No abstract

<p>En este trabajo se propone un filtrado adaptativo que incluye una etapa de calibración automática para la adquisición de señales EMG (Electromiografía). Se propone una técnica innovadora llamada “calibración automática” para minimizar el ruido provocado por el contacto de la piel con los sensores utilizados (electrodos) en condiciones de actividad física. Se utiliza filtrado adaptativo considerando que tanto la actividad física como la sudoración en personas son factores que alteran las condiciones de medición. La experimentación se ha realizado con personas que han desarrollado actividad física con diferentes condiciones de esfuerzo. Se ha utilizado la mejora relativa de la relación señal-ruido (RI-SNR) para comparar la técnica propuesta con filtros adaptativos que usan “ruido blanco” como señal de referencia. Este trabajo estuvo enfocado en los estimadores: Wiener, LMS y RLS, con mediciones realizadas antes y después de la actividad física. La técnica propuesta presenta una mejora de hasta un 45,49%, comparada con la correspondiente que utiliza “ruido blanco” para la calibración.</p>

No abstract

Electricity consumption patterns reveal energy demand behaviors and enable strategY implementation to increase efficiency using monitoring systems. However, incorrect patterns can be obtained when the time-series components of electricity demand are not considered. Hence, this research proposes a new method for handling time-series components that significantly improves the ability to obtain patterns and detect anomalies in electrical consumption profiles. Patterns are found using the proposed method and two widespread methods for handling the time-series components, in order to compare the results. Through this study, the conditions that electricity demand data must meet for making the time-series analysis useful are established. Finally, one year of real electricity consumption is analyzed for two different cases to evaluate the effect of time-series treatment in the detection of anomalies. The proposed method differentiates between periods of high or low energy demand, identifying contextual anomalies. The results indicate that it is possible to reduce time and effort involved in data analysis, and improve the reliability of monitoring systems, without adding complex procedures.

No abstract