Pasar al contenido principal

Proyectos de investigación

Aplicaciones de la Teoría de la Información al procesamiento de datos de secuenciación de genomas por nanoporos (2017)

Participantes: Guillermo Dufort y Álvarez, Álvaro Martín (responsable), Gadiel Seroussi, José Sotelo Silveira
Financiación: CSIC

En 2015 se liberó la primera versión comercial de un secuenciador de genomas por nanoporos, una tecnología que se perfila como la próxima generación de instrumentos de secuenciación. Este tipo de secuenciadores generan lecturas de fragmentos de secuencia de ADN, \emph{reads}, muy largos, lo cual en general es ventajoso, pero con una tasa de errores de lectura elevada. Determinados tipos de procesamiento sobre reads con estas características demandan un tratamiento específico, que no siempre ha sido investigado profundamente, y que pensamos que va a tener una importancia central en la medida que el uso de esta tecnología se difunda. En este proyecto nos proponemos investigar algoritmos de compresión para diversos tipos de datos de secuenciación por nanoporos y la aplicación de técnicas de reducción de ruido.

Electroencefalógrafo inalámbrico de bajo consumo de energía (2015 - 2017)

Participantes: Ignacio Capurro, Guillermo Dufort y Álvarez, Federico Favaro, Federico Lecumberry, Álvaro Martín (responsable), Juan Pablo Oliver, Julián Oreggioni, Julio Pérez, Ignacio Ramírez (responsable), Gadiel Seroussi, Leonardo Steinfeld
Financiación: CSIC

En este proyecto nos proponemos investigar el ahorro de energía que puede obtenerse en electroecefalógrafos inalámbricos a través del uso de esquemas de codificación eficientes (compresión). Mediremos el consumo de energía que se obtiene con diferentes alternativas de codificación, evaluando experimentalmente la relación de compromiso que existe entre complejidad algorítmica (que se traduce a un mayor consumo de energía para su ejecución) y eficiencia de compresión (que redunda en menor consumo de energía para la transmisión). Por otro lado, la mayor eficiencia de transmisión de información que se obtiene a través de la compresión abre la posibilidad de llegar a tasas de muestreo mayores que las que se podrían alcanzar sin comprimir las señales.

Interfaz Cerebro-Computadora de baja complejidad (2013 - 2015)

Participantes: Ignacio Capurro, Federico Lecumberry, Álvaro Martín (responsable), Martín Patrone, Eugenio Rovira, Ignacio Ramírez (responsable), Gadiel Seroussi
Financiación: CSIC

En este proyecto investigaremos la aplicación de técnicas de Procesamiento de Señales y de Teoría de la Información al desarrollo de interfaces cerebrocomputadora portátiles, basadas en electroencefalogramas, con bajo consumo de energía en el electroencefalógrafo. En particular estudiaremos algoritmos de baja complejidad que puedan aplicarse a la compresión de electroencefalogramas, con el objetivo de reducir el consumo de energía destinado a la transmisión inalámbriga entre el electroencefalógrafo y un equipo que analiza las señales.

Estimación eficiente de modelos estocásticos (2011 - 2013)

Participantes: Álvaro Martín (responsable), Gadiel Seroussi, Luciana Vitale
Financiación: CSIC

La estimación de modelos estocásticos a partir de secuencias de símbolos de un determinado alfabeto es una pieza clave en una gran cantidad de aplicaciones prácticas, como en diversos algoritmos de compresión de datos, simulación y predicción. En este proyecto nos concentramos en algunas variantes de modelos de Markov que tienen aplicación corriente en diferentes áreas de la Teoría de la Información. Para este tipo de modelos, existen algoritmos de estimación que son eficientes desde un punto de vista teórico, en el sentido de que requieren un tiempo de ejecución y una cantidad de memoria lineales en el largo de la secuencia de entrada. En la práctica, sin embargo, los requerimientos de memoria de estos algoritmos pueden ser prohibitivos para secuencias de entrada grandes. Estudiaremos propiedades teóricas de los modelos en cuestión y sus estimadores, así como nuevos algoritmos de recolección de información estadística de secuencias, que permitan estimar en la práctica el mejor modelo para una secuencia, eficientemente, para secuencias de mayor tamaño que lo que permiten los algoritmos conocidos hasta hoy.

Estudio de Modelos Árbol en Teoría de la Información (2007 - 2008)

Participantes: Álvaro Martín (responsable)
Financiación: PDT

Los modelos árbol, que en la comunidad estadística han recibido el nombre de cadenas de Markov de largo variable,  proveen un mecanismo para "juntar" estados de una cadena de Markov que comparten la misma distribución de probabilidad. En aplicaciones prácticas, estos modelos permiten frecuentemente una reducción importante en la cantidad de parámetros escalares libres (probabilidades condicionales en cada estado) necesarios para modelar un proceso estocástico. En este proyecto estudiamos propiedades teóricas de los modelos árbol y algunas aplicaciones en compresión de datos.

Estudio de modelos para procesos estocásticos de memoria finita (2005 - 2007)

Participantes: Álvaro Martín, Alfredo Viola (responsable)
Financiación: CSIC

El objetivo de este proyecto es lograr un entendimiento profundo de las propiedades de modelos árbol para procesos de memoria finita. Avances en esta línea tienen interés tanto teórico como práctico, con aplicaciones importantes, por ejemplo, en algoritmos de compresión y simulación.