dc.creator.ID |
SARAIVA, E. C. |
pt_BR |
dc.creator.Lattes |
http://lattes.cnpq.br/0429037888719725 |
pt_BR |
dc.contributor.advisor1 |
MANZI, João Teotônio. |
|
dc.contributor.advisor1ID |
MANZI J. T. |
pt_BR |
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/3557380082612068 |
pt_BR |
dc.contributor.referee1 |
ARAÚJO, Joseana Macêdo Fechine Régis de. |
|
dc.contributor.referee2 |
ALMEIDA, Carlos Wilson Dantas. |
|
dc.contributor.referee3 |
ALVES, Nelson Torro. |
|
dc.contributor.referee4 |
SOUSA, Robson Pequeno de. |
|
dc.description.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). |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
Centro de Engenharia Elétrica e Informática - CEEI |
pt_BR |
dc.publisher.program |
PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO |
pt_BR |
dc.publisher.initials |
UFCG |
pt_BR |
dc.subject.cnpq |
Ciência da Computação |
pt_BR |
dc.title |
Uma abordagem híbrida para análise de similaridade e classificação de dados de eletroencefalografia. |
pt_BR |
dc.date.issued |
2019-09-19 |
|
dc.description.abstract |
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). |
pt_BR |
dc.identifier.uri |
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/12719 |
|
dc.date.accessioned |
2020-04-09T15:16:28Z |
|
dc.date.available |
2020-04-09 |
|
dc.date.available |
2020-04-09T15:16:28Z |
|
dc.type |
Tese |
pt_BR |
dc.subject |
Neurociência computacional |
pt_BR |
dc.subject |
Computational neuroscience |
pt_BR |
dc.subject |
Neurociencia computacional |
pt_BR |
dc.subject |
Eletroencefalografia |
pt_BR |
dc.subject |
Electroencefalografía |
pt_BR |
dc.subject |
Electroencephalography |
pt_BR |
dc.subject |
Computação afetiva |
pt_BR |
dc.subject |
Affective computing |
pt_BR |
dc.subject |
Computación afectiva |
pt_BR |
dc.subject |
Análise semi-supervisionada |
pt_BR |
dc.subject |
Análisis semi-supervisado |
pt_BR |
dc.subject |
Semi-supervised analysis |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.creator |
SARAIVA, Eugênio de Carvalho. |
|
dc.publisher |
Universidade Federal de Campina Grande |
pt_BR |
dc.language |
por |
pt_BR |
dc.title.alternative |
A hybrid approach for similarity analysis and classification of electroencephalography data. |
pt_BR |
dc.description.sponsorship |
Capes |
pt_BR |
dc.identifier.citation |
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 |
pt_BR |