Inicio · Parte 13 — Teoría de la información, señales y series
temporales: media, varianza, RMS, cruces por cero
espectrales: frecuencia dominante, centroide, entropía espectral
centroide = Σ f·P(f) / Σ P(f)Alimentar un modelo con una señal cruda de miles de muestras rara vez es la mejor opción: la dimensión es enorme, la información está diluida y el modelo tiene que aprender de cero lo que el procesamiento de señales ya sabe. La extracción de características condensa la señal en pocos números interpretables.
Las características temporales son baratas y describen la forma de la onda. La media detecta desplazamientos del nivel base, la varianza y el RMS miden la energía, y los cruces por cero son un estimador rudimentario pero muy usado del contenido de frecuencia: cuantos más cruces, más rápida es la señal.
Las características espectrales describen el contenido de frecuencia. La frecuencia dominante identifica la componente principal; el centroide espectral es la frecuencia media ponderada por potencia y se corresponde con la percepción de brillo en audio; la entropía espectral distingue una señal tonal —energía concentrada, entropía baja— de una ruidosa —energía repartida, entropía alta—. Esa última reutiliza la entropía de la clase 262 aplicada al espectro normalizado.
La disyuntiva frente al aprendizaje profundo es real y no tiene respuesta única. Las características diseñadas a mano son interpretables, baratas y funcionan con pocos datos; las aprendidas por una red superan a las manuales cuando hay datos abundantes. En la práctica se combinan, y entender las manuales sigue siendo necesario para diagnosticar qué está capturando el modelo.
Vector de características extraído de una señal de 256 muestras.
256 muestras a 256 Hz, componentes reales en 7 Hz y 23 Hz
características temporales:
media = −0,000308
varianza = 1,316705
RMS = 1,147478
cruces por cero = (proporcional al contenido rápido)
características espectrales:
frecuencia dominante = 7 Hz ✓ correcta
centroide espectral = 10,287014
entropía espectral = (concentración de la energía)
El centroide cae entre 7 y 23, más cerca de 7 porque
esa componente aporta más potencia.
De 256 números a un vector de 7: eso es lo que
recibe el modelo.Capstone: de una señal cruda a un vector de características.
python classes/part-13-teoria-de-la-informacion-senales-y-series/280-capstone-analizar-senal-y-construir-features/lab.py
compmath run 280muestrasfrecuencia_de_muestreo_Hzfeatures_temporalesfeatures_espectralescomponentes_reales_Hzdominante_detectada_correctamentevector_de_featuresuso{
"muestras": 256,
"frecuencia_de_muestreo_Hz": 256.0,
"features_temporales": {
"media": -0.000308,
"varianza": 1.316705,
"RMS": 1.147478,
"cruces_por_cero": 15,
"rango": 4.636723
},
"features_espectrales": {
"frecuencia_dominante_Hz": 7,
"centroide_espectral": 10.287014,
"entropia_espectral_bits": 0.81544,
"entropia_maxima_posible": 7.0,
"planitud_relativa": 0.116491
},
"componentes_reales_Hz": [
7,
23
],
"dominante_detectada_correctamente": true
}Clasificación de audio, reconocimiento de actividad con acelerómetros, diagnóstico de maquinaria, análisis de EEG y detección de anomalías en sensores.
La función de pérdida de casi todo clasificador es entropía cruzada; el VAE optimiza un ELBO con un término KL; las CNN son convoluciones aprendidas.
9780131988422 verificado en International ISBN Agency (2026-08-20).