Post on 04-Oct-2018
Dra. María del Pilar Gómez Gil Coordinación de Computación
Instituto Nacional de Astrofísica, Óptica y Electrónica Oficina 8228
pgomez@ccc.inaoep.mx, pgomez@acm.org http://ccc.inaoep.mx/~pgomez
AREAS Y PROYECTOS DE INVESTIGACIÓN 2015-2016
1 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
Presentación disponible en:
http://ccc.inaoep.mx/~pgomez/temasTesis.pdf
V:2015-10-15
Mi participación en investigación Formo parte de: • Laboratorio de Aprendizaje Automático y
Reconocimiento de Patrones (MLPR), • Laboratorio de Procesamiento de Bio-Señales y
Computación Médica • Grupo de procesamiento de señales e Inteligencia
Computacional (PSIC) – PSIC está formado por investigadores y estudiantes de las
coordinación de Electrónica y de Ciencias de la computación
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 2
Áreas de interés de PGG
• Redes Neuronales Artificiales (RNA) aplicadas en problemas de: – Reconocimiento de patrones – Clasificación estática y temporal – Predicción – Diseño de RNA
• Otras áreas de inteligencia computacional aplicadas a dichos problemas (Lógica Difusa y Algoritmos Evolutivos)
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 3
Las Redes Neuronales Artificiales
• Son modelos matemáticos capaces de adaptar su comportamiento en respuesta a ejemplos presentados por el medio ambiente de manera supervisada o no supervisada (esto es aprendizaje automático!)
• Están inspiradas en la construcción del cerebro y las neuronas biológicas.
• Una red neuronal artificial es un procesador paralelo y distribuido, hecho de varios procesadores simples, que puede almacenar y utilizar conocimiento adquirido de la experiencia (Haykin 2009).
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 4
El Contexto de Redes Neuronales (Gómez-Gil,
2009)
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 5
RNA
Ejemplos (medio
ambiente) conocimiento
Entradas
Salidas
Aprendizaje basado en ejemplos
• Las redes neuronales son capaces de modificar su comportamiento en respuesta al medio ambiente, el cual es “presentado a la red” a través de ejemplos significativos del problema.
• Para una red neuronal, aprender significa modificar los valores de los pesos (números reales), siguiendo una estrategia determinada conocida como “algoritmo de aprendizaje.”
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 6
Hay muchos tipos de RNA’s… algunos “típicos”
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 7
8 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
Hay muchos tipos de RNA’s… otros mas “interesantes”…
Un punto sobre sobre el plan de estudios
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 9
PERIODO 1
(OTOÑO)
PERIODO 2
(PRIMAVERA)
PERIODO 3
(VERANO)
PERIODO 4
(OTOÑO)
PERIODO 5
(PRIMAVERA)
PERIODO &
(VERANO)
Matemáticas para
computación
Curso área prioritaria
Curso área escogida
Preparación de tesis
Preparación de tesis
Terminación de tesis
Diseño y
análisis de algoritmos
Curso área prioritaria
Curso área de soporte
Curso básico área 1
Curso otra área
Seminario
Curso básico
área 2
Curso otra área
Seminario de metodología
Seminario
Cursos posiblemente requeridos para mis proyectos
1. Procesamiento digital de señales 2. Inteligencia Computacional I 3. Inteligencia Computacional II 4. Reconocimiento de patrones 5. Aprendizaje Computacional II 6. Procesamiento de bio-señales
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 10
Características de mi investigación RETOS AREAS DEL
CONOCIMIENTO AREAS DE APLICACIÓN
Con respecto a DATOS: • ruidosos • clases sobre-puestas • muy pocos • difíciles de caracterizar • se requieren fusionar • etc…
•Clasificación estática •Clasificación temporal •Predicción •Teoría de RNA
•Brain Computer Interfaces • Biométrica • Diagnóstico médico • Economía y Finanzas • Astrofísica • Reconocimiento de escritura
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 11
Trabajamos con señales no estacionarias
12 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
0 100 200 300 400 500 600 0.4
0.6
0.8
1
1.2
1.4 Mackey-Glass data for A=0.2, B=0.1, tao=17 h=0.9. 550 points of good2.dat
0 0.5
1 1.5
0 0.5
1 1.5 0.4
0.6
0.8
1
1.2
1.4
Return map of good2.dat
x(i) x(i+ 5)
x(i+
10)
Injection
regions
ATM withdraws (NN5-001) (Crone 2006)
Mackey-Glass time series (Glass 1987)
)()(1
)()(10
