c komputer sapiens, an˜o x volumen ii, mayo-agosto 2018...

c©Komputer Sapiens, Año X volumen II, mayo-agosto 2018, es una publicación cuatrimestral dela Sociedad Mexicana de Inteligencia Artificial, A.C., con domicilio en Ezequiel Montes 56 s/n,Fracc. los Pilares, Metepec, Edo. de México, C.P. 52159, México, http://www.komputersapiens.org,correo electrónico: [email protected], tel. +52 (833)357.48.20 ext. 3024, fax +52 (833)215.85.44. Impresa por Sistemas y Diseños de México S.A.

de C.V., calle Aragón No. 190, colonia Álamos, delegación Benito Juárez, México D.F., C.P. 03400, México, se ter-minó de imprimir el 31 de agosto de 2018, este número consta de 1000 ejemplares.Reserva de derechos al uso exclusivo número 04-2009-111110040200-102 otorgado por el Instituto Nacional deDerechos de Autor. ISSN 2007-0691.Los art́ıculos y columnas firmados son responsabilidad exclusiva de los autores y no reflejan necesariamente lospuntos de vista de la Sociedad Mexicana de Inteligencia Artificial. La mención de empresas o productos espećıficosen las páginas de Komputer Sapiens no implica su respaldo por la Sociedad Mexicana de Inteligencia Artificial.Queda estrictamente prohibida la reproducción total o parcial por cualquier medio, de la información aqúı contenidasin autorización por escrito de los editores.Komputer Sapiens es una revista de divulgación en idioma español de temas relacionados con la inteligencia artificial.Creada en LATEX, con la clase papertex disponible en el repositorio CTAN : Comprehensive TeX Archive Network,http://www.ctan.org/Indizada en el IRMDCT de CONACYT y en Latindex.

Directorio SMIA Directores Fundadores Mario Graff GuerreroPresidente Grigori Sidorov Carlos Alberto Reyes Garćıa Claudia Guadalupe Gómez Santillán

Vicepresidente Miguel González Mendoza Ángel Kuri Morales Adrián Pastor López MonroySecretario Félix Castro Espinoza Humberto SossaTesorero Ildar Batyrshin Comité Editorial Manuel Mej́ıa LavalleVocales: Rafael Murrieta Cid Félix A. Castro Espinoza Juana Canul Reich

Maya Carillo Ruiz Jesús Favela Vara Pilar Gómez GilSof́ıa Natalia Galicia Haro Sof́ıa Natalia Galicia Haro Alicia Mart́ınezLuis Villaseñor Pineda Miguel González Mendoza Laura Sanely Gaytán LugoGustavo Arroyo Figueroa Oscar Herrera Alcántara Giner Alor HernándezHugo Terashima Maŕın Raúl Monroy Borja Raquel Vásquez Ramı́rezOscar Herrera Alcántara Eduardo F. Morales Manzanares Fernando Mart́ınezObdulia Pichardo Lagunas Leonardo Garrido Luna Lourdes Mart́ınezSabino Miranda Jiménez Carlos Alberto Reyes Garćıa Félix CalderónEnrique Muñoz de Cote Angélica Muñoz Meléndez Luis Valero ElizondoAntonio Maŕın Hernández Antonio Sánchez Aguilar Leonel Vinicio Morales Dı́azNoé Alejandro Castro Sánchez Luis Enrique Sucar Succar Rafael Morales Gamboa

Ma. de Lourdes Mart́ınez Villaseñor Ángel Kuri Morales Maŕıa Blanca IbáñezOmar Montaño Rivas José A. Mart́ınez Flores J. Alfredo SánchezFrancisco Viveros Jiménez Juan Manuel Ahuactzin Larios Guillermo Santamaŕıa Bonfil

Manuel Montes y Gómez Ángel Kuri MoralesKomputer Sapiens Ofelia Cervantes Villagómez Juan José Flores

Director general Grigori Sidorov Alexander Gelbukh Jaime CerdaEditora en jefe Laura Cruz Reyes Grigori Sidorov Ramón ZatarainEditoras invitadas Maŕıa Lućıa Barrón Estrada Laura Cruz Reyes José Antonio González Cervera

Maŕıa Yasmı́n Hernández Pérez Elisa Schaeffer Carlos Alberto Reyes GarćıaJ. Julieta Noguez Monroy Ramon Brena Pinero J. Julieta Noguez Monroy

Editores asociados Karina Mariela Figueroa Mora Juan Humberto Sossa Azuela Enedina OrtegaClaudia Gómez Santillán

Marco A. Aguirre Lam ÁrbitrosCoordinadora de producción Viridiana Mena Gómez Héctor Rodŕıguez Rangele-Tlakuilo Jorge A. Ruiz-Vanoye César Cárdenas

Ocotlán Dı́az-Parra Alicia Morales ReyesAlejandro Fuentes-Penna Marcela D. Rodŕıguez

Estado del IArte Ma del Pilar Gómez Gil Pedro SantanaJorge Rafael Gutiérrez Pulido Luis Castro

Sakbe Héctor Gabriel Acosta Mesa Daniela MoctezumaClaudia G. Gómez Santillán Gilberto Ochoa Ruiz

IA & Educación Maŕıa Yasmı́n Hernández Pérez Héctor TejedaMaŕıa Lućıa Barrón Estrada Karina FigueroaJ. Julieta Noguez Monroy Antonio Camarena Ibarrola

Deskubriendo Konocimiento Alejandro Guerra Hernández Eduardo MoralesLeonardo Garrido Luna Raymundo Cornejo

Asistencia técnica Irvin Hussein López Nava Juan Manuel González CallerosAlan G. Aguirre Lam Maŕıa Yasmı́n Hernández Pérez

Corrección de estilo Gilberto Rivera Zárate Leonardo RomeroMiguel Antonio Lupián Soto José Mart́ınez Carranza

Ruth Esmeralda Barreda Guajardo Carlos Lara ÁlvarezMarcela Quiroz Roćıo Aldeco Pérez

Edición de imagen Laura Gómez Cruz Arturo López PinedaPortada Irene Morales Pagaza, Mopi Diseño Eric S. Téllez

Contenido

ARTÍCULO ACEPTADO

Clasi�aión de eventos del síndrome de

apnea hipopnea del sueño

por María L. Argáez-Salido, Graiela Ramírez-Alonso, y

Jessia López-Rentería

pág. 7 ⇒ Algoritmos de proesamiento de señales y modelos basados

en aprendizaje máquina para eventos de apnea e hipopnea.

ARTÍCULO ACEPTADO

Las señales eletroenefalográ�as en las interfaes erebro-

omputadora

por Laura Ivoone Garay Jiménez y Blana Tovar-Corona

pág. 12 ⇒ Reole

ión no invasiva de señales eletroenefalográ�as (EEG)

para identi�ar omandos que se quieren ejeutar.

ARTÍCULO ACEPTADO

Análisis de videos para detetar piratería

por Zobeida Jezabel Guzman Zavaleta

pág. 17 ⇒ El problema de dete

ión de opias de videos en esenarios no simu-

lados se sigue ataando, al igual que muhos otros onernientes a la seguridad

y prote

ión de ontenidos digitales.

ARTÍCULO ACEPTADO

Sistemas de videovigilania Inteligentes

por Andrea Magadán-Salazar

pág. 22 ⇒ Capaidades de las ténias atuales, utilizadas en las distintas

etapas de los sistemas de videovigilania visual.

ARTÍCULO ACEPTADO

Dete

ión de formas y análisis de partíulas para onteo

elular

por Yolanda Pérez-Pimentel y Ismael Osuna-Galán

pág. 27 ⇒ Proesamiento de imágenes para eliminar errores humanos en la

observaión de parámetros que pueden afetar el resultado de un análisis.

ARTÍCULO ACEPTADO

Haia una óptima on�guraión de reursos en plataformas

reon�gurables utilizando la inteligenia arti�ial

por Yazmín Maldonado

pág. 32 ⇒ Propuesta de una on�guraión óptima de reursos en plataformas

reon�gurables FPGAs, utilizando algoritmos meta-heurístios del estado del

arte.

ARTÍCULO ACEPTADO

Prototipos semi-automatizados para la evaluaión y ense-

ñanza del álgebra

por Blana-Estela Pedroza-Mendez y Alma-Delia Ambrosio-Vázquez

pág. 37 ⇒ Propuesta de un diseño instru

ional mediante una herramienta

semi-automatizada.

Columnas

Sapiens Piensa.

Editorial pág. 2

e-Tlakuilo pág. 4

Estado del IArte pág. 5

Sakbe pág. 6

IA & Eduaión pág. 42

Deskubriendo

Konoimiento pág. 44

Komputer Sapiens

Mayo - Agosto 2018 ‖ Año X, Vol.II

Año X, Vol. II. Mayo - Agosto 2018 Editorial Komputer Sapiens 2 / 46

Sapiens Piensa

Luía Barrón, Yasmín Hernández, Julieta Noguez, Laura Cruz y Miguel González

Mujeres en la omputaión en Méxio

Al día de hoy, la poblaión mundial es de 7,680 millones

de personas aproximadamente; de las uales, asi el 50%

son mujeres. A pesar de este equilibrio en antidad de

mujeres y hombres, las primeras no tienen, en muhos

aspetos, el mismo trato ni las mismas oportunidades de

desarrollo. La historia ha doumentado diversos hehos,

donde las mujeres han luhado para alanzar la igualdad

de derehos y oportunidades. El dereho a votar y ser

votada, la igualdad de salarios y el dereho a onduir

un vehíulo son sólo algunos ejemplos de los logros en

los movimientos soiales, que tienen omo �n favoreer

la igualdad de oportunidades entre hombres y mujeres.

En el ámbito aadémio y ientí�o, las mujeres han

reorrido un largo amino en la luha por lograr la igual-

dad y obtener el reonoimiento de su trabajo. Sin em-

bargo, queda muho por haer.

En este número espeial, �Mujeres en la ompu-

taión� , busamos atraer a otras mujeres a este apasio-

nante ampo y visibilizar su trabajo en el desarrollo de la

omputaión. La diversidad de los temas que se presen-

tan es una muestra de la importania de sus investigaio-

nes y de los muhos temas en los que han inursionado.

También, busamos haer evidentes los retos atuales pa-

ra la inlusión de las mujeres en la omputaión.

Queremos reonoer a las mujeres investigadoras que

ontribuyen al desarrollo de la investigaión en ompu-

taión. Espeí�amente, busamos divulgar trabajos re-

laionados on la inteligenia arti�ial, desarrollados por

mujeres que laboran en instituiones naionales.

