Conceptual framework

La primera evaluación del desempeño se realizó sobre los 1,361 SC correspondientes a la muestra de 90 FCG tomados de las bases PASCAL y HSCT11. Dado que este conjunto de FCG son en su mayoría de una buena calidad, el resultado esperado y obtenido fue alto, lograndose desempeños mayores al95 %enF1 para una ventana de error de 100 ms, como se resume en la Tabla4. Una comparación de la evolución deF1 entre las tres variantes propuestas y del método deSpringeret al.con respecto de diferentes ventanas de error se puede observar en la Figura33.

Tabla 4: Resumen del desempeño promedio para= 100ms. Análisis realizado sobre los 1,361 SC de la muestra de 90 FCG.

Evento Variante Sub-variante F1( %) Se( %) P+( %)

Onsets COW S 97.56 97.88 97.24 RS 97.62 97.81 97.44 AG S 91.13±0.833 91.46±0.745 90.80±0.892 RS 87.90±1.22 88.49±1.19 87.32±1.46 ED S 97.28±0.145 96.69±0.156 97.88±0.175 RS 96.63±0.182 95.70±0.173 97.58±0.176 Springer(1) 95.85 96.95 94.77 Offsets COW S 96.94 97.46 96.43 RS 97.02 97.32 96.72 AG S 90.98±0.717 91.73±0.676 90.24±0.874 RS 87.70±1.02 88.66±0.867 86.76±1.25 ED S 96.85±0.19 96.49±0.19 97.21±0.22 RS 96.26±0.172 95.81±0.173 96.71±0.222 Springer(1) 95.50 96.60 94.42 Springeret al.(2016)(2) 96.49±0.64 96.22 96.75 (1) No se reporta variación entre las 25 pruebas ya que ésta resultó ser insignificante.

(2) Resultados reportados por el autor, obtenidos sobre conjunto A de la base PhysioNet.

El desempeño deF1 para el total de FCG se resume en la Tabla5y se ilustra en la Figura34, en donde se puede observar un comportamiento similar al obtenido para la muestra de 90 FCG, mas cada variante presentó un déficit de eficiencia cercano al 4 %. Al comparar el desempeño para onsets, se sigue observando un mejor resultado de SEF-COW, con SEF-ED presentado un déficit menor al 2 %. Para los offsets, cada variante presentó un error alto, ya que solo fue posible

llegar al 90 % de desempeño hasta que se sobrepaso un error de 100 ms.

Tabla 5: Resumen del desempeño promedio para= 100ms. Análisis realizado sobre el total de 185,462 SC.

Evento Variante Sub-Variante. F1( %) Se( %) P+( %)

Onsets COW S 94.93 94.96 94.9 RS 93.65 92.71 94.61 AG S 87.55±0.096 86.6±0.11 88.47±0.107 RS 83.91±0.159 82.71±0.15 85.15±0.164 ED S 93.62±0.02 92.19±0.027 95.09±0.021 RS 91.69±0.023 89.59±0.032 93.88±0.031 Offsets COW S 90.88 91.09 90.68 RS 88.93 88.24 89.63 AG S 87.05±0.065 87.21±0.056 86.89±0.084 RS 82.85±0.103 82.40±0.109 83.31±0.107 ED S 92.45±0.028 91.73±0.033 93.18±0.03 RS 89.34±0.03 87.97±0.032 90.76±0.036 Springeret al.(2016)* 96.49±0.64 96.22 96.75

*Resultados reportados por el autor, obtenidos sobre conjunto A de la base PhysioNet.

Al observar la evolución de F1 para el caso con 90 audios y para el total de FCG (Figu- ras33 y 34) se pueden observar una diferencia notable entre onsets y offsets. Para la muestra de 90 FCG, en los onsets se alcanzó una eficiencia alta, logrando desempeños mayores al 95 % para SEF-COW y SEF-ED, y 88 % para SEF-AG, para ventanas de error mayores de 50 ms. Así mismo se puede observar que se logró un desempeño similar al método planteado porSpringer et al.. La detección de offsets por otro lado presentó un reto mayor, como se puede observar en el comportamiento del desempeño de cada método; mas se podrá observar que para ventanas de error grandes, el desempeño alcanza valores similares a los obtenidos para el caso de los onsets.

Una posible explicación del mayor error observado en los offsets puede encontrarse al con- siderar que los SC tienden a presentar un comportamiento en su envolvente similar al ilustrado en la Figura9, en donde la etapa de desvanecimientoenmascarala brusquedad del offsets. Re- cordando que para el cálculo de la función de detección de los offsets se invierte la señal del FCG (x(−n)), la presencia del desvanecimiento provocará que en el cálculo del SEF la máxima variación estará asociada al punto donde se presente el mayor cambio, que para el FCG inverti- do resulta ser en el punto donde se da la etapa de decaimiento y no eloffset deseado. Aunado a esto, este comportamiento menos abrupto tendrá como consecuencia un mayor porcentaje de artefactos en la función de detección, provocando que la etapa de selección se equivoque con

mayor frecuencia.

