cenidet

Centro Nacional de Investigacion y Desarrollo Tecnologico.

Ciencias de la computacion. Inteligencia Artificial.

Redes Neuronales.
Christian Hern
andez Becerra
Tarea 4: Aplicaci
on.
17 de Febrero de 2016.

1.

Wavelet decomposition and phase encoding of temporal signals using spiking neurons (Descomposici
on
wavelet y la codificaci
on de fase de las se
nales temporales utilizando neuronas pulsantes)[1].

1.1.

Descripci
on

La codificacion de pulsos es el paso inicial, pero crucial para cualquier dominio de aplicacion
de redes neuronales artificiales Pulsantes (RNAP). Sin embargo, los metodos de codificacion
actuales no son adecuados para procesar la compleja se
nal temporal. Motivado por la relacion
encontrado entre las corrientes sinapticas aferentes de las neuronas biologicas, este estudio
propone un m
etodo de codificaci
on de fase pico de RNAP, lo que podra llevar a
cabo la descomposici
on wavelet en la se
nal de entrada, y codificar el espectro de
ondas en espiga trenes de salida sincronizados.
Los retrasos de los pulsos en cada perodo de sincronizacion representan las amplitudes del
espectro. El metodo de codificacion se probo en dos ejemplos de implementacion:
(a) La codificacion de los registros de voz humana con proposito de reconocimiento de voz.
(b) La codificacion de canales m
ultiples de registros de electroencefalografa con el objetivo
de detectar pulsos especficos en pacientes con epilepsia.
Las evaluaciones empricas confirman que la codificacion en trenes espiga constituyen una
buena representacion de la transformada wavelet continua de la se
nal original, con la capacidad
de capturar caractersticas interesantes de la se
nal de entrada.
Diferentes modelos de neuronas se han propuesto por los investigadores para imitar los
comportamientos electricas de las neuronas biologicas. Se ocupa Leaky Integrate and Fire,
se cree que es una simplificacion razonable de la neurona biologica con precision y eficiencia
equilibrada:

du(t)
= u(t) +
Iall (t)
dt
Cm

donde u es el potencial de membrana, y Cm son la constante de tiempo y la capacidad de

la neurona, respectivamente.
Codificaci
on de grabaci
on de voz humana
1

Una red de codificacion se llevo a cabo para convertir los registros de voz humanas obtenidas
de la Base de datos de censo de la Universidad Carnegie Mellon en trenes de pulsos relacionados con el espectro de ondas. Una serie de 100 Dispositivos de Codificacion de Wavelets con
parametros = 45ms y variando entre 0,2ms y 10,0ms. Los trenes de pulsos podran codificar
los componentes de frecuencia que van desde 100 Hz a 50 kHz en la se
nal de entrada, que es
mas ancha que las limitaciones de frecuencia de voz humanos.
Codificaci
on de se
nales en el cuero cabelludo de pacientes con epilepsia.
Los registros consisten en 19 canales individuales, cada uno muestreado a frecuencia de 512
Hz. Se implementan 19 grupos de matrices, cada uno conectado a un canal individual.
Proponen un metodo de codificacion que incorpora los conceptos de modulacion de la corriente sinaptica con la representacion de codificacion de fase. Comprobaron que el dispositivo
de ondas de codificacion propuesto hace el procesamiento previo y una neurona LIF llevar a
cabo la descomposicion wavelet de la se
nal de entrada, y convertir la amplitud del espectro de
ondas en cierta traduccion y escalas de tiempo en los retrasos de los puntos de salida.

1.2.

Paradigna Neuronal

Redes Neuronales Artificiales Pulsantes.

Redes Neuronales Artificiales Pulsantes, Leaky Integrate and Fire.
La forma mas facil para evaluar codificar una se
nal analogica es para alimentar a una
neurona de Poisson, que dispara pulsos de probabilidad proporcional a su potencial de
membrana, con lo que su velocidad de disparo dentro de un peque
no lapso es proporcional a la
amplitud de la se
nal de entrada.

1.3.

Tipo de problema a resolver

Metodo u
til para pre-procesar se
nales de entrada.
La suposicion es que la combinacion de un dispositivo de codificacion de la unidad de
preprocesamiento con una neurona LIF podra ser utilizado para codificar se
nales analogicas
con amplia gama de frecuencias.
Su unidad de procesamiento previo podra descomponer la se
nal de entrada en el espectro
de ondas, y mas en codificar la amplitud de espectro en la cantidad de retardo entre los picos
de salida y las se
nales de reloj.
En conclusion, resuelve problemas de clasificacion: sobre preprocesamiento de se
nales para
decodificar las se
nales en la gama de frecuencias.

1.4.

Nivel de la aplicaci
on

En desarrollo.

1.5.

Crtica

Spiking neuron models are typically a set of Ordinary Differential Equations (ODE) which
attempt to capture the dynamics of the neuron membrane potential.
2

El area de procesamientos de se
nales es importante en la actualidad debido a la amplia
gama de sispositivos que las ocupan, creo que es importante itroducir estas herramientas el el
area, pienso que es bastante u
til. En cuanto a los terminos confusos, pues engloba gran parte
del trabajo pues se requiere bastante tiempo y esfuerzo para comprender la teora de Wavelets,
y por su puesto las redes neuronales en el entorno de las ecuaciones diferenciales.
El hecho de que este trabajo sea entorno a la clasificacion con resdes neuronales pulsantes
aporta un conjunto de conceptos y sugerencias sobre lo que se puede desarrollar con mi tema.
Este artculo es muy amplio como para ser la base de mi proyecto final del curso de Redes
Neuronales Artificiales, pero creo que puede aportar ideas interesantes.

2.

Bibliografa
1 W. Zhenzhong, G. Lilin, A. Malek, Wavelet decomposition and phase encoding of temporal
signals using spiking neurons. Elsevier, Neurocomputing 173 (2016) 12031210, (September 2015).