Clasificación de estímulos odorantes mediante señales biológicas

Abstract

El problema de reconocimiento y clasificación de odorantes en forma artificial es de gran relevancia dentro de la industria alimenticia y cosmética, en el área de la salud, en la gestión de residuos y en aplicaciones militares. Determinar los compuestos presentes en una sustancia a través del olfato es un factor importante en los procesos de control y certificación de calidad, así como en la detección precoz de agentes patógenos y la localización de elementos ilegales o nocivos. El objetivo general de esta Tesis es diseñar un modelo de reconocimiento de odorantes basado en una estrategia de reducción de características seguida por un algoritmo clasificador, que utilice como patrones las señales de potencial de campo local, en inglés local field potential (LFP), que corresponden a señales eléctricas neuronales registradas en el bulbo olfativo de ratas. Así se tiene como elemento sensor-transductor la respuesta del sistema olfativo de ratas ante distintos estímulos odorantes. Se desea determinar si es posible discriminar el tipo de estímulo que activa al sistema en cada prueba y comparar las respuestas de este modelo en ratas con deprivación sensorial. Como parte de la metodología, se construyeron 91 bases de datos con 640 patrones cada una, correspondientes a diferentes sitios del bulbo olfativo registrados en varias ratas. Cada elemento de la base de datos es una señal LFP que representa la respuesta en el tiempo del bulbo olfativo ante un estímulo determinado. La etapa de preprocesamiento incluye filtrado, muestreo y normalización de la señal LFP. Se comparó la efectividad de diferentes técnicas de extracción de características (análisis de componentes principales, transformada de Fourier y Wavelet, transformación de Fisher y mapa no lineal de Sammon), de modo que cada patrón sea representado por un número reducido, pero sustancial de atributos. Finalmente se procedió a implementar tres algoritmos de clasificación (un clasificador estadístico, una red neuronal perceptrón multicapa y una máquina de soporte vectorial) con el objeto de comparar la eficiencia de estos clasificadores en la tarea de separación de 4 tipos de estímulos (aire puro, r-carvone, isoamyl-acetato y hexanal). Este trabajo de tesis permitió llegar a dos conclusiones. Primero, la mejor estrategia para lograr un rendimiento aproximado a un 96% para cada clase, es análisis de componentes principales junto a una máquina de soporte vectorial. Como la metodología planteada se aplicó a dos poblaciones de señales, primero en aquellas medidas en sitios del bulbo olfativo de ratas con experiencia sensorial normal y luego en aquellas registradas en sitios del bulbo olfativo de ratas con privación sensorial olfativa temprana fue posible comparar los efectos de la experiencia sensorial en la capacidad del modelo para discriminar entre los cuatro estímulos. Los resultados obtenidos permiten concluir que las señales LFP contienen información suficiente para discriminar entre los 4 estímulos odorantes utilizados en las ratas normales, mientras que, en ratas privadas sensorialmente el desempeño es prácticamente análogo a una clasificación al azar.