No description available.

Ingeniero Civil Eléctrico / Se construye un arreglo de antenas capaz de localizar las señales de radiofrecuencia emitidas por celulares, para lo cual se utiliza un arreglo de antenas por fases en el rango de frecuencias 1850-1920 MHz, que corresponde a una de las bandas de subida de datos de un celular para la tecnología 3G. Actualmente, este tipo de tecnología es utilizado en aplicaciones militares, radio astronómicas y \emph{broadcasting} en este trabajo se tiene la idea de dar una aplicación a esta tecnología en situaciones como por ejemplo, localización de personas en lugares de catástrofe y detección de celulares en donde no se permite portar uno, entre otros. El alcance de esta memoria estará centrado en el diseño, construcción y pruebas de un prototipo funcional. En todo este trabajo se hace un énfasis en el proceso que lleva a conseguir los resultados obtenidos, como los componentes que se utilizan y el método con el que se realizan las pruebas, para que esta memoria sirva como un hito importante en el desarrollo de este proyecto.

Ingeniero Civil Eléctrico / El sueño es un tema que ha tomado mucha fuerza en los últimos años sobre todo por su función neurofisiológica y reparadora. Dentro de los fenómenos fisiológicos más importantes del sueño se encuentra una actividad eléctrica registrada en el EEG (electroencefalograma) llamada Huso Sigma. Este patrón eléctrico se ha asociado por una parte a procesos involucrados en la consolidación de la memoria y por otra a desórdenes tales como retardo mental, hiperkinesia, desarrollo cognitivo, entre otros. Por lo tanto pesquisar y caracterizar este patrón es de suma importancia en el área de la medicina. El objetivo de esta tesis consiste en construir características morfológicas con el fin de caracterizar Husos Sigma y posteriormente detectarlos a través de un sistema de detección automático. Los Husos Sigmas corresponden a trenes de ondas distinguibles de la actividad de fondo del EEG, principalmente notorios en las derivaciones centrales, que comienzan con una baja amplitud, llegan a un máximo y luego decaen, teniendo duraciones típicas entre 0,5 a 2 [s]. El problema de detección consiste en lograr separar entre Husos Sigmas, correspondientes a trozos de señales marcadas por expertos que a su juicio consideran que son Husos Sigmas, de otras marcas hechas por un pre-detector y que no corresponden a Husos Sigmas. Para resolver el problema propuesto se propone un esquema: Descomposición Modal Empírica (EMD por Empirical Mode Decomposition en inglés) - detector de zonas - Matching Pursuit (MP). La EMD permite aislar la componente fusiforme que se busca caracterizar mediante MP en las zonas detectadas por el detector de zonas. El algoritmo MP se encuentra equipado con un diccionario de wavelets Morlet, cuya función es describir de manera sucinta cuando se trata de HS y de manera más compleja cuando se trata de no-HS. La creación del diccionario se hace en base a características extraídas del detector de zonas aplicado previamente. Luego de aplicar el método propuesto se extraen características basadas en el comportamiento morfológico de la componente seleccionada. Tras generar estas características se entrena una Máquina de Soporte Vectorial (SVM por Support Vector Machine en inglés) empleando un kernel Gaussiano. Los SVM se calibran para cada experimento realizado. El funcionamiento del sistema, considerando un largo mínimo del detector de zonas de 0,3 [s], es revisado en el punto de operación TVP=80% y FPR=30%. TVP significa tasa de verdaderos positivos y FPR tasa de falsos positivos. De este análisis se concluye que la aproximación morfológica es buena, sin embargo el método opera de manera similar en varios HS y no-HS. Realizando un análisis entre las características basado en información mutua se concluye que gran parte de la información se encuentra contenida en 3 características; sin embargo el desempeño de ocupar estas tres características en algunos puntos de operación se diferencia bastante con respecto al desempeño de un sistema que emplea todas las características creadas. Finalmente se sugieren nuevos pasos a seguir con el fin de mejorar el sistema propuesto.

