Procesamiento de Señales

El procesamiento de señales es la rama de la ingeniería y las matemáticas que analiza, modifica y sintetiza señales: magnitudes que varían en el tiempo o el espacio y transportan información, como el sonido, las imágenes, el vídeo, las señales biomédicas (el electrocardiograma o ECG, el electroencefalograma o EEG) o las lecturas de sensores. Según la IEEE Signal Processing Society, el término «señal» abarca desde el audio y el habla hasta el radar, el sonar y las señales médicas o musicales.

No es una técnica «de inteligencia artificial», sino un campo clásico —anterior a la IA moderna— del que la IA se sirve constantemente. Su objetivo es extraer información útil de una señal, limpiarla de ruido o transformarla para transmitirla, almacenarla o interpretarla.

Dominio del tiempo, dominio de la frecuencia y la transformada de Fourier

Una misma señal puede describirse de dos maneras. En el dominio del tiempo se observa cómo cambia su amplitud instante a instante: así capta un micrófono una onda sonora. En el dominio de la frecuencia se ve de qué frecuencias (tonos) está compuesta y con qué intensidad aparece cada una. La transformada de Fourier, que debe su nombre al matemático Jean-Baptiste Joseph Fourier, es el puente entre ambos: descompone una señal en la suma de ondas sinusoidales que la forman y permite pasar del tiempo a la frecuencia y volver. Muchos problemas difíciles de resolver mirando la forma de onda se vuelven evidentes en el dominio de la frecuencia.

Muestreo y filtrado

El filtrado es la otra operación básica. Un filtro paso bajo deja pasar las frecuencias bajas y atenúa las altas (suaviza y elimina ruido agudo); un filtro paso alto hace lo contrario (elimina, por ejemplo, la deriva lenta de la línea de base de un ECG); un filtro paso banda conserva solo una franja de frecuencias. Filtrar es, en esencia, decidir qué parte del espectro se conserva y cuál se descarta.

Procesamiento de señales e inteligencia artificial

Durante décadas, alimentar un modelo con una señal cruda daba malos resultados, así que los ingenieros extraían a mano «características» que resumían lo relevante. En reconocimiento de voz, el ejemplo canónico son los MFCC (coeficientes cepstrales en las frecuencias de Mel), que comprimen el espectro del habla imitando cómo percibe el oído humano. Hoy, el aprendizaje profundo a menudo aprende directamente de la señal cruda —la forma de onda o el espectrograma— y descubre por sí mismo las características útiles. Pero el procesamiento de señales no ha desaparecido: sigue siendo esencial en la adquisición (sensores, conversión analógico-digital), en el preprocesado (muestreo, filtrado, normalización) y en innumerables sistemas embebidos donde no cabe un gran modelo. La IA usa el procesamiento de señales; no lo sustituye.