Complex Orthogonal Decomposition (C.O.D.) using Python

Este trabajo presenta la aplicación de la Descomposición Ortogonal Compleja (C.O.D.) para extraer modos espaciales y temporales de señales oscilatorias, incluyendo fundamentos teóricos y ejemplos prácticos con scripts en Python.

Lo esencial

¡Hola! Imagina que tienes un río muy ruidoso o un estanque con olas. Si miras el agua, ves un caos de movimientos: sube, baja, se mueve hacia la izquierda, hacia la derecha, todo al mismo tiempo.

Este documento es como un manual de instrucciones para un "desenredador mágico" llamado Descomposición Ortogonal Compleja (C.O.D.). Su trabajo es tomar ese caos de movimientos y separarlos en piezas individuales y ordenadas para entender qué está pasando realmente.

Aquí te lo explico paso a paso, como si fuera una historia:

1. El Problema: El Caos del "Pez Nadador"

Imagina que quieres estudiar cómo nada un pez. Su cuerpo se mueve como una ola.

• El enfoque antiguo (Fourier): Imagina que intentas describir ese movimiento usando solo reglas de "onda perfecta" (como las ondas de una radio). El problema es que el cuerpo del pez no es una onda perfecta; es una forma extraña y cambiante. Intentar describirlo con esas reglas es como intentar adivinar la forma de una nube usando solo cuadrados y círculos: no encaja bien y necesitas miles de piezas para que se parezca.
• La solución (C.O.D.): En lugar de forzar al pez a encajar en reglas rígidas, el C.O.D. dice: "Vamos a ver qué formas reales toma el pez y qué ritmos usa". Separa el movimiento en dos cosas:
  1. La forma espacial: ¿Cómo se dobla el cuerpo del pez en ese instante?
  2. El ritmo temporal: ¿Con qué velocidad se mueve esa forma?

2. La Magia: El "Espejo de Hilbert"

Para hacer esto, el método usa una herramienta matemática llamada Transformada de Hilbert.

• La analogía: Imagina que tienes una canción (el movimiento del pez). Solo escuchar la canción es difícil saber si la melodía viaja hacia adelante o si es una onda que se queda quieta vibrando.
• El C.O.D. crea un "espejo mágico" de esa canción. No solo escucha el sonido, sino que también escucha su "eco" o su sombra en el tiempo. Al combinar la canción original con su eco, crea una señal "compleja" (como tener una foto en 3D en lugar de una en 2D).
• Con esta visión en 3D, el algoritmo puede ver claramente si la onda viaja (como un tren) o si se queda parada vibrando (como una cuerda de guitarra).

3. El Índice de Viaje: ¿Tren o Guitarra?

Una de las cosas más geniales que hace este método es calcular un "Índice de Viaje". Es un número del 0 al 1 que te dice la naturaleza de la onda:

• Si es 0 (Cuerda de guitarra): Es una onda estacionaria. Imagina una cuerda de guitarra que vibra en su sitio. La forma no viaja, solo sube y baja.
• Si es 1 (Tren en movimiento): Es una onda viajera. Imagina una ola en el mar que avanza hacia la playa. La forma se desplaza a través del espacio.
• Si es 0.5: Es una mezcla de ambas.

Esto es crucial para los científicos porque, por ejemplo, si un pez nada de manera eficiente, probablemente usa ondas viajeras (índice alto). Si es ineficiente, quizás usa ondas estacionarias.

4. Los Ejemplos del Papel (La Prueba de Fuego)

Los autores probaron su "desenredador" con tres situaciones diferentes:

• Ejemplo 1: Olas en un tanque (El caso perfecto).
  Imagina dos ondas chocando en una piscina. Una es una onda quieta y otra viaja. El C.O.D. separó las dos ondas perfectamente, como si fuera un chef separando el yema de la clara de un huevo. Encontró exactamente las frecuencias y formas correctas.

• Ejemplo 2: Una onda que se apaga (El caso difícil).
  Imagina una onda que empieza fuerte y se va apagando poco a poco (como un sonido que se desvanece). Aquí el método tuvo que hacer una pequeña "aproximación" (un atajo matemático) porque la amplitud cambia. Funcionó muy bien, aunque hubo un pequeño error en los detalles finos, como cuando intentas copiar un dibujo borroso.

• Ejemplo 3: Una onda que cambia de ritmo (El caso complejo).
  Imagina una onda que cambia de velocidad constantemente (como un coche que acelera y frena). Aunque el ritmo cambia, la forma de la onda en el espacio sigue siendo la misma. El C.O.D. demostró que, aunque el "ritmo" es un caos de muchas frecuencias, la "forma" sigue siendo una sola pieza simple. ¡Es como descubrir que, aunque el conductor cambia de marcha, el coche sigue siendo el mismo!