En este número nuestros letores podrán onoer y

apreiar siete trabajos desarrollados por mujeres de di-

versas instituiones a lo largo del país, que presentan

avanes en el desarrollo de herramientas, teorías y méto-

dos en áreas diversas de la omputaión. Adiionalmen-

te, en la olumna �IA & Eduaión�, se desriben algunas

de las aportaiones más importantes de las mujeres en el

ámbito de la omputaión a nivel mundial.

En el artíulo �Sistemas de videovigilania inteli-

gentes� se presenta un estudio de las apaidades de las

ténias atuales utilizadas en las distintas etapas de los

sistemas de videovigilania. Estos sistemas tienen omo

objetivo prinipal la dete

ión de personas para tratar

de entender, aprender y reonoer sus omportamientos

normales y diferentes.

Las autoras del artíulo �Clasi�aión de eventos

del Síndrome de apnea hipopnea del sueño me-

diante señales eletroenefalográ�as� proponen un

modelo de tres lasi�adores onetados en asada para

identi�ar, a través de algoritmos de aprendizaje máqui-

na, señales que presentan tanto apnea e hipopnea deta-

llando su lasi�aión. Este proeso de lasi�aión de

señales utiliza para el entrenamiento señales eletroen-

efalográ�as aptadas de personas sanas y también de

aquellas que fueron previamente diagnostiadas on el

Síndrome de apnea hipopnea del sueño y lasi�adas o-

mo Central, Obstrutiva y Mixta.

El artíulo �Análisis de videos para detetar pi-

ratería� desribe los efetos negativos de distribuir vi-

deos piratas, presenta diversos meanismos para detetar

opias pariales de videos y asegura que es posible me-

jorar la dete

ión de videos piratas utilizando el método

de Aprendizaje por refuerzo on una ombinaión de des-

riptores de bajo osto omputaional, logrando reduir

a oho segundos el tiempo requerido para analizar un

minuto de video y alanzando una preisión de 80%.

Las autoras de �Las señales eletroenefalográ�-

as en las interfaes erebro-omputadora� propo-

nen un método para detetar movimientos imaginarios.

El método se basa en patrones de señales eletroene-

falográ�as que se reoletan a través de una interfaz

erebro-omputadora no invasiva.

En �Dete

ión de formas y análisis de partí-

ulas para onteo elular� , las autoras exponen la

apliaión del proesamiento de imágenes en el área de

biología elular, abordando el problema de ontabilizar

el reimiento elular en un ambiente de miro-gravedad.

Debido a que el anal de omuniaión tiene una limi-

tada apaidad, en lugar de transmitir las imágenes se

desarrolló un algoritmo rápido y preiso para obtener la

informaión que será enviada.

En el artíulo �Prototipos semi-automatizados

para la evaluaión y enseñanza del álgebra� se pro-

pone una herramienta para desarrollar el diseño instru-

ional, el ual se utiliza omo base para determinar los

proesos y modelos requeridos para automatizar el mó-

dulo inteligente de un tutor ognitivo para la enseñanza

del álgebra. La propuesta integra interfaes tangibles y

juegos que induen al estudiante al manejo de oneptos

laves del álgebra y la evaluaión del dominio del tema.

Finalmente, en el artíulo �Haía una óptima on-

�guraión de reursos en plataformas reon�gu-

rables utilizando la inteligenia arti�ial� se pre-

© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691

Año X, Vol. II. Mayo - Agosto 2018 Editorial Komputer Sapiens 3 / 46

senta una propuesta en desarrollo para rear un sistema

web que permita al usuario realizar el proeso de opti-

mizaión de ódigos VHDL, on el �n de maximizar el

aprovehamiento de los reursos limitados on los que

uentan los FPGA. La herramienta obtendrá una diver-

sidad de soluiones y alternativas de implementaión en

diferentes plataformas FPGA, disponibles on la anti-

dad de reursos neesarios para el ódigo VHDL optimi-

zado para que el usuario elija la on�guraión de auerdo

a sus neesidades.

Como siempre, deseamos que el material de este nú-

mero sea de interés para todos los letores de Komputer

Sapiens y, sobre todo, deseamos que inspire a muhas

niñas y jóvenes a inursionar en la omputaión para

proponer soluiones a problemas de su entorno y que

se sientan atraídas a emprender una arrera en ompu-

taión.✵

Luía Barrón es profesora-investigadora en el Tenológio Naional de Méxio, ampus Culiaán. Su línea de

investigaión es el desarrollo de sistemas inteligentes apliados a la eduaión. Es miembro nivel II del Sistema

Naional de Investigadores. Es editora invitada de este número espeial de Komputer Sapiens y olumnista de la

misma desde 2013.

Yasmín Hernández es investigadora en el Instituto Naional de Eletriidad y Energías Limpias. Su línea de

investigaión es inteligenia arti�ial apliada a la eduaión y al setor elétrio. Es miembro del Sistema Naional

de Investigadores. Es editora invitada de este número espeial de Komputer Sapiens y olumnista de la misma desde

2012.

Julieta Noguez es profesora-investigadora en el Tenológio de Monterrey, Campus Ciudad de Méxio. Sus líneas de

investigaión son sistemas inteligentes y tenologías omputaionales en eduaión y ienia de datos y sistemas

inteligentes para la salud. Es miembro nivel I del Sistema Naional de Investigadores. Es editora invitada de este

número espeial de Komputer Sapiens y olumnista desde la fundaión de la revista.

Laura Cruz es profesora-Investigadora en el Tenológio Naional de Méxio, ampus Cd. Madero. Su línea de

investigaión es la optimizaión inteligente. Es miembro nivel II del Sistema Naional de Investigadores. Es editora en

jefe de Komputer Sapiens desde marzo de 2012 y olumnista desde la fundaión de la revista.

Miguel González es profesor-investigador en el Tenológio de Monterrey, Campus Edo. de Méxio. Su línea de

investigaión es el aprendizaje automátio y las apliaiones de Big Data. Es miembro nivel II del Sistema Naional

de Investigadores. Es diretor de Komputer Sapiens y presidente de la Soiedad Mexiana de Inteligenia Arti�ial

para el período 2016-2018.


Año X, Vol. II. Mayo - Agosto 2018 Columna Komputer Sapiens 4 / 46

e-Tlakuilo: Cartas de nuestros letores

Jorge A. Ruiz-Vanoye y Ootlán Díaz-Parra

etlakuilo�komputersapiens.org

En Komputer Sapiens nos hemos esforzado por estar �a

sólo un lik de distania� a través de diferentes medios

omo Faebook, Twitter y orreo eletrónio. Les pre-

sentamos algunas de las preguntas que hemos reibido a

través de estos medios.

Anónimo - Alumno de Mediina nivel Universi-

dad. (vía orreo eletrónio)

Atualmente soy estudiante de la arrera de mediina

y me interesan las apliaiones de los robots médios.

Tengo una pregunta: ¾Qué impliaiones étias y legales

tiene el operador, programador o médio responsable de

las atividades del robot médio?

Hola, graias por esribir, a ontinuaión responde-

mos a tu pregunta.

Para los robots médios (en inglés Healthare Ro-

botis) existen diversas ideas e iniiativas de ley sobre

aspetos étios, legales, soiales y �losó�os. La Comi-

sión Europea, expertos en robótia, líderes industriales,

abogados, expertos médios y étios proponen estableer

reglas para los robots y la Inteligenia Arti�ial on la �-

nalidad de garantizar un alto nivel de seguridad para los

iudadanos de la Unión Europea, mediante un onjunto

de Normas de Dereho Civil en Robótia (en inglés, Civil

Law Rules in Robotis). En ese doumento se propone

(pero no legisla) que los robots autónomos so�stiados

puedan estableerse omo personas eletrónias respon-

sables de reparar ualquier daño que puedan ausar.

Sin embargo, en uestiones médias existen meanis-

mos para protegerse, en lo que se realiza la determinaión

de la responsabilidad, en aso de que ourriese un a

i-

dente durante algún proedimiento quirúrgio (una po-

sible arta de liberaión de responsabilidades de robots

médios). En esta arta se puede exonerar al médio,

operador, programador o en este aso al robot de ual-

quier a

idente que pudiera ourrir durante la operaión

del robot.

Finalmente, es importante destaar que una limita-

ión para determinar imputaiones legales a los robots

médios es que los robots no tienen derehos omo los

humanos, motivo por el ual deberían de atribuírsele de-

rehos al robot para poder exigirle responsabilidades (de-

rehos omo por ejemplo la iudadanía legal en un país).



Estado del IArte

María del Pilar Gómez Gil (�pgomezgil) y Jorge Rafael Gutiérrez Pulido (�jrgpulido)

estadoiarte�komputersapiens.org

Como menionamos anteriormente, nuestra revista

Komputer Sapiens y la olumna Estado del IArte es-

tán umpliendo 10 años.

Esta es la segunda parte del tema Apliaiones de la

inteligenia arti�ial. En la primera hiimos un reuento

de los ino aspetos más sobresalientes de la última dé-

ada: el poder de ómputo, big data, nuevos algoritmos

de inteligenia omputaional, robótia y nuevas interfa-

es de omuniaión entre seres humanos y omputado-

ras. Sin duda, seguiremos viendo avanes importantes

en estos aspetos en periodos ada vez más ortos. Para

muestra, un par de botones:

Hae unos días, IBM, NVIDIA y el Departamento

de Energía de los Estados Unidos de Améria devela-

ron a Summit, la omputadora más rápida del planeta

hasta hoy. Luego de un periodo de prueba en el labora-

torio Naional Oak Ridge en Tennessee, se dio a ono-

er que es apaz de ejeutar 200 peta�ops, 200 × 1015

operaiones por segundo; esto es 8 vees más rápi-do que su predeesora. Summit onsta de 4, 600 siste-mas IBM de 9 nodos. Cada nodo está equipado on6 �Volta TensorCore GPUs� de NVIDIA, proesadoresque resultan exelentes para realizar tareas y opera-

iones de inteligenia y aprendizaje arti�ial. Para sa-

ber más (en inglés): https://www.ibm.om/thought-

leadership/summit-superomputer.

Por otro lado, hae unos meses Google presentó o-

mo software libre sus biblioteas de aprendizaje arti�-

ial. Tradiionalmente, los desarrollos de aprendizaje ar-

ti�ial, onoidos en inglés omo mahine learning, eran

propietarios y se realizaban en iertos lenguajes de pro-

gramaión; Python, por ejemplo. Ahora, Google dio a

onoer que todo su músulo ha sido liberado, inluyen-

do nuevos lenguajes al repertorio: go, R, haskell, java,

++, julia, swift y javasript, entre otros. Las implia-

iones de esto son obvias, una explosión en el número

de apliaiones para todo dispositivo: sensores, teléfonos,

tablets, omputadoras de esritorio y, por supuesto, en

los navegadores Firefox, Chrome, Opera y Safari, prin-

ipalmente. Para saber más (en inglés): http://blog.

tensorflow.org.

