c komputer sapiens, an˜o x volumen ii, mayo-agosto 2018...
TRANSCRIPT
-
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.
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
-
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).
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
-
Año X, Vol. II. Mayo - Agosto 2018 Columna Komputer Sapiens 5 / 46
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.✵
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
@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
-
Año X, Vol. II. Mayo - Agosto 2018 Columna Komputer Sapiens 6 / 46
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
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
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-
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
-
Año X, Vol. II. Mayo - Agosto 2018 Artíulo Komputer Sapiens 8 / 46
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.
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
https://www.physionet.org/physiobank/database/ucddbhttps://www.physionet.org/physiobank/database/ucddb
-
Año X, Vol. II. Mayo - Agosto 2018 Artíulo Komputer Sapiens 9 / 46
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.
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
-
Año X, Vol. II. Mayo - Agosto 2018 Artíulo Komputer Sapiens 10 / 46
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
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
-
Año X, Vol. II. Mayo - Agosto 2018 Artíulo Komputer Sapiens 11 / 46
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/
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
http://smia.mx/komputersapiens/
-
Año X, Vol. II. Mayo - Agosto 2018 Artíulo Komputer Sapiens 12 / 46
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
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
-
Año X, Vol. II. Mayo - Agosto 2018 Artíulo Komputer Sapiens 13 / 46
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℄.
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
-
Año X, Vol. II. Mayo - Agosto 2018 Artíulo Komputer Sapiens 14 / 46
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.
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
-
Año X, Vol. II. Mayo - Agosto 2018 Artíulo Komputer Sapiens 15 / 46
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.
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
-
Año X, Vol. II. Mayo - Agosto 2018 Artíulo Komputer Sapiens 16 / 46
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!
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
-
Año X, Vol. II. Mayo - Agosto 2018 Artíulo Komputer Sapiens 17 / 46
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/
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
https://www.youtube.com/https://www.pscp.tv/https://live.fb.com/
-
Año X, Vol. II. Mayo - Agosto 2018 Artíulo Komputer Sapiens 18 / 46
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
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
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/
-
Año X, Vol. II. Mayo - Agosto 2018 Artíulo Komputer Sapiens 19 / 46
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.
© 2018 - Soiedad Mexiana de Inteligenia Arti�ial ISSN 2007-0691
-
Año X, Vol. II. Mayo - Agosto 2018 Artíulo Komputer Sapiens 20 / 46
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