Académique Documents
Professionnel Documents
Culture Documents
1 (3)
donde lr es una constante de aprendizaje definida por el usario y N el nmero mximo de presentaciones
de ejemplos
El procedimiento seguido para entrenar la red ha sido el siguiente: se han tomado todas las seales con las que
se contaba y se han normalizado, de manera que todas tuvieran la misma amplitud. A continuacin se ha
calculado la transformada wavelet de todas ellas y se han seleccionado los coeficeintes de inters. Diferentes
combinaciones de estos coeficientes se han utilizado como vectores de entrenamiento que se van presentando
a la entrada de la red. Los pesos de las neuronas se van modificando segn la regla de aprendizaje competitivo
ya definida y al final del proceso de entrenamiento, cada neurona ha aprendido ha reconocer un determinado
grupo de vectores, representado pr el vector de pesos de la neurona. Este vector de coeficientes wavelet
puede asociarse, al calcular la transformada wavelet inversa con una forma de onda concreta asociada en este
caso a la componente P
300
.
0
0
Transformada wavelet
Seleccin de
DISCUSIN DE RESULTADOS
En la Figura 2 se pueden observar las seales promedio para cada tipo de respuesta junto con las seales
asociadas a los centroides en los que converge la red para la combinacin de los 8 coeficientes citados. La
parte de la seal correspondiente al intervalo de inters se aproxima con bastante exactitud. La diferencia entre
los doas centroides es notable, a pesar de que los registros sin procesar son bastante parecidos para los dos
tipos de respuesta. Esto es ya de por s un resultado interesante, ya que demuestra que los coeficientes wavelet
proporcionan una informacin adicional, inaccesible si se trabaja directamente con las seales registradas.
Asmismo, el parecido de los centroides con el promedio de las seales indica que el proceso de convergencia
de la red, ha tenido un desarrollo satisfactorio.
CONCLUSIONES
P
300
Estmulo frecuente
Estmulo inesperado
Seal promedio
Centroide
Figura 2. Resultados del proceso de entrenamiento. La seal en linea discontnua
representa el vector que ha aprendido la neurona
Figura 1. Esquema del proceso de clasificacin
En la Figura 3 se muestran los resultados obtenidos en la clasificacin de las seales. Se distinguen los
resultados correspondientes a los vectores usados para entrenar la red de aquellos empleados nicamente en la
fase de prueba. Como es lgico, los porcentajes de acierto son mucho mejores para los vectores pertenecientes
al primer grupo que para los del segundo. Los resultados no son del todo satisfactorios en este caso debido a la
baja calidad de algunas de las seales, causada principalmente por la aparicin de registros muy
contaminados, sobre todo los correspondientes a las zonas occipitales de la cabeza.
Una posible aplicacin clnica podra estar en el dignstico de procesos de demencia. La morfologa de los
potenciales presenta algunas diferencias notables, como se aprecia en la Las redes neuronales serviran de
apoyo al neurologo en aquellos casos en los que el examen visual no sea suficiente. Otra aplicacin podra ser
la deteccin de la onda P
300
en pacientes afectados por las enfermedades de Alzheimer o de Parkinson. En
estos pacientes, la forma del potencial es bastante irregular, y normalmente es difcil distinguir la onda P
300
de
otras componentes.
0 20 40 60 80 100
% de aciertos
3
6
3+6
3+6+11+12
todos los
coeficientes
Porcentajes de clasificaciones correctas para las
distintas combinaciones de coeficientes wavelet
Prueba
Entrenamiento
BIBLIOGRAFA
Dickhaus,H. Classifying Biosignals with Wavelet Networks. IEEE Eng. Med. Biol. Sep. 1996, pp. 103-111
Kalayci, T. Wavelet Prepropcessing for Automated Neural Network Detection of EEG spikes. IEEE Eng.
Med. Biol. May. 1994, pp. 761-764
Rioul, O. Vetterli, M. Wavelets and Signal Processing. IEEE Signal Proc. Ago. 1991, pp. 14-38
Figura 3. Resultados del proceso de clasificacin de las seales