Como podemos ver, la Inteligenia Arti�ial ha teni-

do un desarrollo impresionante, y on éste han apareido

también nuevos retos. Uno de los más importantes a-

tualmente es el diseño de sistemas inteligentes que um-

plan on las reglas étias esperadas en los produtos in-

genieriles utilizados para atividades humanas. Para ase-

gurar el umplimiento de reglas aordes on el bienestar

humano, el pasado noviembre la Asoiaión de Estánda-

res del Instituto de Ingenieros Elétrios y Eletrónios

(IEEE-SA) anunió la aprobaión de 3 estándares, rela-

ionados al aseguramiento de étia en el diseño de sis-

temas basados en inteligenia arti�ial. Estos estándares

busan dar prioridad al uso de étia y bienestar de las

personas en todos los aspetos asoiados al desarrollo de

tenologías autónomas e inteligentes.

Los estándares que se anuniaron son:

IEEE P7008 � �Estándar para las persuasiones

onduidas étiamente en los sistemas robótios,

inteligentes y autónomos� (Standard for Ethially

Driven Nudging for Roboti, Intelligent and Au-

tonomous Systems). Algunos sistemas inteligentes

tienen la apaidad de haer sugerenias a las per-

sonas, de manera direta o indireta, sobre qué a-

iones llevar a abo sobre una determinada tarea.

Por otro lado, la informaión que presentan pue-

de manipular las emoiones. Esto implia una gran

responsabilidad en el diseño, a �n de asegurar que

no se llegue a una manipulaión no deseada por los

usuarios.

IEEE P7009 � �Estándar para el diseñoo libre

de fallas de sistemas autónomos y semi-autónomos

(Standard for Fail-Safe Design of Autonomous and

Semi- Autonomous Systems). Los sistemas inte-

ligentes y autónomos realizan atividades donde

pueden estar involuradas deisiones importantes

asoiadas a la salud o al bienestar de las perso-

nas. Por esto, es fundamental asegurar lo mejor

posible que estos sistemas no ontengan errores en

sus diseños. Reordemos que no existen sistemas

100% libres de fallas, pero siempre pueden dise-

ñarse de forma que se minimie la probabilidad de

tener errores.

IEEE P7010 � �Estándar sobre Métrias de bien-

estar para una Inteligenia Arti�ial étia y sis-

temas autónomos (Wellbeing Metris Standard for

Ethial Arti�ial Intelligene and Autonomous Sys-

tems). Este estándar está relaionado on el diseño

de medidas que permitan uanti�ar aspetos aso-

iados a étia en el diseño de sistemas inteligentes.

Para saber más (en inglés): http://standards.

ieee.org/news/2017/ieeeglobalinitiative.html.✵


@pgomezgil@jrgpulidohttps://www.ibm.com/thought-leadership/summit-supercomputerhttps://www.ibm.com/thought-leadership/summit-supercomputerhttp://blog.tensorflow.orghttp://blog.tensorflow.orghttp://standards.ieee.org/news/2017/ieee global initiative.htmlhttp://standards.ieee.org/news/2017/ieee global initiative.html


Sakbe

Claudia Guadalupe Gómez Santillán y Hétor Gabriel Aosta Mesa

sakbe�komputersapiens.org

La organizaión sin �nes de luro onoida omo Khan

Aademi tiene omo misión proporionar eduaión gra-

tuita de lase mundial para ualquier persona en ual-

quier lugar del mundo. Inluye una se

ión espeial para

las MUJERES, on el objetivo de inspirar a las hias pa-

ra llegar a ser las programadoras del futuro: #FutureCo-

ders. Reomendamos esta página para apoyar la difusión

de esta iniiativa de Khan Aademy.

Su propuesta es resumida en su página (https://es.

khanaademy.org/women-omputing) omo: �En los Es-

tados Unidos, marzo es el mes para la elebraión anual

de las mujeres en la historia, por sus logros del pasado,

sueños de inspiraión e impato en la soiedad. Ahora,

queremos enfoarnos en la siguiente generaión y pensar

en las hias que serán un día las mujeres que rearán

historia. Esperemos que te unas a nosotros en Khan Aa-

demy para aprender aera de la historia de las mujeres

en la omputaión y para inspirar a la siguiente genera-

ión de niñas a onvertirse en mujeres de omputaión�.

https://es.khanaademy.org/women-omputing

La ACM (Assoiation for Computing Mahinery), a tra-

vés de la ACM-W, ha formado un omité internaional

uya misión es fomentar la plena partiipaión de las mu-

jeres en todos los aspetos del ampo de la informátia.

Para ello, alrededor del mundo se realizan elebraiones

en las que se busa la partiipaión tanto de hombres

omo de mujeres interesadas en la tenología. Cuenta

on tres se

iones en Améria, Europa e India (https://

women.am.org/). Para el 2019 se tiene eventos reserva-

dos en Irlanda (febrero 2019) y Estados Unidos (abril

2019). La asoiaión ofree algunas beas para los estu-

diantes que deseen asistir.

En Améria, uno de los eventos que está tomando

gran relevania es el CHILE WIC, el ual se organi-

za desde el 2016 hasta la feha en Santiago, Valparaiso

(http://hilewi.l/). Diho evento inluye plenarias

on reonoidas investigadoras, talleres y exposiión de

trabajos por parte de investigadoras de diversos entros

de investigaión.

https://women.am.org/

En Méxio, la Soiedad Mexiana de Computaión in-

tegra a los profesionales en las áreas relaionadas on

las ienias omputaionales para difundir e in�uir en la

eduaión en Méxio relaionada on las ienias ompu-

taionales. Dentro de la AMEXCOMP se reó el grupo:

Mujeres en la Computaión, on el objetivo de ompar-

tir experienias e informaión entre las mujeres que son

miembros de la AMEXCOMP (http://amexomp.mx/

index.php?r=site/index).

http://amexomp.mx/index.php?r=site/index


https://es.khanacademy.org/women-computinghttps://es.khanacademy.org/women-computinghttps://women.acm.org/https://women.acm.org/http://chilewic.cl/http://amexcomp.mx/index.php?r=site/indexhttp://amexcomp.mx/index.php?r=site/index

Año X, Vol. II. Mayo - Agosto 2018 Artíulo Komputer Sapiens 7 / 46

ARTÍCULO ACEPTADO

Clasi�aión de eventos del síndrome de apnea

hipopnea del sueño mediante señales

eletroenefalográ�as

María L. Argáez-Salido, Graiela Ramírez-Alonso y Jessia López-Rentería

Síndrome de Apnea Hipopnea del Sueño

Dormir es el primer paso para alanzar un buen sueño, y

esta tarea oupa alrededor de un terio de la vida de los

seres humanos [1℄. Diha atividad es ruial para la bue-

na salud de las personas ya que pernotar es la ondiión

de la mente y del uerpo a la ual los humanos reurren

ada nohe. En diha ondiión, el sistema nervioso se

enuentra inativo, los ojos errados y los músulos rela-

jados [2℄.

La importania de lograr un sueño reparador impata

en funiones de la memoria, mejora la plastiidad sináp-

tia y se onsidera omo parte fundamental en las regula-

iones emoionales [3℄. Además, el dormir bien juega un

papel signi�ativo en la vida de las personas tanto en su

alidad de vida omo en el bienestar soial. No obstante,

existen enfermedades que afetan esta importante nee-

sidad básia y perjudian el desarrollo del ser humano.

Entre estas enfermedades se enuentra el Síndrome de

Apnea Hipopnea del Sueño (SAHS), el ual es arateri-

zado por ser uno de los trastornos del sueño más severo

[1℄.

El Síndrome de Apnea Hipopnea del Sueño tiene la

partiularidad de presentar el ierre total o parial de

las vías respiratorias mientras una persona se enuentra

dormida [2℄ [3℄. Diho síndrome se divide en Apnea e Hi-

popnea. La Apnea se de�ne omo la ausenia del �ujo

respiratorio por más de diez segundos, por otro lado en

un evento de Hipopnea el �ujo respiratorio se disminuye

hasta un 50% y la saturaión del oxígeno en la sangre

se disminuye hasta un 4% [4℄. Los eventos de Apnea e

Hipopnea se dividen en Central, Obstrutivo y Mixto.

Aquellos que son Centrales se distinguen por no presen-

tar, o presentar una disminuión del �ujo respiratorio

y movimientos respiratorios (el erebro no ativa estos

músulos). Por otro lado, los Obstrutivos se arateri-

zan por ser los más omunes además de presentar mo-

vimientos toráios y respiraiones ontinuas mientras el

�ujo respiratorio se redue. Una ombinaión de los dos

asos anteriores se presenta en la lase Mixta, donde se

omienza on un evento Central y se termina on un

Obstrutivo [1℄[5℄.

De auerdo a investigaiones relaionadas sobre la

problemátia del Síndrome de Apnea Hipopnea del Sue-

ño, en el año de 1993 se estimaba que era del 2 al 4%

de la poblaión en general padeía de este tipo de tras-

torno del sueño. En las últimas dos déadas, esta ifra

ha aumentado a porentajes entre el 14 y 55% depen-

diendo de la poblaión que se evalúe [6℄ [7℄ [8℄. De igual

manera, se sabe que el sufrir de alteraiones del sueño es

un preursor para desarrollar otras enfermedades, tales

omo fatiga rónia, dolores de abeza, aumento de peso,

irritabilidad, hipertensión, entre otras [4℄.

La manera de realizar el diagnóstio médio de esta

enfermedad es mediante el análisis del registro de la a-

tividad erebral, respiraión, ritmo ardíao, atividad

musular y niveles de oxígeno en la sangre mientras el

paiente duerme. Este análisis suele realizarlo un exper-

to en el área média de manera visual. Con el avane en

las ténias de modelos omputaionales de aprendizaje

máquina se han favoreido diferentes áreas, una de ellas

está relaionada on el diagnóstio omputarizado. Con

este tipo de herramientas se ha logrado disminuir en gran

medida la arga de trabajo a los expertos del área médi-

a permitiendo que se enfoquen solamente en el análisis

de iertas señales.

