7.2 FASES DE ENTRENAMIENTO Y TESTUna vez extraídos los histogramas <strong>de</strong> las medidas <strong>de</strong> calidad dividimos la base<strong>de</strong> datos y procedimos a obt<strong>en</strong>er resultados medibles mediante valores, <strong>en</strong> estecaso utilizamos el EMC.Com<strong>en</strong>zamos con la búsqueda <strong>de</strong> los mejores subconjuntos <strong>de</strong> medidas(aquellos que obtuvies<strong>en</strong> mínimo EMC) utilizando el algoritmo SFFS.A la salida <strong>de</strong> la fase <strong>de</strong> <strong>en</strong>tr<strong>en</strong>ami<strong>en</strong>to obtuvimos los resultados que se pue<strong>de</strong>nobservar <strong>en</strong> la tabla 3. Una vez que el mínimo EMC es alcanzado, utilizamoslos mejores subconjuntos <strong>de</strong> medidas <strong>de</strong> calidad para clasificar las imág<strong>en</strong>es <strong>de</strong>test (que durante todo el <strong>de</strong>sarrollo <strong>de</strong>l proyecto han sido mant<strong>en</strong>idas separadas<strong>de</strong> las muestras <strong>de</strong>l conjunto <strong>de</strong> <strong>en</strong>tr<strong>en</strong>ami<strong>en</strong>to) para obt<strong>en</strong>er resultadostotalm<strong>en</strong>te imparciales sobre la capacidad discriminativa <strong>de</strong>l sistema.En la tabla 3 también indicamos los resultados <strong>de</strong> clasificación <strong>de</strong>l proyecto.Por claridad, sólo se muestran los mejores subconjuntos <strong>de</strong> características <strong>en</strong> el<strong>en</strong>tr<strong>en</strong>ami<strong>en</strong>to. Se muestran los valores <strong>de</strong> error medio <strong>de</strong> clasificación para elconjunto <strong>de</strong> <strong>en</strong>tr<strong>en</strong>ami<strong>en</strong>to (<strong>en</strong>fr<strong>en</strong>tando 200 imág<strong>en</strong>es a otras 200 y viceversa)y para el conjunto <strong>de</strong> test (<strong>en</strong>fr<strong>en</strong>tando las 1200 imág<strong>en</strong>es <strong>de</strong> test al algoritmo<strong>en</strong>tr<strong>en</strong>ado con las 400 <strong>de</strong> <strong>en</strong>tr<strong>en</strong>ami<strong>en</strong>to).Or<strong>de</strong>n Subconjunto Clase EMC <strong>en</strong>tr<strong>en</strong>ami<strong>en</strong>to(%)EMC test(%)MCI6 Oclusión 19,25 24,00MCI10 Oclusión 19,25 20,871MCI11 Oclusión 18,50 22,50MCI13 Contraste 5,75 7,37MCI19 Oclusión 4,25 10,50MCI21 Oclusión 14,75 14,62MCI19 + MCI4 Oclusión + <strong>en</strong>foque 2,25 5MCI19 + MCI13 Oclusión + contraste 0,25 3MCI19 + MCI14 Oclusión + contraste 2,75 6,502 MCI19 + MCI15 Oclusión + <strong>en</strong>foque 2,50 4,75MCI19 + MCI21 Oclusión + Oclusión 4,00 5,37MCI19 + MCI22Oclusión +dilatación0,00 0,003MCI19 + MCI22+ MCI13Ocl+dilat+ contras. 0,00 0,004MCI19 + MCI22 Ocl + dilat++ MCI13+… contras.+…0,00 0,00Tabla 3.Resultados <strong>de</strong> clasificación para los mejores subconjuntos <strong>de</strong> características.58
Se pue<strong>de</strong>n sacar varias conclusiones <strong>de</strong> los resultados mostrados <strong>en</strong> la Tabla 3:i) El método propuesto pres<strong>en</strong>ta un gran pot<strong>en</strong>cial como nuevo método paraprev<strong>en</strong>ir ataques directo, obt<strong>en</strong>i<strong>en</strong>do un 100% <strong>de</strong> acierto clasificandocorrectam<strong>en</strong>te las muestras <strong>de</strong> nuestra base <strong>de</strong> datos.ii)iii)iv)Para las imág<strong>en</strong>es falsas usadas <strong>en</strong> el experim<strong>en</strong>to (imág<strong>en</strong>es <strong>de</strong> alta calidadimpresas) las características <strong>de</strong> oclusión parec<strong>en</strong> pres<strong>en</strong>tar el mejorcomportami<strong>en</strong>to individual para la <strong>de</strong>tección <strong>de</strong> <strong>vida</strong>.Cuando varias características son combinadas el mejor comportami<strong>en</strong>to es<strong>de</strong>bido a la complem<strong>en</strong>tariedad <strong>de</strong> los parámetros midi<strong>en</strong>do difer<strong>en</strong>tescaracterísticas, lo que le hace al sistema ser más robusto (p.e. el primer 0%<strong>en</strong>errores se obti<strong>en</strong>e al combinar un parámetro <strong>de</strong> oclusión con otro <strong>de</strong> dilatación).El comportami<strong>en</strong>to similar <strong>de</strong> los resultados <strong>en</strong> <strong>en</strong>tr<strong>en</strong>ami<strong>en</strong>to y test nos indicanque los resultados no son <strong>de</strong>p<strong>en</strong>di<strong>en</strong>tes <strong>de</strong> las muestras utilizadas <strong>en</strong> ambossubconjuntos e invitan a p<strong>en</strong>sar que estos bu<strong>en</strong>os resultados se puedan mant<strong>en</strong>ercon otras bases <strong>de</strong> datos.59