Segmentación de espectrograma de patrones por convolución de modelo-base aplicado a señales con ruido aditivo

César Ulises Solis-Cervantes; Sergio Isaí Palomino Reséndiz

doi:10.29057/icbi.v12iEspecial4.13171

Autores/as

César Ulises Solis-Cervantes Escuela Superior de Ingeniería Mecánica y Eléctrica Unidad Zacatenco del Instituto Politécnico Nacional, Av. Instituto Politécnico Nacional S/N C. P.: 07738, CDMX, México https://orcid.org/0000-0003-1011-8005
Sergio Isai Palomino-Resendiz ESIME-IPN https://orcid.org/0000-0002-0331-1088

DOI:

https://doi.org/10.29057/icbi.v12iEspecial4.13171

Palabras clave:

detección de señales, teoría de la transformada Gabor, métodos convolucionales, teoría del espectrograma, procesamiento de señales con ruido

Resumen

El presente trabajo establece un método convolucional por segmentación de espectrograma para detectar señales discretizadas con un patrón espectral de interés y que está contaminada con ruido aditivo, donde la detección por espectrograma estándar tiende a no ser el procedimiento más eficiente. Para lograr dicho objetivo se propone una metodología de tres pasos: generación de un modelo-base de patrones de interés con características similares a identificar, extraer la norma de la transformada Gabor discreta de la señal a identificar en convolución con los patrones del modelo-base, umbralizar el resultado del paso anterior para limitar el contenido espectral del ruido e identificar los patrones resultantes. Se compara este método con los tradicionales de convolución de funciones seno/coseno (espectrograma) y se marcan las ventajas y desventajas de ambos. Para su validación se implementa código en Matlab 2024a del algoritmo propuesto. Finalmente se hacen comentarios de trabajos futuros sobre la identificación de señales de ondas gravitacionales inmersas en señales con ruido en los que se puede aplicar la metodología para encontrar dichos patrones.

Descargas

Los datos de descargas todavía no están disponibles.

Información de Publicación

Este artículo

Otros artículos

Revisores por pares

Revisores: 3

2.4 promedio

Perfiles de revisores N/D

Declaraciones del autor

Disponibilidad de datos

N/A

16%

Financiamiento externo

No

32% con financiadores

Intereses conflictivos

N/D

11%

Para esta revista

Otras revistas

Artículos aceptados

86%

33%

Días hasta la publicación

178

145

Indexado en

GS

Editor y comité editorial: perfiles
Sociedad académica: N/D
Editora:: Universidad Autónoma del Estado de Hidalgo

Citas

Acevedo, C. M. D. y Duarte, J. E. J. (2014). Development of an embedded system for classification of emg signals. pp. 1–5, Cartagena, Colombia. IEEE.

Alexey, P. y Olga, P. (2024). Real time method and algorithms for fast discrete Fourier transform of discrete finite signals. pp. 1–6, Moscow, Russian Federation. IEEE.

Alexey, P., Olga, P., y Natalia, S. (2022). Fast parametric Fourier transform. pp. 1–6, Samara, Russian Federation. IEEE.

Bajaj, N. y Kashyap, R. (2012). Extension of wavelet family in fractional fourier domain. pp. 1–4, Surat, India. IEEE.

Bertone, G. (2024). Dark matter, black holes, and gravitational waves. Nuclear Physics. B, 1003:10. Id/No 116487.

Cabanillas, J. C., Kemper, G., y del Carpio, C. (2022). A conversion algorithm for ecg signals on a 2d array based on digital signal processing. pp. 105–109, Singapore, Singapore. IEEE.

Chandra, S., Sharma, A., y Singh, G. K. (2019). Denoising of ecg signal using computationally efficient linear phase filtering. pp. 1–8, Kanpur, India. IEEE.

Chaudhury, K. N. y Unser, M. (2009). Construction of hilbert transform pairs of wavelet bases and gabor-like transforms. IEEE Transactions on Signal Processing, 57:3411–3425.

Coughlin, M., Christensen, N., Gair, J., Khasamy, S., y Thrane, E. (2014). Method for estimation of gravitational-wave transient model parameters in frequency-time maps. Classical and Quantum Gravity, 31(16):14. Id/No165012.

Cui, Y. y Sfakianakis, E. I. (2023). Detectable gravitational wave signals from inflationary preheating. Physics Letters. B, 840:9. Id/No 137825.

El Haoui, Y. y Zayed, M. (2024). On the fractional space-time Fourier transforms. Integral Transforms and Special Functions, 35(2):127–150.

