Aplicação de análises estatística e neural para reconhecimento de sinais de odores

• Autor(a) principal: D'EMERY, Richarlyson Alves
• Data de Publicação: 2007
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRPE
• Texto Completo: http://www.tede2.ufrpe.br:8080/tede2/handle/tede2/5255
• topic: Diabetes; Reconhecimento de padrão; Sensor de aroma; Nariz artificial; Pattern recognition; Aroma sensors; Electronic nose; CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA

Esta dissertação investiga a utilização de um protótipo de nariz artificial no prognóstico da Diabetes Mellitus. O trabalho envolve cinco partes principais: (1) construção de uma base de dados de odores a partir de sensores de aroma; (2) avaliação da base de dados construída a partir de uma técnica estatística multivariada; (3) utilização das Redes Neurais Artificiais (RNs) Multilayer Perceptron (MLP) e de Função de Base Radial (RBF) no reconhecimento de odores; (4) avaliação das abordagens estatísticas e conexionistas e (5) o estudo de caso. A técnica estatística multivariada utilizada foi a Análise de Componentes Principais (PCA) como extração de característica, além da avaliação de desempenho por Teste de Hipótese.Também foi utilizado o classificador K-Nearest-Neighbour (KNN) para classificação dos sinais de odores. A abordagem conexionista envolve as RNs MLP e RBF treinadas a partir da base de dados de odor construída. Para as entradas das RNs foram utilizadas a Normalização como pré-processamento de dados e PCA para extração de características e redução da dimensionalidade dos dados. Foram analisados os sinais gerados por quatro sensores de um protótipo de nariz artificial exposto à urina de pacientes diabéticos e não-diabéticos, além dos sinais característicos dos sensores sem a presença de substâncias voláteis. A utilização da extração de característica por PCA melhorou consideravelmente o desempenho dos classificadores utilizados. Nos experimentos realizados, o classificado KNN classificou corretamente todo o conjunto de dados pertencente à base de dados divida em treinamento e teste após a extração de características. As melhores RNs MLP obtiveram uma classificação de 77% para os dados Normalizados sem a utilização de PCA e de 100% após PCA. Já as melhores RNs RBF obtiveram uma classificação de 66% para os dados Normalizados e de 100% após PCA na classificação dos odores.