Comparação de meta-heurísticas na otimização de SVM-multiclasses aplicadas à identificação de tarefas motoras

Detalhes bibliográficos
Autor(a) principal: Lucena, Diogo Schwerz de
Data de Publicação: 2014
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/36303
Resumo: Orientador: Prof. Dr. Leandro dos Santos Coelho
id UFPR_e6ceccbf7f0e06066433615cb3e4f176
oai_identifier_str oai:acervodigital.ufpr.br:1884/36303
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia ElétricaCoelho, Leandro dos Santos, 1968-Lucena, Diogo Schwerz de2024-04-22T17:51:13Z2024-04-22T17:51:13Z2014https://hdl.handle.net/1884/36303Orientador: Prof. Dr. Leandro dos Santos CoelhoDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa: Curitiba, 06/08/2014Inclui referênciasÁrea de concentração: Sistemas eletrônicosResumo: As interfaces cérebro-computador são sistemas que possibilitam ao usuário controlar componentes externos através de sua atividade cerebral. As aplicações desse tipo de sistema mostraram a capacidade de controlar próteses, cadeiras de rodas e software voltados para a comunicação, o que pode significar a melhoria na qualidade de vida e independência de pessoas desabilitadas. O uso de sinais de eletroencefalografia viabiliza a utilização de interfaces cérebro-computador sem intervenção cirúrgica ou riscos ao paciente. Estas interfaces são compostas por várias etapas, sendo uma das mais importantes o algoritmo de classificação de dados. Um dos algoritmos de classificação de dados mais difundidos na literatura é a máquina de vetores de suporte que, apesar de possuir caraterísticas positivas em sua aplicação, é sensível aos parâmetros de controle. Este trabalho busca avaliar a eficiência da utilização de meta-heurísticas na seleção destes parâmetros no contexto da aplicação da máquina de vetores de suporte à interface cérebro-computador. A máquina de vetores de suporte foi originalmente apresentada para utilização em problemas de duas classes, neste trabalho, entretanto, ela é aplicada em problemas de quatro classes, sendo necessária a expansão do algoritmo para esta tarefa. Para tanto, são utilizados os dois métodos mais conhecidos na literatura, denominado um-contra-todos e todos-contra-todos. Além destes um terceiro método é proposto (chamado de agrupamento por similaridade). No contexto de otimização dos parâmetros de controle, são utilizadas versões do algoritmo de evolução diferencial, otimização por enxame de partículas, colônia artificial de abelhas e busca por retropropagação. Também é proposto um algoritmo adaptativo híbrido entre o algoritmo de evolução diferencial e a busca por retropropagação. As técnicas são utilizadas - e posteriormente comparadas - em um sistema de interface cérebro-computador simples, com métodos de pré-processamento e extração de caraterísticas conhecidos na literatura, aplicadas a uma base de dados disponibilizada para a competição de interfaces cérebro-computador de Berlim. Os resultados mostram que a escolha do algoritmo de otimização da máquina de vetores de suporte tem grande influência na eficiência da interface cérebro-computador, fazendo dessa forma, a escolha deste algoritmo um passo importante no desenvolvimento desta tecnologia.Abstract: Brain-computer interfaces are systems that allow users to control external components through brain activity. The applications of these systems showed the possibility to control prostheses, wheelchairs and software for communication, which means improvement in quality of life and independence of disabled people. The use of electroencephalography signals enables the use of brain-computer interfaces without surgery or any potential risk to the patient. These interfaces are composed of several steps and one of the most important is the classification algorithm. One of the most widely used data classification algorithms in the literature is the support vector machine which, despite possessing positive features in its application, is sensitive to control parameters. This work aims to evaluate the efficiency of using meta-heuristic strategies in the selection and tuning of these parameters, when support vector machine is applied to brain-computer interface. Support vector machine was originally presented to be used in two-class problems. In this work, the machine will be applied to four-class problems; an expansion of the algorithm for this task is needed. In this direction, two of the most popular methods in the literature were used, called one-versus-all and all-versus-all; furthermore, a third method is proposed (called grouping by similarity). In the context of control parameters optimization, different versions of differential evolution algorithm were applied as well as particle swarm optimization, artificial bee colony and backtracking search. A hybrid adaptive algorithm is proposing in this work, using differential evolution algorithm and backtracking search. The techniques are applied and compared in a simplistic brain-computer interface with well know methods for pre-processing and features extraction, which is applied to an electroencephalograph database available online for the Berlin Competition in brain-computer interfaces. The results show that the selection of the optimization algorithm for support vector machine has an important influence on the efficiency of brain-computer interfaces, thus making the selection of the right algorithm is an important step in developing this technology.118f. : il., tabs., grafs., color.application/pdfDisponível em formato digitalEngenharia elétricaRedes neurais (Computação)Otimização matemáticaComparação de meta-heurísticas na otimização de SVM-multiclasses aplicadas à identificação de tarefas motorasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - DIOGO SCHWERZ DE LUCENA.pdfapplication/pdf3798105https://acervodigital.ufpr.br/bitstream/1884/36303/1/R%20-%20D%20-%20DIOGO%20SCHWERZ%20DE%20LUCENA.pdfea4113e483ed5d3a900dfde25519243bMD51open accessTEXTR - D - DIOGO SCHWERZ DE LUCENA.pdf.txtExtracted Texttext/plain190603https://acervodigital.ufpr.br/bitstream/1884/36303/2/R%20-%20D%20-%20DIOGO%20SCHWERZ%20DE%20LUCENA.pdf.txt15d7bb397f35e47207fdd2d54b465472MD52open accessTHUMBNAILR - D - DIOGO SCHWERZ DE LUCENA.pdf.jpgGenerated Thumbnailimage/jpeg1431https://acervodigital.ufpr.br/bitstream/1884/36303/3/R%20-%20D%20-%20DIOGO%20SCHWERZ%20DE%20LUCENA.pdf.jpg9f92f46a6ea21c007b889f7aeba73a56MD53open access1884/363032024-04-22 14:51:13.421open accessoai:acervodigital.ufpr.br:1884/36303Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082024-04-22T17:51:13Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Comparação de meta-heurísticas na otimização de SVM-multiclasses aplicadas à identificação de tarefas motoras
title Comparação de meta-heurísticas na otimização de SVM-multiclasses aplicadas à identificação de tarefas motoras
spellingShingle Comparação de meta-heurísticas na otimização de SVM-multiclasses aplicadas à identificação de tarefas motoras
Lucena, Diogo Schwerz de
Engenharia elétrica
Redes neurais (Computação)
Otimização matemática
title_short Comparação de meta-heurísticas na otimização de SVM-multiclasses aplicadas à identificação de tarefas motoras
title_full Comparação de meta-heurísticas na otimização de SVM-multiclasses aplicadas à identificação de tarefas motoras
title_fullStr Comparação de meta-heurísticas na otimização de SVM-multiclasses aplicadas à identificação de tarefas motoras
title_full_unstemmed Comparação de meta-heurísticas na otimização de SVM-multiclasses aplicadas à identificação de tarefas motoras
title_sort Comparação de meta-heurísticas na otimização de SVM-multiclasses aplicadas à identificação de tarefas motoras
author Lucena, Diogo Schwerz de
author_facet Lucena, Diogo Schwerz de
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia Elétrica
dc.contributor.advisor1.fl_str_mv Coelho, Leandro dos Santos, 1968-
dc.contributor.author.fl_str_mv Lucena, Diogo Schwerz de
contributor_str_mv Coelho, Leandro dos Santos, 1968-
dc.subject.por.fl_str_mv Engenharia elétrica
Redes neurais (Computação)
Otimização matemática
topic Engenharia elétrica
Redes neurais (Computação)
Otimização matemática
description Orientador: Prof. Dr. Leandro dos Santos Coelho
publishDate 2014
dc.date.issued.fl_str_mv 2014
dc.date.accessioned.fl_str_mv 2024-04-22T17:51:13Z
dc.date.available.fl_str_mv 2024-04-22T17:51:13Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/36303
url https://hdl.handle.net/1884/36303
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 118f. : il., tabs., grafs., color.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/36303/1/R%20-%20D%20-%20DIOGO%20SCHWERZ%20DE%20LUCENA.pdf
https://acervodigital.ufpr.br/bitstream/1884/36303/2/R%20-%20D%20-%20DIOGO%20SCHWERZ%20DE%20LUCENA.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/36303/3/R%20-%20D%20-%20DIOGO%20SCHWERZ%20DE%20LUCENA.pdf.jpg
bitstream.checksum.fl_str_mv ea4113e483ed5d3a900dfde25519243b
15d7bb397f35e47207fdd2d54b465472
9f92f46a6ea21c007b889f7aeba73a56
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1797699023866429440

Registros relacionados