En este artíulo se analizan señales eletroenefalo-

grá�as que fueron previamente diagnostiadas on el

Síndrome de Apnea Hipopnea del Sueño (SAHS) y la-

si�adas omo Central, Obstrutiva y Mixta. En este

trabajo se implementaron diferentes algoritmos de pro-

esamiento de señales y modelos basados en aprendizaje

máquina para lasi�ar de manera automátia los dife-

rentes eventos. El modelo que se propone onsta de tres

lasi�adores en asada. El primer lasi�ador separa

las señales que presentan eventos SAHS ontra las se-

ñales donde no ourre diho evento onsideradas omo

señales sanas. En el segundo lasi�ador se identi�an

las señales que presentan Apnea e Hipopnea. El terer

lasi�ador separa los eventos en Central, Obstrutivo

y Mixto tanto de señales on Apnea e Hipopnea. Diho

modelo se presenta en la Figura 1. Cabe destaar que la

prinipal aportaión de este trabajo es que se identi�an

señales que presentan tanto Apnea e Hipopnea a nivel

de detalle en la lasi�aión de Central, Obstrutiva y

Mixta. A la feha, no se ha enontrado en la literatura

este tipo de detalle en la lasi�aión.

Anteedentes

En la atualidad, numerosas investigaiones se han enfo-

ado a la dete

ión y lasi�aión de los diferentes even-



tos del Síndrome de Apnea Hipopnea del sueño por me-

dio del análisis y proesamiento de señales. Tal es el aso

de Fontenla-Romero et. al [5℄, que implementaron �ltros

wavelet y una Red Neuronal Arti�ial (RNA) Bayesiana

para identi�ar tres tipos de eventos, Apnea Obstruti-

va, Central y Mixta utilizando señales de �ujo de aire.

Los autores reportan resultados de exatitud del 83.78%

on una base de datos de 6 paientes utilizando 40 gra-

baiones para ada uno de los eventos a identi�ar y la

estrategia de 10-fold-ross validation.

Figura 1. Diagrama a bloques del esquema de lasi�aión

en asada que se utiliza en este trabajo.

Álvarez et. al analizan en [9℄ señales de 148 paien-

tes donde 100 de ellos sufren de Apnea Obstrutiva del

Sueño mientras que 48 son sanos. Los resultados que re-

portan son del 88.5% en exatitud para la dete

ión de

eventos relaionados on Apnea Obstrutiva del Sueño

utilizando modelos de Regresión Logístia. El tipo de se-

ñal que utilizan es la saturaión de oxígeno en la sangre

y señales de eletroenefalogramas (EEG).

Almuhammadi, Aboalayon y Faezipour [1℄ implemen-

taron 5 lasi�adores para la dete

ión de Apnea Obs-

trutiva del Sueño. Los lasi�adores que implementa-

ron fueron Redes Neuronales Arti�iales (RNA), Cla-

si�adores Bayesianos, Análisis Disriminante Lineal y

Máquinas de Soporte Vetorial (SVM por sus siglas en

inglés). Los autores desompusieron las señales EEG en

sub-bandas delta, theta, alfa, beta y gamma utilizando

�ltros Butterworth. La base de datos que utilizaron es la

MIT-BIH Polysomnographi database de Physionet on

la informaión de 16 sujetos; 6 paientes sanos y 5 on

Apnea Obstrutiva. Los mejores resultados que reportan

fueron del 97.14% en exatitud utilizando una Máquina

de Soporte Vetorial onsiderando a 10% de la poblaión

para probar el modelo omputaional.

Shahnaz, Minhaz y Ahamed [10℄ analizan señales

EEG de 14 paientes de la base de datos MIT-BIH para

detetar eventos de Apnea y No Apnea. Los autores apli-

an �ltros wavelet y alulan la potenia de ada una de

las 5 bandas de freuenia, delta, theta, alfa, sigma y be-

ta. Los mejores resultados que reportan son del 84.83%

utilizando Máquinas de Soporte Vetorial omo lasi�a-

dor.

Saha et. al [8℄ analizan las señales EEG de solamente

5 paientes de la base de datos de Physionet. La señal

EEG es dividida en 5 bandas y se alula la Entropía

de ada una. El objetivo es lasi�ar la señal omo un

evento de Apnea y No Apnea utilizando el algoritmo de

K-Veinos más Ceranos (KNN por sus siglas en inglés).

Los autores reportan una exatitud promedio de 87.64%.

En la Tabla 1 se muestra, a manera de resumen, la

literatura analizada para esta investigaión.

Tabla 1. Trabajos que se han realizado para ayudar

en la dete

ión de eventos relaionados on el

síndrome de Apnea del sueño.

Autores Diagnóstio Clasi�ador % Exatitud Señal

Fontela- Apnea , RNA 83.78% Flujo de

Romero Obstrutiva, Bayesiana aire.

et.al [5℄ Central y 6 paientes

Mixta.

Álvarez [9℄ AOS y Regresión 88.5% SaO2 y

et.al [9℄ No AOS Logístia EEG.

148 paientes

Almuhammadi AOS y SVM 97.14% EEG.

et.al [1℄ No AOS 16 paientes

Shahnaz Apnea y SVM 84.83% EEG.

et.al [10℄ No Apnea 14 paientes

Saha Apnea KNN 87.64% EEG.

et.al [8℄ No Apnea 5 paientes

AOS = Apnea Obstrutiva del Sueño

SaO2 = Saturaión de Oxígeno en la sangre

Como se puede observar en la Tabla 1, la señal EEG

es la que más se utiliza para el diagnóstio del síndrome

de Apnea. La mayoría de los trabajos solamente identi�-

a eventos de Apnea (o AOS) y No Apnea. En el aso de

identi�ar Apnea, lo que suele sueder es que tanto los

eventos de Apnea-Hipopnea Central, Obstrutiva y Mix-

ta se onsideran omo un solo evento. En este trabajo se

realiza la lasi�aión de la señal en tres niveles. En un

primer nivel de lasi�aión se separan las señales on

SAHS y las señales sanas. Luego, en el segundo nivel, se

separan las señales on Apnea o Hipopnea, y en el terer

nivel del lasi�ador se separan los eventos de Apnea o

Hipopnea en Central, Obstrutivo y Mixto.

Metodología

En este trabajo se utilizó la base de datos St. Vinent's

University Hospital University College Dublin Sleep

Apnea Database UCDDB de Physionet disponible en

https://www.physionet.org/physiobank/database/

uddb. Esta base de datos ontiene informaión de 25

polisomnografías de paientes adultos on sospeha de

padeimientos de trastornos del sueño. La duraión y

lasi�aión de los diferentes eventos respiratorios fue-

ron realizados por un espeialista ténio en el área. Las

señales EEG fueron muestreadas a 128 Hz. A diferenia

de Saha et. al [8℄, en donde solamente se analiza la señal

de 5 paientes, en este trabajo de investigaión se ana-

lizan los 25 sujetos utilizando la señal del anal C3-A2.

La Tabla 2 india el número de grabaiones de señales

EEG de ada una de las lases a identi�ar.


https://www.physionet.org/physiobank/database/ucddbhttps://www.physionet.org/physiobank/database/ucddb


Tabla 2. Distribuión del número de grabaiones de

señales EEG de la base de datos UCDDB de

Physionet.

AC AM AO HC HM HO

Total 343 136 216 1076 114 1433

AC = Apnea Central. AM = Apnea Mixta. AO = Apnea Obstrutiva

HC = Hip. Central. HM = Hip Mixta. HO = Hip Obstrutiva.

Con el �n de ontar on lases balaneadas (igual nú-

mero de leturas EEG por ada evento a identi�ar) se

de�nió utilizar 100 grabaiones de ada lase, ontando

entones on 300 en total para Apnea y 300 para Hi-

popnea, además de 600 leturas EEG que no presentan

ningún padeimiento. Todas estas señales ontienen 1280

muestras, orrespondientes a 10 segundos de grabaión.

Las señales fueron normalizadas y transformadas al do-

minio de la freuenia utilizando el algoritmo de Fast

Fourier Transform (FFT) para separarlas en las 5 ban-

das, similar a los trabajos [1℄ [8℄ y [10℄. En este trabajo se

analizaron siete araterístias de la señal: media, sesgo,

entropía, desviaión estándar, varianza, energía y suma

absoluta de ada una de las bandas. De igual manera,

se ompararon 14 diferentes lasi�adores, los uales se

menionan a ontinuaión:

Análisis Disriminante, AD

Lineal

Lineal utilizando la matriz de ovarianza,

(Cov)

Cuadrátio, (Cuad)

Cuadrátio utilizando la matriz de ovarian-

za, (CuadCov)

Máquinas de Soporte Vetorial, SVM

Kernel Lineal

Kernel Gaussiano

Optimizado

K veinos más eranos, KNN

Bayesiano Ingenuo

Red de Mapas Auto Organizados

Red Pereptrón Multiapa, MLP

Red de Aprendizaje por Cuantizaión Vetorial 1,

LVQ1

Red de Aprendizaje por Cuantizaión Vetorial 2,

LVQ2

Red de Auto-Codi�adores

La métria que se utilizó para onoer el desempeño

de los lasi�adores fue la exatitud.

La Figura 2 muestra un diagrama de bloques del pro-

eso que se siguió en el análisis de las señales EEG para

la identi�aión de eventos de Apnea � Hipopnea.

Figura 2. Diagrama a bloques de la metodología empleada.

Resultados

Del total de las 1200 leturas EEG, 50% se utilizaron

para entrenar los modelos y el resto para probarlos. Di-

ferente a las investigaiones que se presentaron en la se-

ión de anteedentes en donde suele usarse el 10% de

los datos para probar, en este trabajo se onsideró im-

portante el utilizar un porentaje más elevado para ser

más severos en la evaluaión. De igual manera, algunos

autores onsideran lases desbalaneadas al probar los

modelos. Esto pudiera afetar la manera en ómo se es-

tán validando, ya que la métria de exatitud pudiera no

ser del todo ertera. En este trabajo se uidaron dihos

aspetos.

Los 14 modelos omputaionales utilizados para iden-

ti�ar los diferentes eventos de Apnea-Hipopnea fueron

implementados on funiones de Matlab®. Al omparar

los resultados on los diferentes tipos de araterístias,

el mejor algoritmo de lasi�aión fue la Red de Mapas

Auto Organizados. Para el primer nivel se utilizaron las

araterístias de suma absoluta y sesgo de ada una de

las bandas on 200 neuronas en la red. El segundo lasi-

�ador utiliza la suma absoluta de ada banda del sueño

on un mapa de 100 neuronas. En el terer nivel, para

la separaión de eventos de Apnea Central, Obstrutiva

y Mixta, se utilizaron las araterístias de suma abso-

luta y sesgo, mientras que para los eventos de Hipopnea

Central, Obstrutiva y Mixta, los mejores resultados se

obtuvieron solamente utilizando la señal de suma absolu-

ta. En el terer nivel, ambas redes utilizaron 50 neuronas.

