Estudio de la capacidad de las medidas de entropía de permutación para detectar cambios en conjuntos de datos de alta dimensionalidad
30/07/2026
Juan Gancio defendió su tesis codirigida por Cristina Masoller y Giulio Tirabassi el 30 de Julio en el Campus Terrassa. Titulada " Characterizing and detecting changes in complex multidimensional data with permutation entropy". La tesis analiza la capacidad de medidas basadas en la entropía de permutación para detectar cambios y caracterizar datos complejos en tres áreas interdisciplinarias: datos generados por láseres altamente multimodo, datos climatológicos y señales de electroencefalograma (EEG).
El análisis de señales obtenidas de sistemas dinámicos complejos es muy importante, no solo desde el punto de vista de muchas aplicaciones prácticas interdisciplinarias, sino también, desde el punto de vista de la ciencia fundamental, para elucidar los mecanismos subyacentes que generan comportamientos complejos. Una de las posibles técnicas utilizada para la extracción de características es el análisis ordinal, propuesto más de 20 años atrás y que mira al orden relativo de los datos para determinar diferentes aspectos de los sistemas, como cuán predecibles, complejos o eficientes son.
El objetivo principal de esta tesis es demostrar nuevas aplicaciones del análisis de patrones ordinales para revelar estructuras temporales y espaciales en datos de sistemas reales y complejos. Específicamente, analizo datos experimentales obtenidos durante el encendido de un láser multimodo complejo, señales de EEG proveniente de sujetos sanos en diferentes condiciones experimentales (ojos abiertos u ojos cerrados), y analizo y comparo dos conjuntos de datos climáticos muy conocidos de temperatura de la superficie del mar, en dos regiones geográficas importantes (El Niño y la corriente del Golfo).
En su conjunto, los estudios llevados acabo en esta tesis demuestran que el análisis ordinal ofrece gran flexibilidad, permitiendo la selección de diferentes escales temporales y espaciales, o diferentes formas y orientaciones de los patrones, lo que permite obtener características relevantes que encapsulan información complementaria para caracterizar datos espacio-temporalmente complejos.
Compartir: