Uma abordagem híbrida para análise de similaridade e classificação de dados de eletroencefalografia.
Ano de defesa: | 2019 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , , |
Tipo de documento: | Tese |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal de Campina Grande
|
Programa de Pós-Graduação: |
PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO
|
Departamento: |
Centro de Engenharia Elétrica e Informática - CEEI
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/12719 |
Resumo: | Dados de eletroencefalografia (EEG) têm sido aplicados a diversos contextos, como, por exemplo, nas áreas da saúde e da interação humano-computador. EEG permite a produção de dados do monitoramento da atividade eletrofisiológica de indivíduos em reação a experiências ou do registro de seu estado fisiológico. Esses dados podem ser rotulados, visando à categorização e à recuperação eficiente dos mesmos. No entanto, o processo de rotulagem pode estar sujeito a imprecisões e ruídos, muitas vezes causados por variações na configuração do equipamento de EEG e por opiniões subjetivas divergentes entre indivíduos. Nesse contexto, há a necessidade de mecanismos que contribuam para o entendimento das relações entre os dados e os rótulos a eles atribuídos. Diante do exposto, essa pesquisa objetiva conceber uma abordagem para mensurar similaridade entre classes de padrões de ativação neuronal, com aplicação na análise de fatores influenciadores e para classificação de dados de EEG. A abordagem foi delineada por meio da realização de revisão bibliográfica, construção de ferramentas e aquisição de bases de dados. Avaliações experimentais foram guiadas por questões e testes de hipóteses que envolveram a realização de aprendizagem semi-supervisionada, análise estatística da influência de fatores em distribuições de variáveis de resposta e otimização de parâmetros via algoritmos genéticos. Como resultados, foi formalizado o problema de análise de similaridade entre classes de padrões de ativação em dados de EEG e elaborada uma abordagem originais. A abordagem possui as seguintes etapas: aquisição de dados, pré-processamento, seleção da amostra, cálculo da quantidade de agrupamentos, parâmetros de entrada, análise semi-supervisionada, e análise de similaridade ou a classificação de padrões de ativação neuronal. Os testes de hipóteses indicaram a aplicabilidade e eficiência da abordagem, no tocante ao nível de similaridade de padrões de ativação neuronal entre classes e à taxa de acerto da classificação, quando comparada com outros classificadores (redes neurais e máquina de vetores de suporte). |
id |
UFCG_2ea0e3de22418dcfd10a2ad25c5602d7 |
---|---|
oai_identifier_str |
oai:localhost:riufcg/12719 |
network_acronym_str |
UFCG |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFCG |
repository_id_str |
|
spelling |
MANZI, João Teotônio.MANZI J. T.http://lattes.cnpq.br/3557380082612068ARAÚJO, Joseana Macêdo Fechine Régis de.ALMEIDA, Carlos Wilson Dantas.ALVES, Nelson Torro.SOUSA, Robson Pequeno de.SARAIVA, E. C.http://lattes.cnpq.br/0429037888719725SARAIVA, Eugênio de Carvalho.Dados de eletroencefalografia (EEG) têm sido aplicados a diversos contextos, como, por exemplo, nas áreas da saúde e da interação humano-computador. EEG permite a produção de dados do monitoramento da atividade eletrofisiológica de indivíduos em reação a experiências ou do registro de seu estado fisiológico. Esses dados podem ser rotulados, visando à categorização e à recuperação eficiente dos mesmos. No entanto, o processo de rotulagem pode estar sujeito a imprecisões e ruídos, muitas vezes causados por variações na configuração do equipamento de EEG e por opiniões subjetivas divergentes entre indivíduos. Nesse contexto, há a necessidade de mecanismos que contribuam para o entendimento das relações entre os dados e os rótulos a eles atribuídos. Diante do exposto, essa pesquisa objetiva conceber uma abordagem para mensurar similaridade entre classes de padrões de ativação neuronal, com aplicação na análise de fatores influenciadores e para classificação de dados de EEG. A abordagem foi delineada por meio da realização de revisão bibliográfica, construção de ferramentas e aquisição de bases de dados. Avaliações experimentais foram guiadas por questões e testes de hipóteses que envolveram a realização de aprendizagem semi-supervisionada, análise estatística da influência de fatores em distribuições de variáveis de resposta e otimização de parâmetros via algoritmos genéticos. Como resultados, foi formalizado o problema de análise de similaridade entre classes de padrões de ativação em dados de EEG e elaborada uma abordagem originais. A abordagem possui as seguintes etapas: aquisição de dados, pré-processamento, seleção da amostra, cálculo da quantidade de agrupamentos, parâmetros de entrada, análise semi-supervisionada, e análise de similaridade ou a classificação de padrões de ativação neuronal. Os testes de hipóteses indicaram a aplicabilidade e eficiência da abordagem, no tocante ao nível de similaridade de padrões de ativação neuronal entre classes e à taxa de acerto da classificação, quando comparada com outros classificadores (redes neurais e máquina de vetores de suporte).Electroencephalography (EEG) data has been applied to various contexts, such as health and human-computer interaction. EEG allows the production of data by monitoring the electrophysiological activity of individuals in reaction to experiments or by recording their physiological state. These data can be labeled for categorization and efficient retrieval. However, the labeling process may be subject to inaccuracies and noise, often caused by variations in EEG equipment configuration and divergent subjective opinions between individuals. In this context, there is a need for mechanisms that contribute to the understanding of the relationships between the data and the labels assigned to them. Given the above, this research aims to design an approach to measure similarity between classes of neuronal activation patterns, with application in the analysis of influencing factors and classification of EEG data. The approach was outlined through bibliographic review, construction of tools and acquisition of databases. Experimental evaluations were guided by questions and hypothesis tests that involved semi-supervised learning, statistical analysis of the influence of factors on response variable distributions, and parameter optimization via genetic algorithms. As a result, the problem of similarity analysis between classes of activation patterns in EEG data was formalized and an original approach was elaborated. The approach has the following steps: data acquisition, preprocessing, sample selection, cluster quantity calculation, input parameters, semi-supervised analysis, and similarity analysis or classification of neuronal activation patterns. Hypothesis tests indicated the applicability and efficiency of the approach regarding the level of similarity of neuronal activation patterns between classes and the classification accuracy rate when compared to other classifiers (neural networks and support vector machine).Submitted by Emanuel Varela Cardoso (emanuel.varela@ufcg.edu.br) on 2020-04-09T15:16:28Z No. of bitstreams: 1 EUGÊNIO DE CARVALHO SARAIVA - TESE (PPGCC) 2019.pdf: 3053715 bytes, checksum: b0942c41bee52270baf26b741cda9140 (MD5)Made available in DSpace on 2020-04-09T15:16:28Z (GMT). No. of bitstreams: 1 EUGÊNIO DE CARVALHO SARAIVA - TESE (PPGCC) 2019.pdf: 3053715 bytes, checksum: b0942c41bee52270baf26b741cda9140 (MD5) Previous issue date: 2019-09-19CapesUniversidade Federal de Campina GrandePÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃOUFCGBrasilCentro de Engenharia Elétrica e Informática - CEEICiência da ComputaçãoNeurociência computacionalComputational neuroscienceNeurociencia computacionalEletroencefalografiaElectroencefalografíaElectroencephalographyComputação afetivaAffective computingComputación afectivaAnálise semi-supervisionadaAnálisis semi-supervisadoSemi-supervised analysisUma abordagem híbrida para análise de similaridade e classificação de dados de eletroencefalografia.A hybrid approach for similarity analysis and classification of electroencephalography data.2019-09-192020-04-09T15:16:28Z2020-04-092020-04-09T15:16:28Zhttp://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/12719SARAIVA, E. de C. 2019. 143 f. Tese (Doutorado em Engenharia Química), Programa de Pós-Graduação em Engenharia Química, Centro de Ciência e Tecnologia, Universidade Federal de Campina Grande - Paraíba - Brasil, 2019. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/12719info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisporinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFCGinstname:Universidade Federal de Campina Grande (UFCG)instacron:UFCGORIGINALEUGÊNIO DE CARVALHO SARAIVA - TESE (PPGCC) 2019.pdfEUGÊNIO DE CARVALHO SARAIVA - TESE (PPGCC) 2019.pdfapplication/pdf4723019http://dspace.sti.ufcg.edu.br:8080/xmlui/bitstream/riufcg/12719/3/EUG%C3%8ANIO+DE+CARVALHO+SARAIVA+-+TESE+%28PPGCC%29+2019.pdf6e5ada6c5faa07fd36afd89f6406473dMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://dspace.sti.ufcg.edu.br:8080/xmlui/bitstream/riufcg/12719/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52riufcg/127192022-03-16 11:06:40.493oai:localhost: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Biblioteca Digital de Teses e Dissertaçõeshttp://bdtd.ufcg.edu.br/PUBhttp://dspace.sti.ufcg.edu.br:8080/oai/requestbdtd@setor.ufcg.edu.br || bdtd@setor.ufcg.edu.bropendoar:48512022-03-16T14:06:40Biblioteca Digital de Teses e Dissertações da UFCG - Universidade Federal de Campina Grande (UFCG)false |
dc.title.pt_BR.fl_str_mv |
Uma abordagem híbrida para análise de similaridade e classificação de dados de eletroencefalografia. |
dc.title.alternative.pt_BR.fl_str_mv |
A hybrid approach for similarity analysis and classification of electroencephalography data. |
title |
Uma abordagem híbrida para análise de similaridade e classificação de dados de eletroencefalografia. |
spellingShingle |
Uma abordagem híbrida para análise de similaridade e classificação de dados de eletroencefalografia. SARAIVA, Eugênio de Carvalho. Ciência da Computação Neurociência computacional Computational neuroscience Neurociencia computacional Eletroencefalografia Electroencefalografía Electroencephalography Computação afetiva Affective computing Computación afectiva Análise semi-supervisionada Análisis semi-supervisado Semi-supervised analysis |
title_short |
Uma abordagem híbrida para análise de similaridade e classificação de dados de eletroencefalografia. |
title_full |
Uma abordagem híbrida para análise de similaridade e classificação de dados de eletroencefalografia. |
title_fullStr |
Uma abordagem híbrida para análise de similaridade e classificação de dados de eletroencefalografia. |
title_full_unstemmed |
Uma abordagem híbrida para análise de similaridade e classificação de dados de eletroencefalografia. |
title_sort |
Uma abordagem híbrida para análise de similaridade e classificação de dados de eletroencefalografia. |
author |
SARAIVA, Eugênio de Carvalho. |
author_facet |
SARAIVA, Eugênio de Carvalho. |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
MANZI, João Teotônio. |
dc.contributor.advisor1ID.fl_str_mv |
MANZI J. T. |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/3557380082612068 |
dc.contributor.referee1.fl_str_mv |
ARAÚJO, Joseana Macêdo Fechine Régis de. |
dc.contributor.referee2.fl_str_mv |
ALMEIDA, Carlos Wilson Dantas. |
dc.contributor.referee3.fl_str_mv |
ALVES, Nelson Torro. |
dc.contributor.referee4.fl_str_mv |
SOUSA, Robson Pequeno de. |
dc.contributor.authorID.fl_str_mv |
SARAIVA, E. C. |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/0429037888719725 |
dc.contributor.author.fl_str_mv |
SARAIVA, Eugênio de Carvalho. |
contributor_str_mv |
MANZI, João Teotônio. ARAÚJO, Joseana Macêdo Fechine Régis de. ALMEIDA, Carlos Wilson Dantas. ALVES, Nelson Torro. SOUSA, Robson Pequeno de. |
dc.subject.cnpq.fl_str_mv |
Ciência da Computação |
topic |
Ciência da Computação Neurociência computacional Computational neuroscience Neurociencia computacional Eletroencefalografia Electroencefalografía Electroencephalography Computação afetiva Affective computing Computación afectiva Análise semi-supervisionada Análisis semi-supervisado Semi-supervised analysis |
dc.subject.por.fl_str_mv |
Neurociência computacional Computational neuroscience Neurociencia computacional Eletroencefalografia Electroencefalografía Electroencephalography Computação afetiva Affective computing Computación afectiva Análise semi-supervisionada Análisis semi-supervisado Semi-supervised analysis |
description |
