algoritmos genéticos se extienden para la síntesis de wavelet en dos escenarios: la señal {banco ltro dependiente y el levantamiento shapelet transformada discreta. El primero es un método evolutivo basado en LS que tiene como objetivo la síntesis de wavelets madre que exhiben propiedades únicas frecuencias horarias. Además, la función wavelet se supone diseñada para exhibir los espacios cuentan con separabilidad máximo de las clases debido al empleo de la métrica de agrupación de validación como función de estado de forma en el procedimiento de GA. Los resultados presentados en tres escenarios hacer que el éxito de la metodología propuesta, incluyendo la identi caci on de ganglios basales por medio de análisis de microelectrodo de la grabación, el reconocimiento de movimiento de la mano usando señales electromiográficas, y la clasificación de los ataques epilépticos que emplean señales de EEG.Wavelet analysis is a powerful tool for digital signal processing. It has been widely used in bioelectric signals including evoke-related potentials (ERP), electromyography signals (EMG), microelectrode recordings MER), electrocardiogram (ECG), electroencephalograms (EEG), among others. Some of the principal advantages of wavelet transform are the compact support, and energy concentration. Basi-cally, the wavelet transform is a convolution of the input signal with scaled and translated versions of one function called wavelet mother. Although there are plenty of wavelet prototypes in the literature, there is not an established rule that states which wavelet may be used for each application. Instead of that, it is a usual task for the researcher to test more o less arbitrarily diferent wavelet shapes in order to and one suited. In this manuscript the capabilities of the lifting schemes, which are a technique for both designing wavelets and performing the discrete wavelet transform and genetic algorithms are extended for wavelet synthesis in two scenarios: the signal{dependent filter bank and the discrete lifting shapelet transform. The former is an evolutionary method based on LS that aims at the synthesis of mother wavelets that exhibit unique time{frequency properties. Furthermore, the designed wavelet function is supposed to exhibit feature spaces with maximum class separability due to the employment of the clustering validation metrics as fitness function into the GA procedure. Results presented in three scenarios render the success of the pro-posed methodology including the identification of basal ganglia by means of microelectrode recording analysis, the recognition of hand movement using electromyographic signals, and the classification of epileptic seizures employing EEG signals