Hansen, E. W. y Manwaring, P. K. (2011). Introducing signal processing through an advanced digital design course. pp. 107–111, Sedona, AZ, USA. IEEE.

He, X., Liu, X., y Cao, Z. (2022). Gravitational waveform of moving source with high speed. Classical and Quantum Gravity, 39(19):20. Id/No 195020.

Hsu, T. M. (2020). Fourier series, fourier transforms, and function spaces. MAA Press, an imprint of the American Mathematical Society, Providence, Rhode Island.

Ishikawa, T., Takayama, R., y Arai, S. (2015). Fast gabor wavelet transform based on synthesis of gabor spectrum using convolution of gaussian. pp. 327–331, Washington, DC, USA. IEEE.

Jainwal, K., Shah, K., y Sarkar, M. (2015). Low frequency noise reduction using multiple transistors with variable duty cycle switched biasing. IEEE Journal of the Electron Devices Society, 3:481–486.

Kantorovich, L. V. y Akilov, G. P. (2014). Functional Analysis. Elsevier Science, Burlington, 2nd ed edicion. ´

Khan, S., Alzaabi, A., Iqbal, Z., Ratnarajah, T., y Arslan, T. (2023). A novel digital twin (dt) model based on wifi csi, signal processing and machine learning for patient respiration monitoring and decision-support. IEEE Access, 11:103554–103568.

Khunteta, A. y Niranjan, V. (2018). A novel noise reduction technique in cmos amplifier. pp. 779–783, Bangalore, India. IEEE.

Lavrentev, K. y Filimonyuk, L. (2023). The method of creating digital signal processing systems for complexes of a nuclear energy objects’ decommission. pp. 1–5, Moscow, Russian Federation. IEEE.

Leis, J. (2011). Digital signal processing using MATLAB for students and researchers. Wiley, Hoboken, NJ.

Liu, R. (2022). Speech noise reduction system based on combined filter. pp. 611–616, Dalian, China. IEEE.

Loehr, N. A. (2014). Advanced linear algebra. CRC Press, Boca Raton, 1st ed edicion. ´

Lugilde, G., Combarro, E. F., y Rua, I. F. (2024). Functional quantum abstract detecting systems. Quantum Information Processing, 23(3):44. Id/No 82.

Magsi, H., Sodhro, A. H., Chachar, F. A., y Abro, S. A. K. (2018). Analysis of signal noise reduction by using filters. pp. 1–6, Sukkur, Pakistan. IEEE.

Marques, P. A. (2019). Digital signal processing education using a low cost student owned laboratory. pp. 15–19, Krakow, Poland. IEEE.

Natalia, P., Olga, P., y Alexey, P. (2024). Efficient method for fast discrete fourier transform of finite signals with high frequency resolution. pp. 1–7, Moscow, Russian Federation. IEEE.

Noskova, E. y Tumakov, D. (2024). Analysis of wavelet transform application for filtering real ecg signals from high-frequency noise. pp. 1–5, Moscow, Russian Federation. IEEE.

O’Leary, M. L. (2021). Linear Algebra. Wiley, 1 edición.

Prasad, N., Prakash, D., y Dixit, S. (2023). Implementation of optimized adaptive lms noise cancellation system to enhance signal to noise ratio. pp. 1581–1586, Salem, India. IEEE.

Singh, P., Gupta, A., y Joshi, S. D. (2022). General parameterized fourier transform: A unified framework for the fourier, laplace, mellin and z transforms. IEEE Transactions on Signal Processing, 70:1295–1309.

Soni, K., Gupta, S. K., Kumar, U., y Agrwal, S. L. (2014). A new gabor wavelet transform feature extraction technique for ear biometric recognition. pp. 1–3, Delhi, India. IEEE.

Wang, Z., Xie, R., Liu, Z., Wang, W., Zhou, Y., Liu, X., Li, P., y Rui, Y. (2022). Design and implementation of signal processing system for two-dimensional electric scanning radar. pp. 573–578, Jiangsu, China. IEEE.

Watcharapinchai, N., Aramvith, S., Siddhichai, S., y Marukatat, S. (2009). Dimensionality reduction of sift using pca for object categorization. pp. 1–4, Bangkok, Thailand. IEEE.

Woerdeman, H. J. (2015). Advanced linear algebra. Chapman and Hall/CRC, an imprint of Taylor and Francis, Boca Raton, FL, first edition edicion.

Zhou, W., Li, J., y Shah, F. (2016). Retrospect and prospect of wavelet and big data: A survey. pp. 307–310, Chengdu, China. IEEE.