COORDINACIÓN DE CIENCIAS DE LA COMPUTACIÓN - LTL

Transcripción

INSTITUTO NACIONAL DE ASTROFÍSICA, ÓPTICA Y
ELECTRÓNICA
Coordinación de Ciencias Computacionales
Presenta: Dra. Pilar Gómez Gil
[email protected]
ccc.inaoep.mx/~pgomez
23 de Septiembre 2016
V: 2016-09-25
(c) P.Gómez Gil, INAOE 2016
1
Un poco sobre nosotros
 Un poco sobre nuestros intereses

2

Investigadores (en orden alfabético)

Alumnos de doctorado del INAOE - CCC

Colaboraciones con otras instituciones
◦ Dr. Vicente Alarcón Aquino- UDLAP
◦ Dra. María del Pilar Gómez Gil-INAOE- Cord. De
Computación
◦ Dr. Ever Juárez Guerra – Univ. Autónoma de Tlaxcala
◦ Dr. Juan Manuel Ramírez Cortés- INAOE – Cord. De
Electrónica
◦ Mtro. Magdiel Jiménez Guarneros
◦ Mtro. Rigoberto Fonseca Delgado
◦ Instituto Tecnológico de Chihuahua – Dr. Mario Ignacio
Chacón Murguía
◦ Instituto Tecnológico de Cd. Victoria - Dr. Carlos A.
Hernández Gracidas
3

Usamos y desarrollamos técnicas basadas en:
◦ Aprendizaje basado en ejemplos e inteligencia
computacional, para escribir algoritmos de
clasificación y predicción, como las redes
Neuronales Artificiales (RNA), la Lógica Difusa o los
Algoritmos Evolutivos
◦ Procesamiento digital de señales, para extraer
características necesarias para clasificar o predecir
4
Case K.2
1
0.8
Mackey-Glass data for A=0.2, B=0.1, tao=17 h=0.9. 550 points of good2.dat
1.4
0.6
1.2
0.4
expected
prediction
1
0.2
0.8
0
1
0.6
0.4
0
100
200
300
400
500
600
Mackey-Glass time series
ATM withdraws (NN5-001)
dx(t )
ax(t   )

 bx(t )
dt
1  x10 (t   )
(Glass 1987)
(Crone 2008)
90
179 268 357 446 535 624 713 802 891 980 1069 1158 1247 1336 1425 1514 1603 1692 1781 1870 1959 2048
-0.2
-0.4
n
Long-term prediction of an ECG
(Gomez-Gil et al., 2011)
EEG of an ictal state
(Juarez-Guerra, 2015)
5
SENSADO
MEDIDAS
PREPROCESAMIENTO Y
OBTENCIÓN DE
CARACTERÍSTICAS
VECTOR DE CARACTERÍSTICAS
CLASES
OBJETO
ANALISIS DE
CONTEXTO
DECISION
APRENDIZAJE
(Tao & Gonzalez ,1974)
6
Amplificador de bio señales-EEG G.Hlamp
http://www.gtec.at
10-20 electrode placement system
( tomado de Juárez-Guerra, 2012)
EMOTIV–EPOC
https://emotiv.com/support.php
7
2
0
-2
0
100
200
300
400
500
600
700
800
900
60
50
Frequency
40
30
20
10
0
0
1
2
3
4
Time
5
6
7
8
9
Comandos:
1) Izquierda
2) Derecha
3) Cambio entre
caminar/detenerse
BLINKYcommand
identifier
(Lopez-Espejel, 2015)
10
Sensado de la
señal y preprocesamiento
Extracción de
características –
modelado
wavelet
Clasificación
– red neural
(Lopez-Espejel, 2015)
Codificación
al Robot
11
(Morales-Flores et al. 2013)
12
Paciente sin eventos
Durante un evento ictal
13
MODWT
(Juarez-Guerra, 2014)
Proposed model:
MRW-FFWNN
14
(Cook et al. 2013)
15
(Jiménez-Guarneros, 2016)
16




Los sistemas basados en IA se caracterizan porque contienen
una representación del conocimiento, que les permite tomar
decisiones de forma autónoma.
Algunas técnicas de IA utilizan representaciones simbólicas del
conocimiento, como los sistemas expertos basados en reglas.
Sin embargo, estas técnicas aunque son exactas, no son
fácilmente escalables.
La inteligencia computacional (IC) permite trabajar con sistemas
imprecisos y encontrar soluciones en tiempos razonables,
aunque no exactas, a través de crear representaciones
numéricas del conocimiento.
En el aprendizaje automático, se adquiere el conocimiento a
través de analizar datos y manipularlos, usando estrategias
basadas en teorías matemáticas
(Gómez-Gil, 2016)
(c) INAOE - P. GÓMEZ-GIL 2016
17


En el contexto de Inteligencia Artificial (IA),
“aprendizaje profundo” (Deep Learning o DL) se
refiere a la actividad automática de adquisición
de conocimiento, a través del uso de máquinas
que usan varios niveles para la extracción.
El adjetivo “profundo” se aplica no en sí al
conocimiento adquirido, sino a la forma en que
el conocimiento se adquiere.
(Gómez-Gil, 2016)
18