tbxtx
tax
dt
tdx
Case K.2
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1 90 179 268 357 446 535 624 713 802 891 980 1069 1158 1247 1336 1425 1514 1603 1692 1781 1870 1959 2048
n
expected
prediction
Long-term prediction of an ECG
(Gomez et al., 2011)
Return map of a Mackey-Glass
time series
Principales Proyectos para tesis este año
1. Clasificación y predicción temporal de señales EEG
con aplicación a interfaces cerebro-computadora (BCI, diagnóstico médico-epilepsia). (PSIC)
2. Priscus: reconocimiento automático de escritura manuscrita en documentos antiguos
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 13
Proyecto: Clasificación y predicción temporal de señales
EEG con aplicación a interfaces cerebro-computadora (BCI, diagnóstico médico-
epilepsia). (PSIC) .
(en colaboración con el grupo PSIC)
14 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
Clasificación de epilepsia
15 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx Healthy patient During an ictal event
Biomedical Signal Processing Using Wavelet Based -Neural Networks
16 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
(Juarez-Guerra, 2014)
Proposed model:
MRW-FFWNN
MODWT
Prediction of epileptic seizures: example of state-of-the-art technology
17 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
(Cook et al. 2013)
• 2015. Juarez-Guerra E, Alarcon-Aquino V and Gomez-Gil P. “Epilepsy Seizure Detection in EEG Signals Using Wavelet Transforms and Neural Networks.” New Trends in Networking, Computing, E-learning, Systems Sciences, and Engineering Lecture Notes in Electrical Engineering. Eds: K. Elleithy, T. Sobh. Vol 312, 2015, pp 261-269. DOI: 10.1007/978-3-319-06764-3_33 . (Nota: This work was presented in the : “Virtual International Joint Conferences on Computer, Information and Systems Sciences and Engineering” (CISSE 2013). Dec. 12-14, 2013)
• 2014. Gómez-Gil P, Juárez-Guerra E, Alarcón-Aquino V, Ramírez-Cortés M, Rangel-Magdaleno J. Identification of Epilepsy Seizures Using Multi-resolution Analysis and Artificial Neural Networks. Recent Advances on Hybrid Approaches for Designing. Intelligent Systems, Studies in Computational Intelligence 547, O Castillo et al. (eds.), DOI: 10.1007/978-3-319-05170-3_23, Springer International Publishing Switzerland 2014
• 2014. Juarez Guerra, E. “Biomedical Signal Processing Using Wavelet Based -Neural Networks”. Doctoral program in computer science, technical report. Nov. 14, 2014. Cholula, Puebla.
Publicaciones seleccionadas- epilepsia
18 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
Interfaz cerebro-computadora
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 19
No exige ninguna actividad muscular
Permite controlar dispositivos
Actividad cerebral
[Carrera-León 2010]
Ejemplo de una estructura básica de un sistema BCI
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 20
[D’croz Barón 2010]
Obtención de señales
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 21
Datos obtenidos de un casco EEG
[Ramírez et al 2010]
Usando el casco…
Existe Software para análisis de ECG…
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 22 [Ramírez-Cortés et al. 2010]
Classification of EEG signals for command identification
23 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
BLINKY- command identifier
(Lopez-Espejel, 2015)
Blinky: command identifier
24 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
Signal sensing and pre-
processing Feature
extraction – wavelet
modeling
Classification – neural network
Robot coding for
movement
(Lopez-Espejel, 2015)
• 2015. López-Espejel, Jessica N. “Control de movimiento de objetos a través del uso de electro-encefalogramas y redes neuronales artificiales con equipo de bajo costo. “ Tesis para obtener el título de Licenciada en Ingeniería en Ciencias de la Computación. Benemérita Universidad Autónoma de Puebla- Instituto Nacional de Astrofísica, Óptica y Electrónica, Puebla. México. To be published
• 2013. Morales-Flores E Ramírez-Cortés JM, Gómez-Gil P, Alarcón-Aquino V. "Brain Computer Interface Development Based on Recurrent Neural Networks and ANFIS Systems". Soft Computing Applications in Optimization, Control, and Recognition, Vol. 294, pp. 215-236, Edited by Melin, P and Castillo, O, doi=10.1007/978-3-642-35323-9_9. Springer Berlin Heidelberg.
