vamos a ver...
Tesis doctoral
He defendido mi doctor el 13 de julio de 2006 en Granada sobre un nuevo método de la separación ciega de fuentes. El titulo del trabajo es:
Ingo R. Keck, ICA Incompleto Paralelo: Una nueva herramienta para el análisis de datos fMRI / Parallel Incomplete ICA – A New Tool to Analyse fMRI Data Sets, Dissertation, Departamento de Arquitectura y Tecnología de Computadores, Universidad de Granada, Juli 2006.
Resumen
En la actualidad las comunicaciones adquieren cada día más importancia. En muchas situaciones del mundo real se trabajan con la transmisión y recepción de información, la cual generalmente, en el camino hacia su destino sufre diferentes distorsiones que corrompen la señal resultando al final, una mezcla de la información que requiere ser procesada con el fin de obtener resultados correctos. Existe infinidad de campos donde el procesamiento de señales cumple diversas funciones fundamentales; estos campos comprende entre otros: la comunicación de datos, voz e imágenes, sismología, medicina, acústica, sonar, instrumentación, robótica, etc.
El problema de la separación ciega de señales consiste en la recuperación de las señales originales a partir de las mezclas detectadas por sensores, conociendo tan sólo estas últimas. Estas mezclas de señales tiene lugar en el medio en que se propagan y en los sensores y como característica de este método es que a priori no se cuenta con ninguna información de las señales originales ni de la forma en que fueron mezcladas.
Un claro ejemplo que permite tener una idea general de este problema es el conocido efecto "Cocktail Party", el cual consiste en la habilidad que posee el ser humano de percibir y separar una voz de un fondo de ruido o de un conjunto de voces hablando de manera simultanea. Una vez realizada esta separación, las voces recuperadas o fuentes individuales, se les denomina "componentes independientes."
El presente trabajo doctoral tiene como objetivo la utilización de la herramienta del análisis de componentes independientes aplicado a señales del cerebro "fMRI". Para entender bien como funciona fMRI vale la pena mencionar que el cerebro de las personas se encuentra dividido en dos hemisferios (derecho y izquierdo), y cada uno de estos hemisferios se divide en lóbulos los cuales desempeñan diferentes tareas relacionadas con el sentir, oír, ver, etc. Cada acción, pensamiento, sensación es producida por la actividad de las células localizadas en un área específica del cerebro. Cuando un grupo de células son alteradas por alguna razón comienzan un proceso en el cual la corriente eléctrica, transmisión y el metabolismo son aumentados. Esto conlleva a necesitar más sangre porque se requiere más energía. La activación de un área del cerebro produce la recepción de más sangre ya que se está produciendo una dilatación de las venas sanguíneas. Por tanto, cualquier acción del cerebro causa un aumento de sangre en el punto de la corteza que rige la acción.
Las imágenes de resonancia magnética (MRI) permiten ver la anatomía de los órganos internos del cuerpo. Mientras que las imágenes de resonancia magnética funcional son resultado de los valores de intensidad de la señal que se produce con el aumento de sangre.
La presente memoria se encuentra estructura como sigue:
Capítulo 1: Introducción a la Separación Ciega de fuentes. En este capítulo se presenta la definición y formulación matemática de la técnica de Análisis de Componentes Independientes aplicado al problema de la Separación Ciega de Señales. En primer lugar se presentan los fundamentos estadísticos y su importancia en la separación de señales. A continuación se introduce en el tema de teoría de la información y los fundamentos básicos necesarios para la técnica ICA. Seguidamente se introducen las técnicas del Análisis de Componentes Principales (PCA) y el Análisis de Componentes Independientes (ICA) con sus correspondientes definiciones matemáticas, restricciones y algoritmos. Finalmente se realiza una comparación entre PCA e ICA.
Capítulo 2: ICA Reliability. En este capítulo se desarrollan fundamentos teóricos y prácticos que permiten aplicaciones simples y directas de los conceptos que se aplican a lo largo del presente trabajo. En él realizo diferentes pruebas de confiabilidad, funcionamiento y comparación en sistemas reales del método análisis de componentes independientes, con énfasis en fMRI.
Capítulo 3: functional Magentic Resonance Imaging . En este capítulo se presenta una introducción a los Fundamentos de la Resonancia Magnética Funcional "fMRI", junto con las ventajas y desventajas que implican el utilizar análisis de componentes independientes para aplicaciones en investigación cerebral. Seguidamente se presentan resultados experimentales aplicados a los modelos linear; de forma que permiten demostrar la efectividad de ICA en datos de fMRI, para finalmente extraer las conclusiones tanto en aspectos positivos como negativos del método.
Capítulo 4: Incomplete ICA. En este capítulo se desarrolla una introducción teórica en el tema de ICA incompleto partiendo de su definición y formulación matemática. Seguidamente se introduce al tema de "clustering con Incomplete ICA", desarrollando en primera estancia ejemplos que demuestras la efectividad del método para trabajar con valores distintos a señales del cerebro. A continuación se aplica dicho método a fMRI y se describen las conclusiones obtenidas.
Capítulo 5: Parallel incomplete ICA incompleto. En este capítulo se desarrolla una descripción aplicando el método de incomplete ICA clustering. Por medio de un ejemplo se demuestran las ventajas que resultan usando el método paralelo.
En la sección de "Conclusiones y Perspectivas" se resumen las principales aportaciones que se han realizado en la materia con el desarrollo del presente trabajo doctoral. Igualmente se presentan trabajos futuros y líneas de investigación en los que vale la pena seguir investigando.