Introducción y Justificación: En el ámbito del procesamiento de señales y el análisis de datos, las técnicas de inteligencia artificial juegan un papel fundamental en la extracción de patrones y la toma de decisiones basada en datos. Una parte esencial de este proceso es la representación de las señales en forma de espectrogramas, que permiten visualizar las componentes de frecuencia y sus cambios a lo largo del tiempo. Dos enfoques ampliamente utilizados para generar espectrogramas son la Transformada Rápida de Fourier (FFT) y las Wavelets. Sin embargo, es fundamental entender cómo estas técnicas afectan el rendimiento de los algoritmos de inteligencia artificial que operan en estos espectrogramas. Objetivos del Trabajo: El objetivo principal de este Trabajo Final de Máster es comparar y analizar el rendimiento de un algoritmo de inteligencia artificial cuando se alimenta con espectrogramas generados mediante la FFT y las Wavelets. Para lograr esto, se abordarán los siguientes puntos: Generación de Espectrogramas: Se implementarán los procesos de generación de espectrogramas utilizando tanto la FFT como las Wavelets para un conjunto de señales de interés. Selección de Algoritmo de Inteligencia Artificial: Se elegirá un algoritmo representativo de inteligencia artificial, como una red neuronal convolucional (CNN) u otro apropiado para el análisis de espectrogramas. Diseño Experimental: Se diseñará un experimento que incluya la evaluación del algoritmo en términos de precisión, velocidad de convergencia y robustez utilizando los espectrogramas generados por ambos métodos. Análisis Comparativo: Se compararán los resultados obtenidos de manera cuantitativa y cualitativa para determinar cómo la elección de la técnica de generación de espectrogramas influye en el rendimiento del algoritmo de inteligencia artificial. Contribuciones Esperadas: Este trabajo contribuirá a una comprensión más profunda de cómo la elección de la técnica de generación de espectrogramas puede impactar en el rendimiento de los algoritmos de inteligencia artificial. Los resultados podrían revelar ventajas y desventajas específicas de cada enfoque en términos de detección de patrones, velocidad de procesamiento y adaptabilidad a diferentes tipos de señales. Aplicaciones Potenciales: Los resultados de esta investigación podrían ser aplicados en una amplia gama de campos, incluyendo análisis de señales biomédicas, procesamiento de audio y análisis de series temporales. Las conclusiones podrían guiar la selección de la técnica más adecuada para el análisis de datos en contextos específicos. Metodología: La investigación se llevará a cabo a través de la implementación de los algoritmos de generación de espectrogramas, la selección y entrenamiento del algoritmo de inteligencia artificial, y la evaluación comparativa de su rendimiento en diferentes conjuntos de datos. Las métricas de evaluación se definirán en función de las características específicas de las señales y los objetivos del análisis.