• 2013. Rosas-Cholula G, Ramirez-Cortes JM, Rangel-Magdaleno J, Gomez-Gil P, Alarcon-Aquino V. “Head movement artifact removal in EEG signals using Empirical Mode Decomposition and Pearson Correlation” The 2013 International Conference on Artificial Intelligence (ICAI 2013). July 22-25, 2013. Las Vegas, Nevada USA
• 2012. Obed Carrera León, Juan Manuel Ramirez Cortés, Vicente Alarcón-Aquino, Mary Baker, David D´Croz-Baron, Pilar Gomez-Gil, “A Motor Imagery BCI Experiment using Wavelet Analysis and Spatial Patterns Feature Extraction”, 2012 IEEE Workshop on Engineering Applications, Bogotá, Colombia, May 2-4, 2012.
Publicaciones escogidas - BCI
25 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
Algunos retos en este proyecto
• La identificación de los eventos no puede realizarse
simplemente analizando la señal en el tiempo • Hay muchos trabajos actualmente sobre el tema,
pero sus resultados no son tan buenos como se desea
• Se requiere analizar tanto la parte de extracción de características como la de clasificación. Nosotros nos concentraremos en la clasificación
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 26
Proyectos posibles
• Asignación de clases temporales a través de lógica difusa u otras técnicas
• Predicción de eventos ictales basado en EEG • Predicción de eventos hipotensos súbitos en salas
de terapia intensiva • Prediccion/clasificación en otras señales biológicas • Selección de funciones wavelts madre para redes
wavelets aplicadas a clasificación/predicción
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 27
Otras lecturas.. • 2010. Gómez-Gil P, García-Pedrero A and Ramírez-Cortes JM. “Composite Recurrent Neural Networks
for Long-Term Prediction of Highly-Dynamic Time Series Supported by Wavelet Decomposition”, Soft Computing for Intelligent Control and Mobile Robotics, Vol. 318/2011, pp.253-268, Castillo O, Janusz K and Pedrycz W. Editors, Springer-Verlag. DOI:10.1007/978-3-642-15534-5_16 (para conocer algo sobre redes neuronales recurrentes)
• 2010. Luna-Pérez, R, Gómez-Gil, P. “Unconstrained Handwritten Word Recognition Using a combination of Neural Networks.” Lecture Notes in Engineering and Computer Science -Proceedings of the 2010 Word Congress on Engineering and Computer Science (WCECS 2010) – International Conference on Soft Computing and Applications (ICSCA 10), San Francisco, USA. Vol. 1, pp. 525 - 528. Eds. Ao SI, Douglas C, Grundfest WS, Burgstone J. International Association of Engineers. (para conocer algo sobre clasificación temporal)
• 2010. Ramírez-Cortés JM, Alarcón-Aquino V, Rosas-Cholula G, Gómez-Gil P, Escamilla-Ambrosio J. “P-300 rhythm detection using ANFIS algorithm and wavelet feature extraction in EEG signals”. Lecture Notes in Engineering and Computer Science -Proceedings of the 2010 Word Congress on Engineering and Computer Science (WCECS 2010) – International Conference on Soft Computing and Applications (ICSCA 10), San Francisco, USA, Vol. 2186, pp. 619 - 623. Eds. Ao SI, Douglas C, Grundfest WS, Burgstone. (para conocer algo sobre clasificación en BCI)
• Página de PhysioNet www.physionet.org
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 28
Proyecto: PRISCUS: Reconocimiento automático de escritura manuscrita en documentos
antiguos
(en colaboración con coordinación de Electrónica INAOE)
29 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
Resumen • PRISCUS es un proyecto para la construcción de un sistema
lector de documentos manuscritos antiguos y modernos. Su objetivo es desarrollar un software inteligente integral.