La Tabla 3 muestra los parámetros que se utilizaron en

ada uno de los lasi�adores. En ursiva se india el

valor del parámetro de la funión en Matlab® que se

modi�ó.



Tabla 3.Parámetros que se de�nieron para los

diferentes lasi�adores.

Clasi�ador Parámetros

AD Lineal Tipo de disriminante

linear

AD (Cov) Tipo de disriminante

diaglinear

AD (Cuad) Tipo de disriminante

quadrati

AD (CuadCov) Tipo de disriminante

diagquadrati

SVM Lineal Kernel linear, BoxConstraint=1,

Solver=SMO

SVM Gaussiano Kernel RBF, BoxConstraint=1,

Solver=SMO

SVM Optimizado Barrido de los parámetros

BoxConstraint y KernelSale

KNN Distania Euideana, núm. veinos = 3,

alg. de búsqueda = kdtree

KNN Optimizado Barrido de los parámetros de

distania y núm. de veinos

Bayesiano Distribuión normal

Mapa Auto- 200, 100, 50 y 50 neuronas en

Organizado ada lasi�ador, veinos iniiales = 3,

topología=hexagonal

MLP 3 apas on 100, 200 y 100 neuronas,

funiones tansig, tansig y softmax,

alg entrenamiento = trainsg

LVQ 1 100 neuronas, époas = 100,

alg. entenamiento trainr

LVQ 2 100 neuronas, époas = 100,

alg. entenamiento trainr

Auto- 2 apas de 20 neuronas,

Codi�adores L2WeightRegularization=0.01

y 0.001, SparsityRegularization = 8

y 6, SparsityProportion= 0.1 y 0.05,

DeoderTransferFuntion=purelin

En la Figura 3 se muestran los resultados que se ob-

tuvieron on los datos de prueba. En el reuadro azul se

india el número de leturas EEG que fueron lasi�adas

orretamente, mientras que en el reuadro rosa se mues-

tra el número de leturas lasi�adas inorretamente.

Figura 3. Resultados de la lasi�aión de leturas EEG on

los datos de prueba. En el reuadro azul se indian el número

de leturas EEG bien lasi�adas y en roa las leturas que

fueron mal lasi�adas.

La Figura 4 muestra a manera de porentajes estos

resultados. La exatitud de leturas EEG SAHS y sanas

es de 90.6 y 87%, superior a lo que se reporta en la lite-

ratura. La orreta identi�aión de eventos de Apnea e

Hipopnea es ompliada y se observa on los resultados

de 74 y 54%. Para el aso de separar las señales de Apnea

e Hipopnea en eventos Central, Obstrutivo y Mixto, el

desempeño de los lasi�adores varía desde un 30 a un

56%.

Figura 4. Porentaje de exatitud logrado en ada uno de

los niveles de los lasi�adores.

Conlusiones

En este trabajo se presenta un modelo que utiliza algo-

ritmos de proesamiento de señales y aprendizaje má-

quina para la lasi�aión de señales EEG que fueron

diagnostiadas omo eventos del Síndrome de Apnea e

Hipopnea del Sueño, SAHS. Se utiliza la base de datos

de Physionet, en donde se analizan 25 paientes. El pre-

sente trabajo propone el uso de un modelo en asada

de tres niveles. En el primer nivel se separan las señales

SAHS y sanas. En el segundo nivel las señales de Apnea

e Hipopnea y en el terer nivel se separan las señales que

presentaron eventos de Apnea-Hipopnea Central, Obs-

trutivo y Mixto. Los resultados que se alanzan en el

primer nivel son omparables on los enontrados en el

estado del arte.

En el segundo nivel, la separaión de eventos de Ap-

nea e Hipopnea es más ompleja, mientras que en el ter-

er nivel la dete

ión de Hipopnea Obstrutiva es la más

ompliada. Al onsiderar lases balaneadas podemos

asegurar que la métria de exatitud no está sesgada fa-

voreiendo a la lase que uenta on un mayor número

de eventos.

Cabe destaar que la prinipal aportaión de este tra-

bajo es la dete

ión de eventos de Apnea e Hipopnea en

sus tres posibles lases: Central, Obstrutiva y Mixta.

Este nivel de detalle en la lasi�aión no se enuentra

en la literatura. Aunque los resultados que se alanzan

en el terer nivel del lasi�ador se onsideran bajos, es

un buen primer aeramiento a este problema.

En trabajos futuros se piensa inluir otro tipo de �l-

trado utilizando wavelets, así omo también inluir otro

anal de la señal EEG que se enuentra disponible en la

base de datos de Physionet. De igual manera, el uso de

modelos basados en aprendizaje profundo ha reido en

gran medida en los últimos años, y los avanes para el

área de diagnóstio médio han sido muy buenos. Por tal

motivo, se piensa inluir otras bases de datos on diag-

nóstio de eventos de Síndrome de Apnea e Hipopnea del



sueño para inrementar las señales y así utilizar modelos

de aprendizaje profundo o Deep Learning.✵

REFERENCIAS

1. Almuhammadi W., Aboalayon K. y Faezipour M. (2015). E�-

ient obstrutive sleep apnea lassi�ation based on EEG sig-

nals. En Appliations and Tehnology Long Island Systems,

Farmingdale, NY, EEUU, 1-6.

2. Pombo N., Garía N. y Bousson K. (2017). Classi�ation teh-

niques on omputarized systems to predit and/or to detet Ap-

nea: A systemati review. Computer Methods and Programs in

Biomediine, 140(1), 265-274.

3. Shamim-Uzzaman Q., Singh S. y Chowdhuri S. (2018). Hypop-

nea de�nitions, determinants and dilemmas: a foused review.

Sleep Siene and Pratie, 2(1), 7.

4. Sánhez-Morillo D., López-Gordo M. y León A. (2014). Novel

multilass lassi�ation for home-based diagnosis of sleep apnea

hypopnea syndrome. Expert Systems with appliations, 41(4),

1654-1662.

5. Fontenla-Romero O., Guijarro-Berdiñas B., Alonso-Betanzos A.

y Moret-Bonillo V. (2005). A new method for sleep apnea las-

si�ation using wavelets and feedforward neural networks. Ar-

ti�ial Intelligene in Mediine, 34(1), 65-76.

6. Huang W., Guo B., Shen Y. y Tang X. (2017.) A novel met-

hod to preisely detet apnea and hypopnea events by air�ow

and oximetry signals. Computers in Biology and Mediine, 88,

32-40.

7. Peppard P., Young T., Barnet J., Palta M., Hagen E. y Hla

K. (2013). Inreased prevalene of sleep-disordered breathing in

adults. Amerian Journal of Epidemiology, 177(9), 1006-1014.

8. Saha S., Bhattaharjee A., Ansary M. y Fattah S. (2016). An

Approah for Automati Sleep Apnea Detetion Based on En-

tropy of Multi-Band EEG Signal. En IEEE Region Conferene

TENCON-Proeeding of the International Conferene, Singa-

pore, Singapore, 420-423.

9. Álvarez D., Hornero R., Maros V. del Campo F. y López M.

(2009). Spetral analysis of eletroenephalogram and oxime-

tri signals in obstrutive sleep apnea diagnosis. En Annual In-

ternational Conferene of the IEEE Engineering in Mediine

and Biology Soiety, Minneapolis, MN, EEUU, 400-403.

10. Shahnaz C., Minhaz A. y Ahamed S. (2016). Sub-frame ba-

sed apnea detetion exploiting delta band power ratio extra-

ted from EEG signals. En 2016 IEEE Region 10 Conferene

(TENCON), Singapore, Singapore, 190-193

SOBRE LOS AUTORES

María L. Argáez-Salido egresó de la arrera de Ingeniería Matemátia de la Universidad Autónoma de

Chihuahua en 2018. Sus intereses son las apliaiones de modelos de aprendizaje máquina en la vida real, así

omo el ómputo estadístio.

Graiela Ramírez-Alonso obtuvo el grado de Dotor en Cienias en Ingeniería Eletrónia en el Teno-

lógio Naional de Méxio en 2015. Atualmente es profesora en la Universidad Autónoma de Chihuahua

y es miembro del Sistema Naional de Investigadores Nivel Candidato. Sus intereses ientí�os inluyen

proesamiento de señales y reonoimiento de patrones.

Jessia López-Rentería egresó de la arrera de Ingeniería Matemátia de la Universidad Autónoma de

Chihuahua en 2016 y atualmente es estudiante de la Maestría en Ingeniería en Computaión de la misma

Universidad. Sus intereses son el análisis de señales, reonoimiento de patrones, el aprendizaje máquina y

el área de optimizaión.

Invitaión a publiar en Komputer Sapiens

Komputer Sapiens es patroinada por la SMIA, la Soiedad Mexiana de Inteligenia Arti�ial.Komputer Sapiens

es una revista de divulgaión ientí�a en idioma español de temas relaionados on la Inteligenia Arti�ial.

Los autores deben tener en uenta que un artíulo de divulgaión ientí�a es un esrito orto dirigido a públios

no espeializados y esrito en lenguaje omún para expliar de manera a

esible, amena y aorde on los intereses de la

audienia los resultados de su atividad ientí�a (oneptos, ideas, desubrimientos y hehos). Este tipo de artíulos

debe ser de alidad para autivar al letor por su expresividad literaria y grá�a, así omo por la exposiión organizada

de ideas. Todos los artíulos deben ser de autoría propia, de preferenia on resultados previamente publiados en

medios de difusión ientí�a para la omunidad ientí�a, esritos en español y ajustarse a las araterístias que se

soliitan en nuestro sitio WEB:

http://smia.mx/komputersapiens/


http://smia.mx/komputersapiens/


ARTÍCULO ACEPTADO

Las señales eletroenefalográ�as en las interfaes

erebro-omputadora

Laura I. Garay Jiménez y Blana Tovar Corona

¾Qué son y qué nos dien las señales ele-

troenefalográ�as?

Desde siempre, el funionamiento del erebro ha fasina-

do al ser humano en general y a ientí�os de diferentes

áreas del onoimiento. Al erebro se le atribuye la a-

paidad de determinar las sensaiones que provienen de

todo el uerpo, interpretarlas y determinar la a

ión en

onseuenia; así omo analizar los resultados obtenidos

y modi�ar omportamientos, es deir: aprender por ex-

perienia. En la déada pasada, las pelíulas de ienia

�

ión presentaban a humanos en el futuro ontrolan-

do máquinas y omuniándose on telepatía on otras

personas, inluso ontrolando uerpos en otros planetas

(Star Trek, 1966-1969), (RoboCop, 1987, 2014) (Matrix,

1999) (Avatar, 2009). Atualmente, ese esenario se ve

más era on el logro de grandes avanes en el área.

