{"id":1077,"date":"2026-02-02T12:21:25","date_gmt":"2026-02-02T12:21:25","guid":{"rendered":"http:\/\/webiar.iar.unlp.edu.ar\/?page_id=1077"},"modified":"2026-03-03T16:56:33","modified_gmt":"2026-03-03T16:56:33","slug":"procesamiento-inteligente-de-senales","status":"publish","type":"page","link":"https:\/\/www.iar.unlp.edu.ar\/index.php\/home_anterior\/investigacion-2\/procesamiento-inteligente-de-senales\/","title":{"rendered":"Procesamiento inteligente de se\u00f1ales"},"content":{"rendered":"

Procesamiento inteligente de se\u00f1ales<\/h3>\n
\n\t
\n

Desarrollo y estudio de algoritmos para el procesamiento de se\u00f1ales multidimensionales con aplicaciones and diversas \u00e1reas cient\u00edficas y tecnol\u00f3gicas.<\/p>\n

\n

Descomposiciones tensoriales aplicadas a problemas de procesamiento de se\u00f1ales, regresi\u00f3n y\u00a0Deep Learning<\/em><\/h3>\n

Las t\u00e9cnicas m\u00e1s modernas de procesamiento de se\u00f1ales y\u00a0Deep Learning<\/em>\u00a0requieren del procesamiento de datos con estructura multidimensional (tensores). Para la representaci\u00f3n \u00f3ptima de estos datos multidimensionales se desarrollan y estudian modelos de descomposici\u00f3n tensorial tales como la factorizaci\u00f3n de Tucker (Fig. 1) o las redes de tensores tipo\u00a0Tensor Train<\/em>\u00a0(TR) o\u00a0Tensor Ring<\/em>\u00a0(TR). Algunos problemas del procesamiento de se\u00f1ales moderno, como el Sensado Comprimido, tambi\u00e9n pueden abordarse a trav\u00e9s de descomposiciones tensoriales (Fig. 2)<\/p>\n

\n
\"\"<\/a>
Fig 1:\u00a0Reconstrucci\u00f3n de una se\u00f1al multidimensional a partir de proyecciones multilineales (Caiafa&Cichocki, 2015)<\/figcaption><\/figure>\n
<\/div>\n
<\/div>\n
<\/div>\n
<\/div>\n
\"\"<\/a>
\u00a0Fig. 2: Sensado Comprimido con se\u00f1ales multidimensionales (Caiafa&Cichocki, WIRES, 2013)<\/figcaption><\/figure>\n
<\/div>\n<\/div>\n<\/div>\n<\/div>\n
<\/div>\n
\n
\n

Procesamiento de im\u00e1genes de resonancia magn\u00e9tica de difusi\u00f3n y modelos de tractograf\u00eda en estudios de neurociencias<\/h3>\n

Las im\u00e1genes de resonancia magn\u00e9tica de difusi\u00f3n y los algoritmos de tractograf\u00eda permiten la obtenci\u00f3n de mapas de conexi\u00f3n cerebrales (conectomas) de manera no invasiva. Sin embargo, estos conectomas contienen errores por lo que es necesario depurarlos y validarlos mediante una comparaci\u00f3n con las se\u00f1ales observadas. Esta validaci\u00f3n requiere la manipulaci\u00f3n de grandes vol\u00famenes de datos por lo que se estudian modelos multidimensionales (ENCODE, Fig. 3) que permitan codificar la informaci\u00f3n de los conectomas de una manera eficiente.<\/p>\n

\n
\"\"<\/a>
Fig 3: Modelo ENCODE (Caiafa&Pestilli, Nature Scientific Reports, 2017 \u2013 NIPS, 2017)<\/figcaption><\/figure>\n<\/div>\n
<\/div>\n

An\u00e1lisis de se\u00f1ales de activaci\u00f3n neuronal en experimentos de aprendizaje:<\/strong><\/h3>\n

Para comprender c\u00f3mo el cerebro codifica informaci\u00f3n durante una tarea de discriminaci\u00f3n de est\u00edmulos, se estudian las se\u00f1ales neuronales registradas en ratas durante un experimento de laboratorio. Se desarrollan modelos matem\u00e1ticos para cuantificar la informaci\u00f3n neuronal basados en la teor\u00eda de la informaci\u00f3n de Shannon y relacionar as\u00ed las medidas de informaci\u00f3n en distintas \u00e1reas del cerebro a partir de las se\u00f1ales registradas (Fig. 4)<\/p>\n