El objetivo de este trabajo de tesis fue desarrollar un sistema de detección automática y de caracterización de patrones Husos Sigma (HS) en registros polisomnográficos de niños sanos, sin la necesidad del conocimiento previo de la evolución temporal de los estados y etapas de sueño durante la noche (hipnograma). La identificación automática de patrones de sueño permite una adecuada clasificación de los estados y etapas de sueño, y además se asocian con procesos fisiológicos importantes tales como: normal desarrollo del sistema nervioso central, consolidación de la memoria y plasticidad cerebral. Los HS son uno de los más característicos patrones del EEG durante el sueño, y su aparición marca el inicio de la etapa de sueño quieto 2 (SQ 2). Se definen como trenes de ondas de frecuencia en la banda sigma (10 a 16 Hz) con una duración típica de 0,5 a 2 s, caracterizados por un aumento progresivo de la amplitud sucedido por un descenso gradual de ésta (forma de huso), y normalmente montados sobre ondas más lentas y de mayor amplitud. El sistema de detección desarrollado incorpora técnicas de procesamiento avanzado de señales: descomposición modal empírica (EMD), transformada de Fourier (FFT) y transformada de Hilbert-Huang (HHT), las cuales proveen una adecuada resolución temporal y frecuencial para el análisis del EEG. Además aplica lógica difusa y criterios morfológicos y de duración para emular el procedimiento que realiza el experto en sueño durante la inspección visual de patrones HS. El detector de HS puede ser descrito como un sistema de análisis modular en cascada de 4 módulos, en que se va refinando la detección y precisión del sistema a medida que se avanza en los módulos. El Módulo 1 realiza un estudio del polisomnograma para determinar zonas de análisis compatibles con la presencia de HS en las cuales centrar la detección de candidatos HS. El Módulo 2 utiliza la EMD, la FFT, la HHT y criterios difusos y expertos sobre las zonas del EEG de análisis definidas por el Módulo 1 para la generación de candidatos HS de primera pasada (HSc1). El Módulo 3 es una etapa de eliminación de candidatos basado en características estadísticas de los HSc1: amplitud, frecuencia, simetría y duración; generando los candidatos HS de segunda pasada (HSc2). El Módulo 4 refina el análisis utilizando criterios de duración y de entorno, generando la salida final del sistema, que es la posición inicial y final de cada HS identificado a lo largo del registro EEG. Se construyó una base de datos con 56 registros polisomnográficos de sueño nocturno de niños para la implementación, ajuste, selección y prueba del sistema. La base de datos fue dividida en los conjuntos de entrenamiento: 27 registros, 216 hrs duración y 48.669 HS marcados, validación: 10 registros, 80 hrs duración y 22.443 HS marcados y prueba: 19 registros, 152 hrs duración y 40.412 HS marcados. Los eventos HS fueron marcados por expertos en sueño mediante inspección visual, y estas marcas fueron utilizadas como ground truth para evaluar el desempeño del sistema. Los resultados para el conjunto de prueba en los registros completos de sueño nocturno muestran un 88,2% de sensibilidad, 89,7% de especificidad y una tasa de FP de 11,9%. Considerando sólo los segmentos de SQ 2 en el conjunto de prueba, los resultados mejoran, mostrando un 92,2% de sensibilidad, 90,1% de especificidad y una tasa de FP de 8,9%. En general, el sistema desarrollado presenta resultados muy buenos, los que son comparables con los mejores resultados mostrados en la literatura. Esto es especialmente cierto en los segmentos de SQ 2 donde se obtuvieron los mejores resultados en todos los indicadores estudiados. Además, el sistema no requiere de la generación previa del hipnograma por parte del experto en sueño evitando esta tarea que consume mucho tiempo y requiere de un gran esfuerzo. El sistema implementado se encuentra entre los de mejor rendimiento y es el sistema aplicado sobre la base de datos marcada más grande utilizada en detección de HS en niños hasta la fecha. Por otro lado, el algoritmo es parte integral del sistema Sleep-Analyzer desarrollado como una herramienta de apoyo al trabajo de investigación de los especialistas en sueño.

El estudio de señales de sueño es de gran importancia para evaluar la calidad del sueño de los individuos y para investigar las funciones que éste realiza. En ese sentido, resulta interesante desarrollar métodos automáticos que analicen las señales de sueño, ya que en la actualidad dicho análisis es desarrollado generalmente por un experto, lo que resulta tedioso, debido a la longitud de los registros. Dentro del análisis que se puede realizar a las señales de sueño, está la detección de husos sigma (HS), que corresponden a un patrón particular que aparece en el electro encéfalo grama durante las fases 2, 3 y 4 de estado conocido como sueño quieto. El principal objetivo de este trabajo es desarrollar un sistema capaz de detectar automáticamente candidatos de HS en señales de sueño. Se desea que el sistema sea comparable con la salida de los módulos 1 y 2 de un sistema implementado por Leonardo Causa en el Departamento de Ingeniería Eléctrica, los cuales utilizan la potencia espectral de tres bandas de frecuencia, la transformada de Hilbert-Huang, la descomposición modal empírica y criterios difusos para llevar a cabo la detección. El sistema planteado en este trabajo utiliza una novedosa herramienta llamada gráficos de recurrencia. Dicha herramienta permite construir, a partir de un trozo de la señal del sueño, un gráfico en dos dimensiones, el cual describe la periodicidad de dicho trozo. Luego, mediante mediciones a este gráfico, es posible extraer características numéricas que describen ciertas propiedades de aquel trozo de la señal. Además de las características deducidas del gráfico se agregan otras, obtenidas directamente del segmento de señal y relacionadas con otros atributos de los HS, como su duración y magnitud. Todos estos atributos se combinan mediante una red neuronal, la cual determina si el trozo sobre el cual se calcularon los atributos corresponde o no a un huso sigma. Así, se plantea el problema de detección de HS como un problema de clasificación. Se dividen los datos en tres conjuntos: entrenamiento, validación y prueba. El conjunto de entrenamiento y validación es utilizado en principio para desarrollar el método planteado, determinado cuáles de sus variantes entregan mejores resultados. Posteriormente, los parámetros de este sistema se ajustan utilizando los mismos conjuntos de validación y entrenamiento, evaluando el desempeño del sistema frente a diferentes combinaciones de parámetros. Luego, estos mismos conjuntos de entrenamiento y validación son utilizados para entrenar el modelo. Posteriormente se utiliza el conjunto de prueba para comparar el desempeño del sistema implementado en este trabajo con el desempeño de los módulos 1 y 2 del sistema original. Los resultados sobre el conjunto de prueba, el cual incluye cuatro pacientes, muestran un desempeño similar entre ambos sistemas. El sistema planteado obtiene una tasa de verdaderos positivos (TPR) de 80,8% y una tasa de falsas detecciones (FDR) de 81,9%. El sistema original obtiene una TPR de 79,5% y una FDR de 85,7%. Se observa que una sección en la mitad de la curva ROC (acrónimo de Receiver Operator Characteristic), calculada para el sistema implementado, es estrictamente mejor que los módulos 1 y 2 del sistema original, para los datos utilizados. Es posible que un híbrido de ambos métodos de origen a un método de mejor desempeño, ya que la información aportada por cada método parece ser complementaria. Se define, por ende, un método apropiado de detección de HS. Algunas de las características introducidas por este método resultan bastante adecuadas para este problema, por lo que podrían ser usadas y mejoradas en futuras investigaciones.