Classificação de biopotenciais via cadeias de Markov ocultas

Detalhes bibliográficos
Autor(a) principal: Frondana, Iara Moreira
Data de Publicação: 2012
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio.unb.br/handle/10482/11004
Resumo: Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2012.
id UNB_e765db1d076fc2ac9394dcc13994dfe6
oai_identifier_str oai:repositorio.unb.br:10482/11004
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Classificação de biopotenciais via cadeias de Markov ocultasProcessos de MarkovEletroencefalografiaProcesso estocásticoTeoria da estimativaDissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2012.Este trabalho concentra-se na investigação do uso de Modelos de Markov Ocultos (HMM) para classificação de sinais de eletroencefalograa (EEG) obtidos por estímulos visuais. EEG e um biopotencial que possui grande aplicação na área médica, tanto para diagnósticos quanto para a investigação de sistemas de interface entre cérebro e computador (BCI - Brain-Computer Interfaces). A bibliografia recente apresenta vários estudos sobre aplicação de modelos HMM para classificação de sinais de EEG e mostram que o HMM é adequado por ser um modelo genérico que abrange diversas complexidades que surgem em dados de séries temporais. Este trabalho está dividido em três partes. Primeiro é apresentado o modelo HMM, o processo de estimação a ser utilizado e os critérios AIC e BIC para seleção dos modelos. A segunda parte apresenta estudos de simulação que utilizam diferentes condições amostrais para avaliar o procedimento de estimação, qualidade das estimativas e critérios de seleção. Finalmente, e feito o uso de um processo de estimação que inicializa o algoritmo EM com diferentes conjuntos de pontos iniciais aleatórios, para classificar sinais de EEG. Os sinais foram obtidos de estímulos visuais num estudo experimental conduzido por pesquisadores da Universidade do Texas em El Paso. As simulações realizadas mostram que os resultados obtidos para os estimadores são adequados e o critério AIC é superior ao BIC na indicação da ordem apropriada para o modelo. O estudo com dados experimentais apresenta indicações de que o modelo HMM consegue identificar as diferenças entre os sinais captados quando são comparados grupos de estímulos visuais envolvendo figuras abstratas e expressões aritméticas. _________________________________________________________________________________ ABSTRACTThis work focus in the investigation of Hidden Markov Models (HMM) applied to classification of electroencephalograph (EEG) data obtained by visual stimuli. EEG is a biopotencial signal with large application in medical el, as in diagnosis of diseases and investigation of brain-computer interfaces (BCI). The recent literature presents several studies on application od HMM models for classification of EEG signals and show that the HMM is suitable for being a generic model that includes several complexities arising in time series data. This work is divided into three main parts. First, it introduces the HMM model, the estimation process to be used and the AIC and BIC criteria for choosing models. Then the work presents simulation studies using different sampling conditions for evaluating the estimation procedure, quality of the estimates and selection criteria. Finally, it is used an estimation process for classification od EEG signals using different sets of random starting points for initialization of an EM algorithm. For the application study, EEG signals were obtained from visual stimuli in an experimental study conducted by researchers at the University of Texas at El Paso. The simulation study showed that the results obtained are suitable for the estimators and the AIC criterion is superior to the BIC criteria when indicationg the proper order for the model. The application in experimental data indicated that the HMM model can identify differences between signals obtained from visual stimuli involving abstract figures and arithmetic expressions.Instituto de Ciências Exatas (IE)Departamento de Estatística (IE EST)Programa de Pós-Graduação em EstatísticaBorries, George Freitas vonFrondana, Iara Moreira2012-07-26T01:10:34Z2012-07-26T01:10:34Z2012-07-262012-02-17info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfFRONDANA, Iara Moreira. Classificação de biopotenciais via cadeias de Markov ocultas. 2012. 150 f. Dissertação (Mestrado em Estatística)—Universidade de Brasília, Brasília, 2012.http://repositorio.unb.br/handle/10482/11004info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-03-01T16:22:41Zoai:repositorio.unb.br:10482/11004Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-03-01T16:22:41Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Classificação de biopotenciais via cadeias de Markov ocultas
title Classificação de biopotenciais via cadeias de Markov ocultas
spellingShingle Classificação de biopotenciais via cadeias de Markov ocultas
Frondana, Iara Moreira
Processos de Markov
Eletroencefalografia
Processo estocástico
Teoria da estimativa
title_short Classificação de biopotenciais via cadeias de Markov ocultas
title_full Classificação de biopotenciais via cadeias de Markov ocultas
title_fullStr Classificação de biopotenciais via cadeias de Markov ocultas
title_full_unstemmed Classificação de biopotenciais via cadeias de Markov ocultas
title_sort Classificação de biopotenciais via cadeias de Markov ocultas
author Frondana, Iara Moreira
author_facet Frondana, Iara Moreira
author_role author
dc.contributor.none.fl_str_mv Borries, George Freitas von
dc.contributor.author.fl_str_mv Frondana, Iara Moreira
dc.subject.por.fl_str_mv Processos de Markov
Eletroencefalografia
Processo estocástico
Teoria da estimativa
topic Processos de Markov
Eletroencefalografia
Processo estocástico
Teoria da estimativa
description Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2012.
publishDate 2012
dc.date.none.fl_str_mv 2012-07-26T01:10:34Z
2012-07-26T01:10:34Z
2012-07-26
2012-02-17
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 FRONDANA, Iara Moreira. Classificação de biopotenciais via cadeias de Markov ocultas. 2012. 150 f. Dissertação (Mestrado em Estatística)—Universidade de Brasília, Brasília, 2012.
http://repositorio.unb.br/handle/10482/11004
identifier_str_mv FRONDANA, Iara Moreira. Classificação de biopotenciais via cadeias de Markov ocultas. 2012. 150 f. Dissertação (Mestrado em Estatística)—Universidade de Brasília, Brasília, 2012.
url http://repositorio.unb.br/handle/10482/11004
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1814508162523332608

Registros relacionados