Dados de eletroencefalografia (EEG) têm sido aplicados a diversos contextos, como, por exemplo, nas áreas da saúde e da interação humano-computador. EEG permite a produção de dados do monitoramento da atividade eletrofisiológica de indivíduos em reação a experiências ou do registro de seu estado fisiológico. Esses dados podem ser rotulados, visando à categorização e à recuperação eficiente dos mesmos. No entanto, o processo de rotulagem pode estar sujeito a imprecisões e ruídos, muitas vezes causados por variações na configuração do equipamento de EEG e por opiniões subjetivas divergentes entre indivíduos. Nesse contexto, há a necessidade de mecanismos que contribuam para o entendimento das relações entre os dados e os rótulos a eles atribuídos. Diante do exposto, essa pesquisa objetiva conceber uma abordagem para mensurar similaridade entre classes de padrões de ativação neuronal, com aplicação na análise de fatores influenciadores e para classificação de dados de EEG. A abordagem foi delineada por meio da realização de revisão bibliográfica, construção de ferramentas e aquisição de bases de dados. Avaliações experimentais foram guiadas por questões e testes de hipóteses que envolveram a realização de aprendizagem semi-supervisionada, análise estatística da influência de fatores em distribuições de variáveis de resposta e otimização de parâmetros via algoritmos genéticos. Como resultados, foi formalizado o problema de análise de similaridade entre classes de padrões de ativação em dados de EEG e elaborada uma abordagem originais. A abordagem possui as seguintes etapas: aquisição de dados, pré-processamento, seleção da amostra, cálculo da quantidade de agrupamentos, parâmetros de entrada, análise semi-supervisionada, e análise de similaridade ou a classificação de padrões de ativação neuronal. Os testes de hipóteses indicaram a aplicabilidade e eficiência da abordagem, no tocante ao nível de similaridade de padrões de ativação neuronal entre classes e à taxa de acerto da classificação, quando comparada com outros classificadores (redes neurais e máquina de vetores de suporte). |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-09-19 |
dc.date.accessioned.fl_str_mv |
2020-04-09T15:16:28Z |
dc.date.available.fl_str_mv |
2020-04-09 2020-04-09T15:16:28Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/12719 |
dc.identifier.citation.fl_str_mv |
SARAIVA, E. de C. 2019. 143 f. Tese (Doutorado em Engenharia Química), Programa de Pós-Graduação em Engenharia Química, Centro de Ciência e Tecnologia, Universidade Federal de Campina Grande - Paraíba - Brasil, 2019. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/12719 |
url |
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/12719 |
identifier_str_mv |
SARAIVA, E. de C. 2019. 143 f. Tese (Doutorado em Engenharia Química), Programa de Pós-Graduação em Engenharia Química, Centro de Ciência e Tecnologia, Universidade Federal de Campina Grande - Paraíba - Brasil, 2019. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/12719 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Campina Grande |
dc.publisher.program.fl_str_mv |
PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO |
dc.publisher.initials.fl_str_mv |
UFCG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Centro de Engenharia Elétrica e Informática - CEEI |
publisher.none.fl_str_mv |
Universidade Federal de Campina Grande |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFCG instname:Universidade Federal de Campina Grande (UFCG) instacron:UFCG |
instname_str |
Universidade Federal de Campina Grande (UFCG) |
instacron_str |
UFCG |
institution |
UFCG |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFCG |
collection |
Biblioteca Digital de Teses e Dissertações da UFCG |
bitstream.url.fl_str_mv |
http://dspace.sti.ufcg.edu.br:8080/xmlui/bitstream/riufcg/12719/3/EUG%C3%8ANIO+DE+CARVALHO+SARAIVA+-+TESE+%28PPGCC%29+2019.pdf http://dspace.sti.ufcg.edu.br:8080/xmlui/bitstream/riufcg/12719/2/license.txt |
bitstream.checksum.fl_str_mv |
6e5ada6c5faa07fd36afd89f6406473d 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFCG - Universidade Federal de Campina Grande (UFCG) |
repository.mail.fl_str_mv |
bdtd@setor.ufcg.edu.br || bdtd@setor.ufcg.edu.br |
_version_ |
1797044681772630016 |