Modal Analysis in Non-Stationary Processes
Applications in Electrophysiological Signals
Lucas Esteban Escobar-Correa; Luis David Avendaño-Valencia; Edilson Delgado Trejos
Licencia de minería de texto y datos
Declarado por la editorial el 10 octubre 2026 a las 19:03:35 UTC
El titular de derechos se reserva expresamente sus derechos de reproducción, extracción y reutilización para fines de minería de textos y datos (TDM) y de entrenamiento de modelos de inteligencia artificial, de conformidad con el Art. 4(3) de la Directiva (UE) 2019/790, el Art. 53(1)(c) del Reglamento (UE) 2024/1689 (AI Act), el Art. 13 del Acuerdo ADPIC/TRIPS de la OMC, la Decisión Andina 351 de 1993 y las leyes nacionales aplicables en los territorios de residencia del titular, de realización de la reproducción y/o comercialización del Large Language Model u otro tipo de IA resultante.
Esta reserva cubre toda reproducción digital de la obra con independencia del soporte de la copia de origen (impreso o digital) y es efectiva desde la fecha certificada de esta declaración.
En América Latina, donde no existe excepción legal para el entrenamiento de IA, esta declaración constituye evidencia pública de que el titular no ha otorgado autorización. En la Unión Europea, activa la reserva máquina-legible exigida por el Art. 4(3) CDSM y el Art. 53(1)(c) AI Act. En Estados Unidos, señaliza la existencia de un mercado de licencias TDM a efectos del factor 4 del análisis de fair use.
Cualquier uso de la obra para los fines aquí reservados requiere autorización previa y expresa del titular de derechos.
Sello de integridad
Declaración selladaLa declaración fue sellada ante una autoridad de sellado de tiempo independiente (RFC 3161) y su contenido identificado con ISCC (ISO 24138): cualquier tercero puede verificar que existía en esa fecha y que no ha sido alterada. Descargar evidencia criptográfica (.tsr) · ¿Cómo se verifica?
Formatos
| Formato | ISBN | Recordreference | DOI | Año |
|---|---|---|---|---|
| E-book · ed. 1 | 9786287751552 | SIMEHEBOOK91XRUSTFK7MKGJ40ZU5M | 10.22430/reporte.8299 | 2026 |
Sobre esta obra
Electrophysiological signals, such as electroencephalography (EEG) signals, are complex by nature, exhibiting non-linear and non-stationary behavior, leading to limitations in their analysis and the development of effective clinical applications. Modal decomposition has proven valuable for studying the dynamic of physiological systems, particularly in disease diagnosis and functional state detection, by decomposing signals into modes that capture essential information. However, existing methods face difficulties with time-varying noise and singularities, such as crossing frequencies and vanishing amplitude components, leading to imprecise applications.
The proposed approach in this research book aims to evaluate the EKFs method and two optimized approaches of this technique, using the Metropolis-Hastings Markov Chain Monte Carlo (EKFs−MH) and Expectation-Maximization (EKFs−EM) algorithms, with both a numerically generated non-stationary signal and EEG signals for seizure prediction. The optimized approaches demonstrated superior performance, successfully managing singularities and minimizing errors in state-space representation.