Aplicação de regressão logística funcional para problemas de classificação a partir de eletroencefalogramas

• Ano de defesa: 2023
• Autor(a) principal: Sundfeld, Rodolfo Riani
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise de dados funcionais; Aprendizado de máquina; Binary classification; Classificação binária; Electroencephalogram; Eletroencefalograma; Functional data analysis; Functional regression; Logistic regression; Machine learning; Regressão funcional; Regressão logística
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/45/45133/tde-26082025-110723/

Esta dissertação visa aplicar a abordagem de análise de dados funcionais (FDA, do inglês Functional Data Analysis) em problemas de aprendizado de máquina, utilizando dados oriundos de eletroencefalogramas para fornecer predições binárias através do algoritmo Regressão Logística Funcional. O trabalho também enriquece a produção nacional sobre FDA ao abordar suas principais definições, metodologias para análises descritivas e boas práticas para ajuste de um modelo de classificação, como a decomposição em bases e otimização via validação cruzada. A partir de dois conjuntos de dados, métricas de avaliação - como acurácia - foram calculadas após o ajuste da regressão funcional, indicando um desempenho superior tanto em relação a outros algoritmos tradicionais ajustados pelo autor quanto a valores de referência (benchmarks) previamente estabelecidos para os mesmos conjuntos. Além da aplicação nos dados reais, foi considerado um processo de simulação para comparar as medidas de acerto da regressão funcional com os outros algoritmos supracitados. Conclui-se que a aplicação de FDA é adequada para o tratamento de dados obtidos a partir de sinais cerebrais, levando inclusive a preditores binários de melhor desempenho.