Avaliação de redes neurais artificiais como aproximador da função de entropia amostral para séries temporais

• Ano de defesa: 2024
• Autor(a) principal: Silva, Mateus Rossato
• 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: Artificial neural network; Dados substitutos; Entropia amostral; Redes neurais artificiais; Sample entropy; Séries temporais; Surrogate data; Time series
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/59/59143/tde-03072024-082413/

A entropia amostral (SampEn) é amplamente utilizada para quantificar irregularidades em séries temporais fisiológicas com aplicações clínicas e de pesquisa. Por outro lado, a rede neural artificial (RNA) podem ser uma aproximadora universal de funções. Além disso, a abordagem da técnica de dados substitutos é amplamente utilizada para lidar com testes de hipóteses de não linearidade. Embora as RNAs sejam utilizadas como aproximadores da função SampEn, nenhuma investigação foi realizada para avaliar o potencial das RNAs em detectar a não linearidade do sistema. Neste estudo, avaliamos o comportamento das RNAs como um aproximador da SampEn em séries temporais fisiológicas não lineares e suas correspondentes séries temporais de dados substitutos lineares. Esta investigação nos permitiu responder a algumas questões, ou seja, até que ponto é possível aproximar SampEn com RNA sob condições de linearidade e não linearidade, e que tipo de RNA pode prever a entropia com precisão em séries temporais não lineares em comparação com seus substitutos correspondentes? É possível usar dados substitutos para aumento de dados? RNAs com funções de ativação linear, sigmoidal e ReLU foram treinadas com números de época fixos e analisadas para os conjuntos de dados originais e substitutos. Os resultados para ritmo sinusal normal mostram erros médios de desvios padrão de ± 0,0258 ± 0,0022 e 0,0227 ± 0,0022 para as séries original e substituta com função de ativação linear, respectivamente, 0,0229 ± 0,0011 e 0,0213 ± 0,0011 com a função ReLU, e 0,0224 ± 0,0014 e 0,0204 ± 0,0014 para a função sigmoidal com RNA treinada com diversas condições fisiológicas. Quando treinada com uma única condição, a função sigmoidal responde melhor aos dados originais, obtendo o melhor resultado para o erro. Além disso, observou-se que, para a função ReLU, a série substituta resultou em erros menores que os obtidos para a série original. Observamos erros semelhantes para a função de ativação linear. Os resultados indicam que o processo sigmoidal gera o menor erro com aumento do erro para séries substitutas, sugerindo que a rede com função sigmoidal pode se aproximar do valor real de entropia ao lidar com séries reais. Assim, dados substitutos são bons candidatos para aumento de dados de séries temporais fisiológicas.