La gran ventaja de DL es que no requiere de una
definición “a mano” de las características que
identifican a los patrones que se buscan, sino que
automáticamente se generan dichas características,
manipulando datos crudos
Esto se lleva a cabo a través de construir
automáticamente características de alto nivel, a través
del uso de una gran cantidad de niveles jerárquicos
de extractores, dentro de un sistema que aprende
automáticamente.
(Gómez-Gil, 2016)
Foto tomada de:
http://www.kodemaker.no/deeplearn
19
Imagen tomada de (LeCun et
al.,2015).
20
21

En proyectos que requieren clasificación,
identificación, análisis de EEG, en especial
aplicados a medicina
22
(Gómez-Gil, 2016)
Puerto Escondido, Oaxaca
Imagen generada usando
http://deepdreamgenerator.com/
23
(Gómez-Gil, 2016)
Imagen generada usando
http://deepdreamgenerator.com/
24
Para otra información de interés sobre
aprendizaje profundo consultar:
http://ccc.inaoep.mx/~pgomez/deep/
25



2014. Gómez-Gil P, Juárez-Guerra E, Alarcón-Aquino V, Ramírez-Cortés M,
Rangel-Magdaleno J. “Identification of Epilepsy Seizures Using Multi-resolution
Analysis and Artificial Neural Networks.” Recent Advances on Hybrid Approaches
for Designing. Intelligent Systems, Studies in Computational Intelligence 547, O
Castillo et al. (eds.), DOI: 10.1007/978-3-319-05170-3_23, Springer
International Publishing Switzerland 2014
2014. Juárez Guerra, E. “Biomedical Signal Processing Using Wavelet Based Neural Networks”. Doctoral program in computer science, technical report. Nov.
14, 2014. Cholula, Puebla.
2015. Juarez-Guerra E, Alarcon-Aquino V and Gomez-Gil P. “Epilepsy Seizure
Detection in EEG Signals Using Wavelet Transforms and Neural Networks.” New
Trends in Networking, Computing, E-learning, Systems Sciences, and Engineering
Lecture Notes in Electrical Engineering. Eds: K. Elleithy, T. Sobh. Vol 312, 2015, pp
261-269. DOI: 10.1007/978-3-319-06764-3_33 . (Nota: This work was
presented in the : “Virtual International Joint Conferences on Computer,
Information and Systems Sciences and Engineering” (CISSE 2013). Dec. 12-14,
2013)
26


2015. López-Espejel, Jessica N. “Control de movimiento de
objetos a través del uso de electro-encefalogramas y redes
neuronales artificiales con equipo de bajo costo. “ Tesis para
obtener el título de Licenciada en Ingeniería en Ciencias de la
Computación. Benemérita Universidad Autónoma de PueblaInstituto Nacional de Astrofísica, Óptica y Electrónica, Puebla.
México.
2013. Morales-Flores E Ramírez-Cortés JM, Gómez-Gil P,
Alarcón-Aquino V. "Brain Computer Interface Development
Based on Recurrent Neural Networks and ANFIS Systems". Soft
Computing Applications in Optimization, Control, and
Recognition, Vol. 294, pp. 215-236, Edited by Melin, P and
Castillo, O, doi=10.1007/978-3-642-35323-9_9. Springer
Berlin Heidelberg.
27





BASHIVAN, Pouya, et al. “Learning Representations from EEG with Deep RecurrentConvolutional Neural Networks.” International Conference on Learning
Representation, ICLR 2016 arXiv preprint arXiv:1511.06448, 2015.
Cook, M. J., O'Brien, T. J., Berkovic, S. F., Murphy, M., Morokoff, A., Fabinyi, G., ...
& Hosking, S. (2013). Prediction of seizure likelihood with a long-term, implanted
seizure advisory system in patients with drug-resistant epilepsy: a first-in-man
study. The Lancet Neurology, 12(6), 563-571.
Crone S.F.: NN5 forecasting competition for artificial neural networks &
computational Intelligence.” Available at http://www.neural-forecastingcompetition.com/NN5/datasets.htm Last consulted at May 27, 2015 (2008)
Glass, Leon. “Complex Cardiac Rhythms,” Nature, Vol. 330, No. 24/31, pp. 695696, December 1987.
Gómez-Gil P, Ramírez-Cortés JM, Pomares Hernández SE, Alarcón-Aquino V. “A
Neural Network Scheme for Long-term Forecasting of Chaotic Time Series” Neural
Proceesing Letters. Vol.33, No. 3, June 2011. pp 215-233. Published online:
March 8, 2011.
28




LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature,
521(7553), 436-444.
Jiménez-Guarneros M. “Representation Learning from EEG using
Deep Learning Methods and Latent Variables” Research Advances
Poster-PhD program on computer science. Advisor: Gómez-Gil,
P. Computer Science Department, INAOE
Gómez-Gil, P. “Aprendizaje profundo-El poder del aprendizaje
automático unido al poder de cálculo de las computadoras
actuales.” (2016). Disponible en:
http://ccc.inaoep.mx/~pgomez/conferences/PggTSys16.pdf
Tao J.T. and Gonzalez R.C. Pattern Recognition Principles.
Addison Wedsley 1974
29
Muchas gracias por su
atención!
[email protected]
ccc.inaoep.mx/~pgomez
30

COORDINACIÓN DE CIENCIAS DE LA COMPUTACIÓN - LTL

Transcripción

Documentos relacionados

(1999) “La entrevista”

RECURSOS PROPIOS ASIGNADOS AL PROYECTO GTM