Ya se uenta on interfaes erebro-omputadora

(ICC) basadas en las señales elétrias que genera el e-

rebro, denominadas señales eletroenefalográ�as. És-

tas se reoletan diretamente sobre la orteza erebral

y han sido muy útiles en personas que no pueden mo-

verse o manifestar sus neesidades [1℄. Pero las ICC que

son invasivas implian una irugía y peligros de infe

ión,

además existe un alto rehazo por parte del paiente aun

en estados de inomuniaión; es por ello que se busan

versiones alternativas que se oloquen sobre el uero a-

belludo o que puedan leer la informaión sin neesidad

de intervenir en los proesos del erebro [2℄[3℄.

La desventaja de estas ICC es que la señal que pro-

veniente de la masa erebral es atenuada, modi�ada e

integrada en su amino al sensor utilizado, omo se ob-

serva en la Figura 1.

Figura 1. Izquierda: eletrodos diretamente en la orteza

erebral. Dereha: eletrodos sobre el uero abelludo y las

apas por las que pasa la señal.

Casos de éxito en la implementaión de las interfa-

es erebro-omputadora, diretamente onetadas en la

orteza erebral para una omuniaión adeuada o para

ontrolar dispositivos, se han justi�ado uando un suje-

to onsiente quiere omuniarse o moverse para mejorar

su alidad de vida. Una exelente revisión la podemos

enontrar en [1℄. La investigaión en las ICC se ha en-

foado haia los métodos no invasivos, por su potenial

tanto omerial omo en salud [2-4℄. Uno de los métodos

que se propone es el de ontrol por movimientos imagi-

narios, donde, a partir de la reole

ión no invasiva de

las señales eletroenefalográ�as (EEG), se identi�a el

omando que se quiere ejeutar.

Para que una persona pueda ser usuario de una ICC

basada en esta ténia es neesario haer un entrena-

miento previo. Como se observa en la Figura 2, primero

debemos sele

ionar la posiión de los eletrodos que per-

mita obtener la informaión relevante asoiada a lo que

se va a detetar. Después, sele

ionar las araterístias

de las señales a estudiar en una sesión de entrenamiento,

busando la mejor opión entre las muhas reportadas

[4-6℄. A este onjunto de araterístias sele

ionadas se

llama patrón, y su lasi�aión orreta permite asoiar-

lo a la intenión de movimiento del usuario de la ICC.

Figura 2. Etapas de proesamiento de la señal erebral para

una interfaz erebro-omputadora.

Una vez que se identi�an los patrones araterísti-

os asoiados a la a

ión que se quiere realizar en esa

sesión previa, se neesita implementar un algoritmo de

letura en línea que permita leer la señal por un tiempo

orto, alular los parámetros, generar el nuevo patrón,

ontrastarlo on lo aprendido que se resume en el patrón

araterístio de la intenión de movimiento e identi�-

ar la a

ión soliitada. Es importante orroborar que



la identi�aión sea orreta o que se rati�que el patrón

para �nalmente enviar la orden de ontrol.

Existen ténias muy diversas para enontrar esos

patrones, aspeto que es un problema porque las se-

ñales eletroenefalografías no presentan algún patrón

araterístio evidente durante los movimientos imagi-

narios [3-4℄. Aquí se desribe una propuesta que se basa

en el uso de ténias e�ientes de dete

ión busando

la mínima omplejidad omputaional, basándose en el

onoimiento previo obtenido en la sesión de entrena-

miento.

¾Cómo analizamos e interpretamos esas

señales?

Como se omentó previamente, el reto en las ICC utili-

zando movimiento imaginario es que no se puede obser-

var diretamente algún patrón araterístio de los even-

tos que estamos busando; por eso debemos usar más de

un eletrodo para reoletar la informaión.

En este aso utilizamos 6 eletrodos posiionados, o-

mo se observa en la Figura 3, que son zonas del erebro

asoiadas a la atividad motriz del uerpo y a las sensa-

iones reibidas por él. Existen evidenias de que imagi-

nar y realizar los movimientos generan señales altamente

orrelaionadas [10-11℄.

Figura 3. Proeso de adquisiión de la señal erebral para

una ICC basada en movimientos imaginarios.

Primero, se debe estableer uáles son las señales aso-

iadas en una sesión de exploraión y la generaión de la

base de datos para el entrenamiento. Para ello se propuso

que se repitieran los movimientos imaginados en periodos

de 16 segundos, y se repitió 15 vees en una sola sesión.

El proeso ompleto del estudio que se realizó en 2 usua-

rios sanos se muestra en la Figura 4, el ual ontempla

un periodo de referenia de 5 segundos y un periodo de

11 segundos para garantizar que se tiene su�iente tiem-

po para apturar los eventos y se puedan araterizar lo

más pronto posible. La desripión a detalle se enuentra

en [6℄.

El proedimiento ontempló la mediión del EEG en

4 estados o eventos: 1) abrir y errar la mano dereha e

izquierda, 2) imaginar la apertura y ierre de ada mano,

3) uando no hay intenión de movimiento, pero están

on los ojos abiertos y 4) uando ierran los ojos y se

relajan. A este último se le llama señal de fondo.

Figura 4. Constituión de la base de datos para el en-

trenamiento de la interfaz erebro-omputadora basada en

movimientos imaginarios.

Como primer paso, las señales obtenidas se �ltraron

para resaltar la banda en freuenias donde se enuen-

tran las señales Alfa y Beta (4-35Hz), que son las freuen-

ias que se han reportado omo relevantes en el estudio

senso-motor para ICC.

Posteriormente, se obtuvieron señales reonstruidas

a partir de la informaión de bandas de freuenia de

anho de 2Hz, usando el método de desomposiión on

la transformada disreta de wavelets (Db10), omo se

muestra en la Figura 5.

Figura 5. Desomposiión de la señal a través de un �ltra-

do seletivo por bandas, usando la transformada disreta de

wavelet. Ai son las aproximaiones y Di, los detalles de las

señales.

Este método permite segmentar la informaión ba-

sándose en su ontenido en freuenia; por eso se le sue-

len llamar señales �ltradas, y la diferenia on los �ltros

tradiionales es que la frontera de los �ltros puede ser

manipulada por el tipo de wavelet madre [6℄.



Una vez que se obtuvo la informaión segmentada de

la señal, se propuso una transformaión que permite una

representaión que evidenia las araterístias propias

de ada evento. Para ello se propuso el método de análisis

por omponentes independientes (ICA, por sus siglas en

inglés y CI, en español), donde se busa enontrar seña-

les ortogonales i.e. desorrelaionadas e independientes

para representar la informaión [7℄.

El proeso, que se resume en la Figura 6, muestra

ómo el patrón representativo (PR) se obtuvo on el

onjunto de omponentes independientes (CI) on ma-

yor oe�iente de orrelaión entre todos los asos de

entrenamiento para ada una de las sub-bandas. Luego,

entre las CI de todos los PR se sele

ionaron las que te-

nían el valor de similitud más alto para ada sub-banda

para ser inluidos en el patrón araterístio (PC) de una

intenión de ontrol asoiada a un movimiento espeí�o.

Con esta propuesta de sele

ión de señales únias,

asoiadas a las araterístias de las sub-bandas basa-

do en la máxima similitud entre ellas en el onjunto de

entrenamiento, se pretende proporionar una representa-

ión araterístia proveniente del EEG, asoiada a ada

a

ión senso-motora propuesta.

Figura 6. Arquitetura de un STI on gami�aión [8℄.

Sele

ión del patrón araterístio de un movimien-

to imaginario o ondiión propuesta.CIi =omponente

prinipal del i segmento de la base de entrenamiento;

PR=patrón representativo de ada ondiión por aso de

entrenamiento, PC=patrón araterístio para esa inten-

ión de movimiento.

Este proeso se realizó tanto para los registros de los

movimientos reales omo los imaginados, on el objetivo

de obtener la mejor representaión posible de ada mo-

vimiento imaginario o real.

Interpretaión de la informaión e identi-

�aión de la intenión de movimiento

El siguiente paso es identi�ar y lasi�ar al patrón, ya

que se pretende que en un futuro se use en línea. Es-

to signi�a que el proedimiento que se propone debe

ser evaluado por su rapidez y on�abilidad en la iden-

ti�aión del patrón araterístio de ada movimiento

imaginario o ausenia de él, basándose en la similitud

del nuevo patrón de entrada on el de ada uno de los

patrones araterístios.

Lo primero que hay que tomar en uenta es que a-

da persona imagina el movimiento de manera diferente,

sobre todo de auerdo a la perepión misma de su mo-

vimiento, que puede ser desde imaginar que ve el movi-

miento de su mano, imaginar ómo se siente el movimien-

to, imaginar ómo la mano de alguien más se mueve e,

inluso, se ha reportado que hay personas que no tienen

esa habilidad desarrollada; por ello, ada persona tendrá

sus propios patrones araterístios y se requiere evaluar

si es un buen andidato después de un entrenamiento.

Una vez que se aplió la metodología de extra

ión de

araterístias propuesta, ada usuario obtuvo un patrón

araterístio únio asoiado a ada uno de los diferentes

tipos de intenión de movimientos de la mano, es deir:

ada ICC requiere ser ajustada al usuario �nal.

Para la prueba del onepto se usó el 33% de la ba-

se obtenida para ada usuario. La propuesta de identi-

�aión del patrón planteó el álulo de la suma de las

orrelaiones obtenidas de ada elemento del PC on a-

da elemento del nuevo patrón representativo del aso de

prueba. Finalmente, se etiquetó el tipo de patrón, utili-

zando el valor más alto de similitud para determinar la

intenión del movimiento y se asoió a la tarea de ontrol

que el usuario desea realizar.

Para validar la metodología de sele

ión del patrón

araterístio, y debido a que la base de datos por volun-

tario no es muy grande, se barajó el onjunto de datos

original, se repitió 100 vees el entrenamiento on el 66%

de la base de datos y se realizó la prueba on el resto.

Con esa informaión se reó una matriz de onfusión para

analizar la e�ienia de la metodología de ajuste.

Parte de la intenión de este trabajo era enontrar

uánto tiempo se requiere para garantizar que el lasi-

�ador ubra un mínimo del 80% de e�ienia. En la

Figura 7 se muestra un ejemplo de los resultados obte-

nidos para un usuario voluntario.

Figura 7. Sele

ión del patrón araterístio de ada movi-

miento imaginario o ondiión propuesta.



