Aprendizaje profundo y metaheurísticas para la clasificación y análisis de bioseñales

Abstract

El análisis tradicional y la clasificación de señales consta de dos bloques: la representación adecuada de los datos para resaltar características relevantes del problema y la interpretación automática de esa representación para extraer información útil. Recientemente, el aprendizaje profundo ha reemplazado estos bloques con modelos complejos de extremo a extremo, como las redes neuronales convolucionales, que aprenden directamente a partir de los datos crudos. Sin embargo, diseñar arquitecturas profundas eficientes es complicado y requiere de mucho esfuerzo. Los métodos de metaheurística, como la computación evolutiva y la neuroevolución, ofrecen una alternativa prometedora al permitir la evolución automática de las arquitecturas de redes neuronales, evitando el diseño manual complejo. Este proyecto abordará el desarrollo de algoritmos avanzados para el análisis y reconocimiento de patrones en bioseñales en problemas específicos como el estudio de: señales del sistema respiratorio para el desarrollo de herramientas de diagnóstico de patologías del sueño, señales cerebrales para el desarrollo de interfaces hombre-máquina, señales de voz para el estudio de trastornos del habla y otras patologías y señales relativas al comportamiento de rumiantes para el mejoramiento de la producción ganadera.

Traditional signal analysis and classification consists of two building blocks: the appropriate representation of the data to highlight relevant features of the problem and the automatic interpretation of that representation to extract useful information. Recently, deep learning has replaced these blocks with complex end-to-end models, such as convolutional neural networks, which learn directly from raw data. However, designing efficient deep architectures is complicated and requires a lot of effort. Metaheuristic methods, such as evolutionary computation and neuroevolution, offer a promising alternative by enabling the automatic evolution of neural network architectures, avoiding complex manual design. The goal of this project is to address the development of advanced algorithms for the analysis and pattern recognition of biosignals in specific problems such as the study of: respiratory system signals for the development of diagnostic tools for sleep disorders, brain signals for the development of human-machine interfaces, voice signals for the study of speech disorders and other pathologies, and signals related to ruminant behaviour for the improvement of livestock production.