• Está basado en redes neuronales artificiales y otros componentes de inteligencia computacional y entendimiento de lenguaje.
• Se busca la mejor implementación posible a problemas que aún son abiertos, tales como: segmentación de escritura continua, entendimiento de texto completo en base a clasificación de caracteres y palabras, e identificación de palabras
• Se están iniciando colaboraciones con un grupo en Grecia.
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 30
El reconocimiento de manuscritos es un reto!
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 31
[Spinola & Linares 2000]
Un OCR para documentos manuscritos
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
32
1. Digitalización
2. Pre-procesamiento
Imagen digital Documento
original
3. Segmentación de palabras
imagen limpia
4. Segmentación de
caracteres/palabras y extracción de características
6. Reconocimiento de caracteres/
palabras
8. Identificación de palabras
7. Entrenamiento del reconocedor
10. Corrección de estilo
Transcripción del documento
Parámetros de entrenamiento
Objetos con caracteres
Posibles caracteres
Conocimiento de la RNA
Posibles palabras
Palabras en el texto
Diccionario
5. Entrenamiento
de la segmentación
Segmentación para
entrenamiento
Words
Objetos de caracteres
Parámetros para
entrenamiento
Conocimiento de la RNA
[Gómez-Gil et al. 2007]
Algunos retos en este proyecto
• El modelo de reconocimiento de caracteres debe utilizar información probabilística a fin de reconocer palabras y utilizar el contexto.
• El sistema de segmentación de caracteres requiere implementarse
• Definir un de sistema de formación de sentencias basado en procesamiento de lenguaje natural
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 33
Clasificación de una palabra
34 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
(Luna-Perez & Gómez-Gil, 2010)
Word Segmentation
35 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
(Pimentel-Crisostomo, 2015)
Connected components
Lines identification
Segmented words – experiment 1
Proyectos posibles
• Uso de redes recurrentes para reconocimiento de palabras
• Uso de técnicas conexionistas para identificación de áreas de interés en textos antiguos
(c) P. Gómez, INAOE 2015 pgomez@inaoep.mx 36
• 2015. Pimentel Crisóstomo Hazziel. “Localización y segmentación de palabras en documentos manuscritos antiguos y modernos para el sistema PRISCUS. Tesis para obtener el título de Licenciado en Ingeniería en ciencias de la computación. Benemérita Universidad Autónoma de Puebla – Instituto Nacional de Astrofísica, Óptica y Electrónica. Facultad de ciencias de la Computación. Puebla, México. To be published
• 2010. Luna-Pérez R, Gómez-Gil P. “Unconstrained Handwritten Word Recognition Using a combination of Neural Networks.” Lecture Notes in Engineering and Computer Science: Proceedings of the World Congress on Engineering and Computer Science 2010, WCECS 2010, 20-22 October, 2010,San Francisco, USA. pp 525 - 528. Eds. Ao SI, Douglas C, Grundfest WS, Burgstone J. International Association of Engineers. ISBN: 978-988-17012-0-6. ISNN: 2078-0958 (print) ISNN: 2078-0966 (online).
• 2014. Diamantatos P, Kavallieratou E, Gomez-Gil P. “Binarization: A tool for text localization.” To be published in the Proceedings of the 14th. International Conference on Frontiers in Handwritten Recognition. 1-4 September, Crete Island, Greece.
Selected publications- PRISCUS
37 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
38 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx
Para conocer un poco mas de este proyecto ver las publicaciones
listadas en la página:
http://ccc.inaoep.mx/~pgomez/PRISCUS/
pgomez@acm.org pgomez@inaoep.mx
INAOE, Tonantzintla Puebla, oficina 8228 (222) 266-3100 ext. 8228
Preguntas?
39 (c) P. Gómez, INAOE 2015 pgomez@inaoep.mx