Uma abordagem híbrida para análise de similaridade e classificação de dados de eletroencefalografia.

• Autor(a) principal: SARAIVA, Eugênio de Carvalho.
• Data de Publicação: 2019
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/12719
• topic: Neurociência computacional; Computational neuroscience; Neurociencia computacional; Eletroencefalografia; Electroencefalografía; Electroencephalography; Computação afetiva; Affective computing; Computación afectiva; Análise semi-supervisionada; Análisis semi-supervisado; Semi-supervised analysis; Ciência da Computação

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).