Figura 33: Comparación del desempeño deF1vsde cada variante propuesta y del método deSpringeret al. (2016), en la detección de onsets y offsets. Análisis realizado tomando en conjunto los 1,361 SC correspon- dientes a la muestra de 90 FCG de la base PASCAL y HSCT11, con STFT sin reasignar.

Figura 34: Comparación del desempeño global deF1vspor cada variante propuesta en la detección de onsets y offsets. Análisis realizado tomando en conjunto los 185,462 SC correspondientes al total de FCG, con STFT sin reasignar.

Es interesante notar que esta deficiencia con respecto de los offsets se presenta también en el método propuesto por Springer et al., como se podrá observar en la evolución de su desem- peño (Figura 33). Esto puede tener una explicación de la misma índole, ya que los párametros que utilizan estos autores para determinar cada estado de su modelo oculto de Markov se funda- mentan en envolventes basadas en la energía de la señal, como lo es la energía de Shannon o la transformada de Hilbert.

desempeño paraSey P+, como se presenta en la Figura35 para la muestra de 90 audios; y en la Figura36para el total de FCG.

Figura 35: Comparación del desempeño deSeyP+vsde cada variante propuesta y del método deSpringer et al.(2016), en la detección de onsets y offsets. Análisis realizado tomando en conjunto los 1,361 SC corres- pondientes a la muestra de 90 FCG de la base PASCAL y HSCT11, con STFT sin reasignar.

El uso del AG en la etapa de selección provoca el peor desempeño para onsets y offsets. Sin embargo, como se podrá notar para errores altos, el porcentaje de identificación de onsets y off- sets alcanza valores similares a los obtenidos por COW y ED. Una posible explicación de esto se puede deducir al considerar el comportamiento aleatorio en el que se fundamenta. En contraste con ED, que fundamenta solo su etapa Combinación en la generación de números aleatorio, el AG fundamenta las etapas de Selección-Padres, de Mutación y de Combinación en la generación de números aleatorios; provocando una convergencia menossuave, como se puede observar en valores de confianza alejados de la media para SEF-AG, y valores pequeños para SEF-ED. Es interesante notar que ambas variantes no dinámicas presentaron el mejor desempeño para

ventanas de error muy pequeñas, cercanas a los 10 ms; lo cual puede ser un indicador de la ca- pacidad de estos de ignorar máximos locales, es decir, artefactos cercanos los onsets/offsets que se desean seleccionar.

Figura 36: Comparación del desempeño deSeyP+_{vspor cada variante propuesta en la detección de onsets} y offsets. Análisis realizado tomando en conjunto los 185,462 sonidos correspondientes al total de FCG, con STFT sin reasignar.

DeF1 (Figura33), la variante SEF-COW y la variante SEF-ED presentaron desempeños muy parecidos. Para los onsets, SEF-COW presentó una ligera ventaja con respecto de SEF-ED; lle- gando ambos a presentar una ventaja cercana al 1 % para un error de 50 ms con respecto del método deSpringer et al.. Para los offsets esta situación se repite, mas la variante SEF-ED pre- sentó una ligera ventaja en ventanas de error menores a los 100 ms. Este parecido enF1 entre ambos métodos no expresa sin embargo de manera adecuada la posible similitud de desempeño. ParaSe(Figura35) SEF-COW y el método deSpringeret al.presentaron el mejor desempeño en los onsets, con SEF-ED presentando un déficit cercano al 1 % con respecto de ambos métodos

para una ventana de error de 50 ms. Para los offsets, esta situación se invierte, mas conforme aumenta el error, SEF-COW y el método deSpringer et al. alcanzan y superan a SEF-ED. Para

P+(Figura35), el método SEF-ED supera al resto de métodos para los onsets y offsets; mientras que el método deSpringeret al.presenta déficit con respecto de SEF-COW y SEF-ED.

Para el total de FCG, en Se y P+ _{se tiene un comportamiento similar al observado con la} muestra de 90 FCG. Para Onsets, la variante SEF-COW presentó el mejor desempeño en Se, superando a SEF-DE por 2 % y cerca de 7 % a SEF-AG para una ventana de error de 50 ms. En el caso de los offsets, el desempeño en Sede SEF-ED y SEF-AG supera inicialmente al de SEF-COW, sin embargo para un error mayor a los 100 ms esta variante supera a las de tipo no dinámico. Para el caso deP+, se puede observar que SEF-ED supera a las otras dos variantes en la detección de onsets y offsets, mas su ventaja es mínima con respecto de SEF-COW.

Es interesante resaltar que, bajo condiciones similares y con una muestra de 90 FCG, se puede observar que el método de segmentación propuesto, en sus variantes COW y ED, presentan un desempeño equivalente e incluso superior al método propuesto porSpringeret al.(2016).