\"\"<\/a>
Fig. 4: An\u00e1lisis de activaci\u00f3n neuronal en ratas (Mininni et al, Nature Scientific Reports, 2018)<\/figcaption><\/figure>\n<\/div>\n
\n
<\/div>\n
<\/div>\n<\/div>\n<\/div>\n
\n

Detecci\u00f3n de estructuras de Hidr\u00f3geno neutro en la V\u00eda L\u00e1ctea y estimaci\u00f3n de sus masas<\/h3>\n

Se desarrollan algoritmos de detecci\u00f3n y estimaci\u00f3n de masas asociadas a las estructuras de tipo c\u00e1scara (shells<\/em>) para la conformaci\u00f3n de cat\u00e1logos y posterior an\u00e1lisis de distribuci\u00f3n de dichas estructuras en la galaxia (Fig. 5). El objetivo es comprender el origen de esas estructuras observada en nuestra galaxia.<\/p>\n

\"\"<\/a>
Fig. 5: Detecci\u00f3n semiautom\u00e1tica de shells en la V\u00eda L\u00e1ctea (Suad et al, Astronomy & Astrophysics, 2014)<\/figcaption><\/figure>\n
<\/div>\n<\/div>\n
\n

Redes complejas, modelos y an\u00e1lisis de series temporales<\/h3>\n

Para el estudio de sistemas complejos de agentes que interact\u00faan, se desarrollan modelos din\u00e1micos (ecuaciones diferenciales). Estos modelos son estudiados de manera te\u00f3rica y validados a trav\u00e9s de simulaciones num\u00e9ricas (Fig. 6). Se analiza, por ejemplo, las condiciones para la aparici\u00f3n de comportamientos ca\u00f3ticos o formaci\u00f3n de grupos (clusters<\/em>) en sistemas din\u00e1micos de redes complejas.<\/p>\n

\"\"<\/a>
Fig. 6: Din\u00e1mica de sistemas multiagentes cooperativos (Caram et al, Phys. Rev. E, 2015)<\/figcaption><\/figure>\n
<\/div>\n
<\/div>\n<\/div>\n
\n

Algoritmos de deconvoluci\u00f3n y separaci\u00f3n ciega de fuentes<\/h3>\n

En algunas aplicaciones cient\u00edficas o tecnol\u00f3gicas las observaciones contienen una combinaci\u00f3n lineal de las se\u00f1ales de inter\u00e9s y es necesario aplicar algoritmos de deconvoluci\u00f3n o separaci\u00f3n ciega de fuentes (Fig. 7). Se desarrollan nuevos algoritmos de separaci\u00f3n ciega de fuentes para resolver problemas espec\u00edficos, por ejemplo, con im\u00e1genes hiperespectrales satelitales (Fig. 8) e im\u00e1genes astron\u00f3micas.<\/p>\n

\"\"<\/a>
Fig. 7: (a) El problema de la separaci\u00f3n ciega de fuentes y (b) la deconvoluci\u00f3n ciega con no-linealidades (Sol\u00e9-Casals et al, PLoS ONE, 2016)<\/figcaption><\/figure>\n

 <\/p>\n

\"\"<\/a>
Fig. 8: Separaci\u00f3n de fuentes en im\u00e1genes satelitales hiperespectrales (Caiafa et al, Signal Processing, 2008)<\/figcaption><\/figure>\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div><\/div><\/div><\/div>\n\n
\n\t\t\t\n\t\t\n\t\t\t\n\t\t\t<<\t\t<\/span>\n\t\t\t<\/a>\n\t<\/div>\n<\/div><\/div><\/div><\/div><\/div><\/div>","protected":false},"excerpt":{"rendered":"

Desarrollo y estudio de algoritmos para el procesamiento de se\u00f1ales multidimensionales con aplicaciones and diversas \u00e1reas cient\u00edficas y tecnol\u00f3gicas. Descomposiciones tensoriales aplicadas a problemas de procesamiento de se\u00f1ales, regresi\u00f3n y\u00a0Deep …<\/p>\n","protected":false},"author":3,"featured_media":0,"parent":766,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-1077","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/pages\/1077","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/comments?post=1077"}],"version-history":[{"count":9,"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/pages\/1077\/revisions"}],"predecessor-version":[{"id":2428,"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/pages\/1077\/revisions\/2428"}],"up":[{"embeddable":true,"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/pages\/766"}],"wp:attachment":[{"href":"https:\/\/www.iar.unlp.edu.ar\/index.php\/wp-json\/wp\/v2\/media?parent=1077"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}