5. ¿Y si los puntos no están alineados? (La cuadrícula irregular)

En el mundo real, a veces no podemos medir el agua en puntos perfectos y equidistantes (como si tuvieras sensores pegados en lugares aleatorios de la piscina).
El documento explica cómo adaptar el método para que funcione incluso con estos "puntos desordenados". Es como si el desenredador tuviera una regla flexible que se adapta a cualquier forma de medir, asegurando que la energía total se cuente correctamente sin importar dónde estén los sensores.

En Resumen

Este documento presenta una herramienta matemática inteligente (con código en Python listo para usar) que nos permite:

1. Ver lo invisible: Separar movimientos complejos en formas y ritmos simples.
2. Entender la dirección: Saber si algo viaja o vibra en su sitio.
3. Funcionar en la vida real: Incluso si los datos son ruidosos, cambian de intensidad o los sensores están mal colocados.

Es como tener unas gafas de rayos X para el movimiento de fluidos, peces o cualquier cosa que vibre, permitiéndonos ver la estructura oculta detrás del caos.

Resumen técnico

Aquí tienes un resumen técnico detallado del documento en español, estructurado según los puntos solicitados:

Resumen Técnico: Descomposición Ortogonal Compleja (C.O.D.) utilizando Python

Autores: Marc Vacher, Stéphane Perrard y Sophie Ramananarivo.
Instituciones: LadHyX (Ecole polytechnique) y PMMH (ESPCI).

---

1. El Problema

El documento aborda el desafío de analizar señales espacio-temporales oscilatorias ($s(t, x)$) donde la forma espacial de la onda es desconocida o no periódica.

• Limitaciones de los métodos tradicionales: En muchos casos físicos (como el movimiento de peces nadando o ondas en tanques), el movimiento no se descompone eficientemente en una base de Fourier espacio-temporal estándar. La descomposición en series de Fourier requiere un número muy alto de términos para capturar la dinámica, ya que la forma espacial no es trivial.
• Necesidad de información de fase: Para señales oscilatorias, la información de fase es crucial para distinguir entre ondas viajeras y ondas estacionarias, algo que los métodos de descomposición puramente reales a menudo no capturan con precisión.
• Contexto: Se busca una herramienta que pueda extraer modos espaciales y temporales acoplados, incluso cuando la señal no es estrictamente periódica o cuando la cuadrícula espacial no es uniforme.

2. Metodología

El artículo presenta la Descomposición Ortogonal Compleja (C.O.D.), una extensión de la Descomposición Ortogonal Propia (P.O.D.) que opera en el dominio complejo para preservar la información de fase.

A. Fundamentos Teóricos

1. Señal Analítica Compleja: Se utiliza la Transformada de Hilbert en la dimensión temporal para convertir la señal real $s(t, x)$ en una señal analítica compleja $s_c(t, x) = s(t, x) + i\mathcal{H}\{s(t, x)\}$. Esto permite separar la amplitud y la fase, eliminando frecuencias negativas.
2. Descomposición Modal: La señal compleja se descompone en una suma de modos separables:
   $$s_c(t, x) = \sum_{j=1}^{\infty} a_j(t) \phi_j(x)$$
   Donde:
   • $\phi_j(x)$ son modos espaciales complejos (ortonormales).
   • $a_j(t)$ son coeficientes temporales complejos (coordenadas ortogonales complejas).
3. Procedimiento Numérico (Discreto):
   • Se aplica la Transformada Rápida de Fourier (FFT) para obtener la señal compleja discretizada.
   • Se construye una matriz de covarianza temporal $R = \frac{1}{N_t} Z Z^\dagger$ (donde $Z$ es la transpuesta de la matriz de señal compleja).
   • Se resuelve el problema de valores propios de $R$ para obtener los modos espaciales ($\phi_j$) y las energías ($\lambda_j$).
   • Los coeficientes temporales se recuperan mediante proyección: $a_j = \phi_j^\dagger Z$.
4. Índice de Viaje (Travelling Index - $\alpha_j$):
   • Se introduce un escalar $\alpha_j \in [0, 1]$ para cuantificar el comportamiento de la onda.
   • Se calcula a partir de la matriz Gram de las partes real e imaginaria del modo espacial.
   • $\alpha_j = 1$: Onda puramente viajera (traza circular en el plano complejo).
   • $\alpha_j = 0$: Onda puramente estacionaria (modo real o imaginario puro).