Parte de la intenión de este trabajo era enontrar

uánto tiempo se requiere para garantizar que el lasi-

�ador ubra un mínimo del 80% de e�ienia. En la

Figura 7 se muestra un ejemplo de los resultados obte-

nidos para un usuario voluntario.

Se observa que para este usuario se requieren al

menos 4 segundos de registro de la señal eletroenefa-

lográ�a, y que al proesarla y ompararla on el patrón

araterístio asoiado a ada una de las inteniones de

ontrol obtuvo el 88% de e�ienia en la identi�aión,

en el peor de los asos. Este resultado fue orrobora-

do on la base de datos obtenida uando se realiza el

movimiento físio. Al omparar los patrones arate-

rístios de los movimientos reales on los movimientos

imaginarios se observó que son muy similares, teniendo

ligeras variaiones en la lasi�aión de datos orretos,

en onordania on lo reportado en la bibliografía [3-

4℄[6℄, donde se meniona que imaginar un movimiento

genera el mismo proeso mental que el movimiento fí-

sio, a exepión de que el movimiento queda bloqueado.

Resultados y disusión

Lo primero que se observó es que ada partiipante tuvo

un desempeño diferente, pero muy similar entre lo ima-

ginado y lo real. Ambos pudieron obtener una e�ienia

arriba del 80%, por lo que se onsidera que ambos son

andidatos para usar los movimientos imaginarios omo

señal de ontrol de una interfaz erebro-omputadora. Es

importante realar que este método requiere una apa-

idad de onentraión espeí�a, ya que la e�ienia que

obtiene ada usuario depende de su apaidad para ima-

ginar el movimiento. Por ejemplo, en el aso del usuario

1 y on un umbral de lasi�aión de 90%, el tiempo

requerido fue de 4 segundos, on una e�ienia promedio

de 94.4% en las 100 repetiiones. Mientras tanto, para el

usuario 2, on el mismo umbral, el tiempo mínimo reque-

rido fue de 5 segundos, on una e�ienia promedio del

99% en las 100 repetiiones. Para este último usuario, si

se onsideraran 4 segundos, la e�ienia promedio baja

a 88.7%.

Por otro lado, al busar el tamaño de ventana ópti-

mo para otra ténia tal omo la de poteniales evoados

visuales de estado estable (SSVEP, por sus siglas en in-

glés), Alberto et al. [12℄ reportaron que la e�ienia de

lasi�aión de la metodología fue del 100% a los 2

segundos de estar onentrados [6℄. Ese método se on-

sidera omo una de las mejores ténias para ontrolar

la intenión de una ICC; sin embargo, los usuarios han

informado que este método es agotador y podría generar

dolores de abeza [1℄[12℄[13℄, por lo ual no siempre es

viable apliarlo.

Conlusiones

Se llegó a la onlusión de que para el método de identi-

�aión de movimientos imaginarios, el mejor tamaño de

ventana para ser onsiderado omo un omando viable

en línea, utilizando el movimiento de la mano dereha e

izquierda omo ativador, es de 4 segundos. Esto oini-

de on lo reportado en la bibliografía, lo que signi�a que

el usuario debe onentrarse en imaginar el movimiento

al menos 4 s para obtener al menos el 90% de e�ienia,

onsiderado aeptable para implementar un método de

omuniaión o de ativaión y desativaión de a

io-

nes tales omo enendido y apagado, apertura y ierre o

ativaión de alertas.✵

Agradeimientos. Las autoras agradeen la partiipa-

ión del M. en T. A. Adrian Alberto Ramos en la imple-

mentaión y pruebas de movimientos imaginarios.

REFERENCIAS

1. Birbaumer, N. (2006). Breaking the silene: brain � omputer

interfaes (BCI) for ommuniation and motor ontrol. Psy-

hophysiology,43(6), 517-532.

2. Tangermann, M., Müller, K. R., Aertsen, A., Birbaumer, N.,

Braun, C., Brunner, C., y Nolte, G. (2012). Review of the BCI

ompetition IV. Frontiers in neurosiene, 6, 55.

3. Pihiorri, F., Mrahaz-Kersting, N., Molinari, M., Kleih, S.,

Kübler, A., y Mattia, D. (2017). Brain-omputer interfae ba-

sed motor and ognitive rehabilitation after stroke�state of the

art, opportunity, and barriers: summary of the BCI Meeting

2016 in Asilomar. Brain-Computer Interfaes, 4(1-2), 53-59.

4. Tareq, Z., Zaidan, B. B., Zaidan, A. A., y Suzani, M. S. (2018).

A Review of Disability EEG based Wheelhair Control System:

Coherent Taxonomy, Open Challenges and Reommendations.

Computer Methods and Programs in Biomediine, 164, 221-

237.

5. Jiang, L., Tham, E., Yeo, M., Wang, Z., y Jiang, B. (2014). Mo-

tor imagery ontrolled wheelhair system. En Industrial Ele-

tronis and Appliations, 532-535.

6. Alberto-Ramos, A., Garay-Jiménez L., Tovar-Corona, B.

(2018). Tuning Methodology for a Hibrid BCI. IEEE Interna-

tional Autumn Meeting on Power, Eletronis and Compu-

ting.

7. Prinipe, J. C., y Brokmeier, A. J. (2015). Representing and

deomposing neural potential signals. Current opinion in neu-

robiology, 31, 13-17.

8. Zhang, S., Yao, H., Sun, X., Wang, K., Zhang, J., Lu, X., y

Zhang, Y. (2014). Ation reognition based on overomplete

independent omponents analysis. Information sienes, 281,

635-647.

9. Annett, J. (1995). Motor imagery: pereption or ation?. Neu-

ropsyhologia, 33(11), 1395-1417.

10. Jeannerod, M., y Frak, V. (1999). Mental imaging of motor a-

tivity in humans. Current opinion in neurobiology, 9(6), 735-

739.

11. Lim, C. G., Lee, T. S., Guan, C., Fung, D. S. S., Zhao, Y.,

Teng, S. S. W., y Krishnan, K. R. R. (2012). A brain-omputer

interfae based attention training program for treating atten-

tion de�it hyperativity disorder. PloS one, 7(10), 46692.

12. Alberto-Ramos, A. (2017). Estudio de la señal eletroenefalo-

gra�a bajo la intenión de ontrol para su uso en una interfaz

erebro omputadora, Tesis de maestría, SEPI, Instituto Poli-

ténio Naional, UPIITA, CDMX.

13. Alberto A., Tovar B., Garay L. (2018). Los Movimientos Imagi-

narios Identi�ados en la Señal Eletroenefalográ�a. Boletin

UPIITA,66.



SOBRE LOS AUTORES

Laura Ivoone Garay Jiménez obtuvo el grado de dotor en Ingeniería Elétria on la espeialidad

de Bioeletrónia en el Centro de Investigaión y Estudios Avanzados en 2006. Atualmente es profesora

investigadora en el Instituto Politénio Naional, en la Unidad Profesional Interdisiplinaria en Ingeniería

en Tenologías Avanzadas. La Dra. Garay es miembro del Sistema Naional de Investigadores Nivel I. Sus

intereses ientí�os inluyen instrumentaión y proesamiento de señales biológias para su apliaión en

diagnóstio y rehabilitaión.

Blana Tovar Corona obtuvo el grado de Dotor en Filosofía por la Universidad de Sussex en Inglaterra en

2000. Atualmente es profesora titular del Instituto Politénio Naional, en la Unidad Profesional Interdisi-

plinaria en Ingeniería y Tenologías Avanzadas, en la aademia de sistemas en el departamento de Ingeniería.

Sus intereses ientí�os inluyen el proesamiento de señales biológias para su apliaión en diagnóstio,

telemetría, eduaión, interfaes erebro-omputadora y rehabilitaión.

½Publique en Komputer Sapiens!



ARTÍCULO ACEPTADO

Análisis de videos para detetar piratería

Zobeida Jezabel Guzmán Zavaleta

La era Zettabyte y los videos digitales

Vivimos en la era de la informaión digital. Atualmen-

te se genera, almaena, transmite y visualiza una gran

antidad de informaión. Es por esos grandes volúme-

nes de datos que transitan ada día en Internet que han

llamado a ésta la era Zettabyte

1

[1℄. Se ha proyetado

que para el año 2020 se alanzarán 2.3 ZB de trá�o en

Internet anual a nivel global. Graias a los avanes te-

nológios, el número de usuarios onetados a Internet

aumenta grandemente. Se observan abaratamientos de

los ostos de los equipos onetados a la Red mientras

que, al mismo tiempo, el anho de banda inrementa.

De todos los datos que transitan Internet, los onte-

nidos de video digital se han vuelto los más populares.

Un importante estudio denominado Índie Visual de Re-

des (VNI, por sus siglas en inglés) de la empresa Ciso,

pronostia que para el año 2021, el trá�o de Internet

mensual por usuario será de 61 GB; de los uales el 82%

será video [2℄. En otras palabras, se estima que, ada se-

gundo, un millón de minutos de ontenido de video estará

ruzando la Red.

Hoy en día es relativamente simple grabar un video

digital, ya sea on ámaras espeializadas o utilizando al-

gún dispositivo móvil, y subirlo inmediatamente a la Red.

Así mismo, los sitios en Internet que albergan Contenidos

Generados por Usuarios (CGU) se han vuelto muy po-

pulares; por ejemplo: YouTube

2

, Perisope

3

y Faebook

Live

4

.

También existe una gran variedad de videos on on-

tenidos sensibles o privados en Internet. Por ejemplo,

videos de vigilania, video bajo demanda (VoD por sus

siglas en inglés), video por internet a TV, realidad vir-

tual, aumentada y mixta y videos en vivo en internet,

por menionar algunos. Entones, se vuelven neesarias

estrategias de prote

ión adiionales para brindar segu-

ridad a los ontenidos y tranquilidad a los propietarios

de esa gran antidad de ontenidos sensibles, privados,

on derehos de autor y prote

ión de opias.

CISCO proyeta que para 2021 un millón de minutos de ontenido de

video estará ruzando la Red ada segundo

El entretenimiento ontra la piratería

Una industria diretamente ligada on los ontenidos de

video es la del entretenimiento. Las asas produtoras de

pelíulas y las grandes adenas de televisión requieren

de tenologías apaes de asegurar que sus ontenidos

no sean públios antes de que ellos los puedan vender.

Ya sea el estreno de la pelíula esperada o el �nal de

temporada de una serie o el aonteimiento deportivo

que se transmite por pago por evento, sus produtores y

distribuidores busan reuperar las inversiones y generar

ganania para seguir en el negoio.

