Técnicas no-lineales para el análisis no invasivo de comportamientos animales

Abstract

El presente estudio realiza análisis y evaluación de modelos no-invasivos mediante técnicas no-lineales que permitan la clasificación de comportamientos animales. Los datos se obtienen de sensores de presión piezoeléctricos, los mismos que son adecuados para la medición de curvas o pulsaciones de presión altamente dinámicas y cuasi-estáticas. La información extraída serviría para implementaciones futuras de la Ingeniería Biomédica, para el tratamiento de enfermedades. Se comienza con el pre-procesamiento de los datos en base a la frecuencia–temporal, que permite obtener parámetros lineales y no-lineales mediante la Densidad del Espectro de Potencia (PSD). Dichas características permite el aprendizaje del modelo clasificación realizada en la herramienta WEKA [23]. Las técnicas no-lineales como: Entropía Espectral de Shannon (EES), que permite entender la información y su validez, la Dimensión Fractal (DF) en base a los algoritmos de Higuchi [14] y Katz [16], mejoran el modelado del algoritmo para clasificar. Los parámetros se los obtiene por medio del software Matlab R2015a [12]. Para la experimentación sobre el aprendizaje del modelo de clasificación de comportamientos animales, se lo realiza mediante los algoritmos basados en: Análisis del Discriminante Lineal de Fisher (FLDA), Redes Neuronales Artificiales (Convulutional Neural Networks, CNN y Perceptron Multicapa, MLP) y árboles de decisiones (J48). Finalmente se analiza los algoritmos de clasificación por medio de sus tasas de acierto y la correlación entre variables (características). El análisis se centró en el aprendizaje del conocimiento para el clasificador automático basado en Redes Neuronales Artificiales, que con ayuda de los demás algoritmos permiten contrastar que técnica más representativa de la Minería de Datos (Data Mining), aporta mejores resultados.