B. Adaptaciones Especiales

• Cuadrículas No Uniformes: Se extiende el método a casos donde los puntos espaciales no están equidistantes (común en experimentos). Se introduce una matriz de pesos $W$ basada en la cuadratura numérica para definir un producto interno ponderado, asegurando la conservación de la energía y la ortogonalidad correcta.
• Señales No Estacionarias: Se analiza el caso de señales con amortiguamiento o modulación de frecuencia, demostrando que el método puede aproximar modos incluso cuando la amplitud o frecuencia varían en el tiempo (bajo ciertas condiciones de "desvanecimiento lento").

3. Contribuciones Clave

1. Marco Teórico y Práctico: El artículo no solo reafirma la teoría de la C.O.D. (originalmente propuesta por B. Feeny), sino que la formaliza para su implementación computacional moderna.
2. Paquete de Software Python: Se proporciona un paquete de código abierto (pack_COD) que incluye funciones para:
   • Ejecutar la descomposición.
   • Calcular el índice de viaje.
   • Manejar cuadrículas no uniformes.
   • Visualizar resultados.
3. Validación mediante Casos de Estudio: Se presentan tres ejemplos detallados con scripts de prueba (test_COD_ex_1.py a 3.py):
   • Olas en un tanque: Recuperación precisa de modos estacionarios y viajeros, validando la separación de frecuencias y la recuperación de amplitudes.
   • Onda estacionaria amortiguada: Demostración de que el método recupera la forma espacial correcta incluso con decaimiento exponencial, aunque con limitaciones en la precisión espectral debido a la aproximación de la transformada de Hilbert en señales no puramente periódicas.
   • Onda con modulación de frecuencia: Confirmación de que una única forma espacial puede asociarse a múltiples frecuencias temporales, y que la C.O.D. identifica correctamente un solo modo espacial con índice de viaje cero (estacionario), a pesar de la complejidad espectral temporal.
4. Extensión a Cuadrículas Irregulares: La formulación matemática y el código para manejar datos experimentales con espaciado no uniforme (sección VII).

4. Resultados

• Precisión en la Recuperación: En el caso de ondas en un tanque, el método recuperó con alta precisión las amplitudes ($A_1, A_2$) y las formas espaciales teóricas, separando perfectamente los modos ortogonales.
• Índice de Viaje: El índice calculado coincidió con la teoría: $\alpha \approx 0$ para ondas estacionarias y $\alpha \approx 1$ para ondas viajeras (en el caso de $\alpha_1=1$ en la teoría, aunque el ejemplo numérico usó $\alpha_1=0$).
• Robustez ante Modulación: En el caso de modulación de frecuencia, la C.O.D. logró aislar la única forma espacial subyacente (función cúbica), demostrando que la variación temporal no crea falsos modos espaciales.
• Efectividad en Cuadrículas No Uniformes: La versión ponderada del algoritmo recuperó las mismas formas espaciales y espectros de frecuencia que la versión uniforme, validando su uso en datos experimentales reales.
• Limitaciones: Se observó que para señales con amortiguamiento fuerte o no estacionarias, la transformada de Hilbert introduce aproximaciones que pueden ensanchar los picos espectrales, aunque la estructura modal espacial se mantiene intacta.

5. Significado e Impacto

Este trabajo es significativo por varias razones:

• Herramienta para Investigación: Proporciona una metodología robusta para analizar fenómenos oscilatorios complejos donde la forma de la onda no es conocida a priori (ej. biomecánica de natación, dinámica de fluidos, vibraciones estructurales).
• Accesibilidad: Al proporcionar scripts de Python y un paquete completo, democratiza el uso de la C.O.D., que anteriormente era un método menos difundido que la P.O.D. estándar.
• Interpretación Física: La introducción y cálculo del "índice de viaje" ofrece una métrica cuantitativa directa para evaluar la eficiencia de sistemas oscilatorios (como la eficiencia de nado de peces), diferenciando claramente entre modos que transportan energía (viajeros) y los que la almacenan (estacionarios).
• Versatilidad: La capacidad de manejar cuadrículas no uniformes y señales con variaciones temporales amplía su aplicabilidad a datos experimentales reales, que rara vez son perfectos o uniformes.

En conclusión, el documento establece la C.O.D. como una herramienta superior a las técnicas de Fourier tradicionales para la extracción de modos en señales espacio-temporales oscilatorias, ofreciendo una implementación práctica y validada para la comunidad científica.