Por lo general, el robo de los videos se realiza den-

tro de la adena de distribuión en sus diferentes etapas:

uando se enuentra en ediión, on los rítios y evalua-

dores y al transportar los ontenidos por ompañías de

paquetería. Sin embargo, la manera más fáil y popular

de obtener un video es grabarlo diretamente mientras se

está proyetando en alguna pantalla [3℄, omo el ejemplo

de la Figura 1. Entones, ese video se omparte mediante

sitios espeí�os de ontenidos en vivo o de almaena-

miento para reprodu

ión o desarga, o bien se graban

en disos.

Figura 1. Simulando la grabaión por ámara en el ine. To-

1

Para asimilar esta idea on más detalle, un Zettabyte equivale a 1021 bytes (un 1 on 21 eros). Esto es, un bit es un `0' o `1', oho

de esos bits forman un byte, a 1000 bytes le llamamos un Kilobyte (KB), 1000 KB forman un Megabyte (MB), 1000 MB dan un Gigabyte

(GB), 1000 GB es un Terabyte (TB), 1000 TB es un Petabyte (PB), 1000 PB es un Exabyte (EB) y 1000 EB forman un Zettabyte (ZB)

2

https://www.youtube.om/

3

https://www.psp.tv/

4

https://live.fb.om/


https://www.youtube.com/https://www.pscp.tv/https://live.fb.com/


mada de https://www.adslzone.net/2014/12/15/primer-

ondenado-por-grabar-una-peliula-en-el-ine/.

La piratería genera grandes gananias que no van

diretamente a los propietarios de los ontenidos; las

organizaiones enargadas de la propiedad inteletual

han reportado pérdidas de miles de millones de dólares

para las asas produtoras y para quienes se enargan de

distribuir los ontenidos [4℄. La piratería es un problema

grave para quienes neesitan reuperar sus inversiones y

para los proveedores de los serviios de transmisión.

Integrando soluiones

Atualmente se pueden ombinar estrategias basadas en

Criptografía, Maras de Agua y Análisis de Contenido

para tratar de ontrarrestar los ataques piratas o minimi-

zar el daño que provoan. Por un lado, muhas empresas

invierten sumas importantes de dinero para proteger sus

ontenidos durante la etapa de transmisión on estrate-

gias de riptografía. De esta manera, si alguien interepta

los paquetes transmitidos, el ontenido estaría ifrado sin

la posibilidad de visualizarlos orretamente.

Además, se utilizan ténias de rastreo mediante mar-

as de agua que oultan informaión de los usuarios en

los videos, de manera visible o impereptible, para iden-

ti�ar quién los ha tenido en su poder. Estas ténias

se denominan Huellas Digitales, omo una analogía de

uando una persona toa algún objeto y deja maradas

sus huellas digitales en él. Por ejemplo, uando se le da

una pelíula a un rítio de ine para que la vea antes del

estreno. La estrategia aquí es agregar maras al video: las

visibles son una leyenda en la pantalla indiando que es

un video de muestra y las impereptibles guardan infor-

maión de la persona a quien se le dio la opia; es deir,

la huella del usuario. De manera similar, durante la pro-

ye

ión de una pelíula en el ine se va inrustando de

manera impereptible al ojo humano la informaión de

la sala, lugar, feha y hora. Así que, si se enontrara una

opia distribuida ilegalmente de esa pelíula marada, se

podría rastrear al último en su ustodia.

Adiionalmente, se pueden utilizar ténias de análi-

sis de imágenes para identi�ar la ubiaión de la áma-

ra que grabó un video [5℄. Esto puede ser de ayuda para

identi�ar el asiento desde donde se grabó una pelíu-

la en el ine, y si el ine lo registra, los datos de quien

ompró el boleto.

Ha habido un gran avane en diferentes ténias de

seguridad y rastreo de usuarios, sin embargo dihas estra-

tegias no evitan el robo de los videos; más bien, advierten

a los que ustodian los ontenidos para ser uidadosos,

sabiendo que, si los propietarios detetan que sus onte-

nidos fueron distribuidos ilegalmente, podrán deslindar

responsabilidades.

Queda otro problema por resolver: monitorear los vi-

deos de Internet en las transmisiones en vivo y de los

sitios de almaenamiento de videos. El monitoreo tiene

omo objetivo identi�ar videos y, posteriormente, esta-

bleer si un ontenido uenta on derehos de autor, si se

trata de un video públio y si es una distribuión legal o

no.

El reto es detetar opias de videos entre un gran volumen de datos on

diversas transformaiones sin afetar su transmisión

La identi�aión de videos, así omo la dete

ión de

opias de manera automátia dentro de los sistemas de

monitoreo, puede realizarse on ténias de análisis ba-

sado en el ontenido mismo. Así, sin agregar datos a los

videos, se analizan las araterístias visuales, tempora-

les y aústias que distinguen a un video de otro tratando

de identi�arlo. A estas ténias también se les denomina

Huellas Digitales, añadiendo en algunas oasiones el tér-

mino Pasivas, para difereniarlas de otros tipos de hue-

llas. En este ontexto, se hae una analogía a las huellas

digitales que identi�an de manera únia a ada persona.

Las Huellas Digitales Pasivas busan araterístias

de ada video para identi�arlos de manera únia. Las

araterístias pueden ser valores estadístios de olor o

intensidades de ontraste, puntos y regiones araterís-

tios que ontengan esquinas o bordes, o un onteo de

diferenias entre uadros de videos. El estudio de extra-

ión de araterístias persistentes en los videos aun ante

transformaiones severas es un tema reiente y relevante.

Dete

ión de opias de video

Según la literatura, la opia de un video se re�ere a un

segmento de video derivado de otro video on posibles

transformaiones; ya sea agregando o quitando informa-

ión, editando o regrabando el video, entre muhas otras

[7℄. Adiionalmente, la opia puede ser de un video om-

pleto o opias pariales. Un reto importante al detetar

opias de videos es proesar un gran volumen de datos

on diversas transformaiones sin afetar la transmisión

o la apliaión (ver Figura 2).

Por lo general, un método de Huellas Digitales Pa-

sivas tiene dos etapas: sin onexión y on onexión. En

la primera etapa ada video original deber ser analizado

para extraer sus araterístias más relevantes y gene-

rar un desriptor del video, es deir, su huella digital,

las uales son almaenadas en una base de datos. En la

etapa on onexión, se omparan las huellas extraídas de

ada video a onsultar ontra las huellas de los videos


https://www.adslzone.net/2014/12/15/primer-condenado-por-grabar-una-pelicula-en-el-cine/https://www.adslzone.net/2014/12/15/primer-condenado-por-grabar-una-pelicula-en-el-cine/


originales en la base de datos. Un sistema espeializado

se enarga de haer la omparaión de las huellas para

enontrar la similitud más probable en aso de existir y

delarar si el video onsultado es una opia de algún vi-

deo en nuestra lista de originales o no; también india el

segmento del video opiado (ver Figura 3).

Figura 2. Copias de videos on transformaiones severas en

VCDB [6℄.

Figura 3.Método de huellas digitales pasivas para dete

ión

de videos.

En todo método de dete

ión de opias se desean las

siguientes araterístias:

Robustez: es la apaidad de identi�ar un video

severamente transformado.

Efetividad: se re�ere a detetar opias sin errores.

E�ienia: mide la apaidad de proesar el video

on la menor antidad de reursos.

Complejidad: india qué tan simple de odi�ar y

ejeutar es el método.

Esalabilidad: esta araterístia india si el méto-

do seguirá funionando on más videos y ataques.

Compataión: se re�ere al tamaño de la huella, lo

más pequeña posible para búsquedas más rápidas.

Granularidad: que se requiera la menor antidad de

informaión para lograr la extra

ión de la huella

y la dete

ión de las opias.

A lo largo de más de una déada se han propues-

to diversos métodos para detetar opias de videos on

el objetivo de satisfaer dihas araterístias deseables.

Sin embargo, la mayoría de los métodos se había onen-

trado en la robustez más que en la e�ienia (8). Además,

los métodos eran evaluados on esenarios simulados; por

ejemplo, on la base de datos estandarizada de TREC-

VID

5

. Al evaluar diversos métodos en esos tipos de am-

bientes simulados y al obtener resultados asi perfetos,

se pensó que el problema estaba resuelto. Sin embar-

go, esos mismos métodos no han demostrado el mismo

desempeño en esenarios no simulados [8℄; ya sea por

la de�iente efetividad al detetar videos severamente

transformados o por la falta de e�ienia y esalabilidad

para proesar grandes volúmenes de datos.

Por ello, la dete

ión de opias sigue siendo un tema

de interés, espeí�amente para detetar videos en ese-

narios reales y on pequeñas opias pariales.

Aportaiones

La dete

ión de opias de videos es un problema on

muhos retos, pero detetar opias pariales es aún más

desa�ante, ya que se tiene menos informaión que om-

parar. La dete

ión de opias pariales se ha venido re-

solviendo, también parialmente, on la ayuda de huellas

digitales pasivas [9-11℄. Para asegurar la efetividad de

un método en esenarios reales se deben haer pruebas

on un onjunto de videos on transformaiones no simu-

ladas. Por ello, la ama de pruebas VCDB propuesta en

[6℄ es un buen punto de referenia, ya que ontiene una

evaluaión de diferentes métodos muy prometedores bajo

esenarios simulados. Los mejores resultados bajo VCDB

alanzan una medida de dete

ión

6

del 65%, usando té-

nias reientes de Aprendizaje de Máquina, mientras que

ténias bien estudiadas on desriptores determinados

se enuentran por debajo del 60% de dete

ión sin erro-

res.

5

TRECVID es una onferenia espeializada en la evaluaión y reuperaión de informaión de videos, es patroinada por el Instituto

Naional de Estándares y Tenología de Estados Unidos (NIST por sus siglas en inglés) y otras agenias. Durante los años 2008 al 2011

promovieron una ompetenia de dete

ión de opias de videos.

6

La medida F1 utilizada para la dete

ión, india a grandes rasgos un promedio de uántas opias fueron detetadas sin ometer errores.

El error penalizado tipo I es delarar que un video es opia de uno registrado uando no lo es (llamado falso positivo), el error tipo II es si

no deteta una opia (falso negativo). F1 = 100% es la mejor.



Usando ténias de inteligenia arti�ial se alanzó una dete

ión del 80%

de opias pariales on transformaiones no simuladas

A diferenia de los métodos menionados, en [12℄ se

probó que es posible mejorar la dete

ión on una om-

binaión de desriptores de bajo osto omputaional,

e�ientes y robustos ante diferentes tipos de transfor-

maiones en onjunto on tén

c komputer sapiens, an˜o x volumen ii, mayo-agosto 2018...

Documents