Filtro de interpolación basado en una red neuronal

Interpolation filter based on a neural network

Resumen Métricas disponibles Referencias Cómo citar

Resumen (es)

Este trabajo presenta un sistema alternativo de interpolación de varias señales basado en redes neuronales artificiales utilizando MatLab®. Se probaron diferentes arquitecturas comenzando con una red neuronal con topología de perceptrón multicapa, buscando obtener el doble de muestras de la señal original, cuyo algoritmo de entrenamiento se realizó a partir de una base de datos construida mediante la adquisición de señales de ECG capturadas en un laboratorio por los autores. Al probar el rendimiento de la red en circunstancias más exigentes, como la generación de más muestras y respuestas a una mayor variedad de señales, se evidenció que el rendimiento disminuye significativamente, por lo que se reentrenó la misma arquitectura utilizando una nueva base de datos pública de mayor tamaño. Buscando alternativas, se realiza un modelo utilizando la topología de red de base radial, luego se comparan los resultados obtenidos en las dos topologías utilizando como señales de entrada un Sin compuesto, SinC, un componente del atractor de Lorenz, un polinomio de alto orden y diferentes señales de ECG. Los resultados obtenidos muestran mejores resultados en la topología de red de base radial en comparación con la topología de perceptrón multicapa, sin embargo, ambas topologías generan interpolaciones bastante cercanas a la señal original.

Resumen (en)

This work presents an alternative system of interpolation of several signals based on artificial neural networks using MATLAB. Different architectures were tested starting with a neural network with multilayer perceptron topology, seeking to obtain twice as many samples of the original signal, whose training algorithm was performed from a database built by acquiring ECG signals captured in a laboratory by the authors. When testing the performance of the network under more demanding circumstances, such as the generation of more samples and responses to a greater variety of signals, it was evidenced that the performance decreased significantly, so the same architecture was retrained using a new public database of larger size. Looking for alternatives, a model is made using the radial based network topology, then the results obtained in the two topologies are compared using as input signals a composite Sin, SinC, a component of the Lorenz attractor, a high order polynomial and different ECG signals. The results obtained show better results in the radial basis network topology compared to the multilayer perceptron topology, however both topologies generate interpolations quite close to the original signal.