PPGMAE
PROGRAMA DE PÓS-GRADUAÇÃO EM MATEMÁTICA APLICADA E ESTATÍSTICA
ADMINISTRAÇÃO DO CCET
Teléfono/Ramal:
(84) 99193-6404
E-mail:
ppgmae.ufrn@gmail.com
https://posgraduacao.ufrn.br/ppgmae
Banca de DEFESA: JHONNATA BEZERRA DE CARVALHO
Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.DISCENTE: JHONNATA BEZERRA DE CARVALHO
DATA: 03/02/2016
HORA: 09:00
LOCAL: Auditório do CCET
TÍTULO:
Classificador Máquina de Suporte Vetorial com Análise de Fourier Aplicada em Dados de EEG e EMG
PALAVRAS-CHAVES:
Classificador Binário, Eletroencefalografia, Eletromiografia, Periodograma, Análise de
Componentes Principais, Suavização, \textit{Support Vector Machine}, SVM.PÁGINAS: 94
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Probabilidade e Estatística
SUBÁREA: Estatística
RESUMO:
O classificador Máquina de Suporte Vetorial, que vem do termo em inglês
\textit{Support Vector Machine}, é utilizado em diversos problemas em várias áreas do
conhecimento. Basicamente o método utilizado nesse classificador é encontrar o
hiperplano que maximiza a distância entre os grupos, para aumentar o poder de
generalização do classificador. Neste trabalho, são tratados alguns problemas de
classificação binária com dados obtidos através da eletroencefalografia (EEG) e
eletromiografia (EMG), utilizando a Máquina de Suporte Vetorial com algumas técnicas
complementares, destacadas a seguir como: Análise de Componentes Principais para a
identificação de regiões ativas do cérebro, o método do periodograma que é obtido
através da Análise de Fourier, para ajudar a discriminar os grupos e a suavização por
Médias Móveis Simples para a redução dos ruídos existentes nos dados. Foram
desenvolvidas duas funções no $software$ \textbf{R}, para a realização das tarefas de
treinamento e classificação. Além disso, foram propostos 2 sistemas de pesos e uma
medida sumarizadora para auxiliar na decisão do grupo pertencente. A aplicação dessas
técnicas, pesos e a medida sumarizadora no classificador, mostraram resultados
bastantes satisfatórios, em que os melhores resultados encontrados foram, uma taxa
média de acerto de 95,31\% para dados de estímulos visuais, 100\% de classificação
correta para dados de epilepsia e taxas de acerto de 91,22\% e 96,89\% para dados de
movimentos de objetos para dois indivíduos.
\textit{Support Vector Machine}, é utilizado em diversos problemas em várias áreas do
conhecimento. Basicamente o método utilizado nesse classificador é encontrar o
hiperplano que maximiza a distância entre os grupos, para aumentar o poder de
generalização do classificador. Neste trabalho, são tratados alguns problemas de
classificação binária com dados obtidos através da eletroencefalografia (EEG) e
eletromiografia (EMG), utilizando a Máquina de Suporte Vetorial com algumas técnicas
complementares, destacadas a seguir como: Análise de Componentes Principais para a
identificação de regiões ativas do cérebro, o método do periodograma que é obtido
através da Análise de Fourier, para ajudar a discriminar os grupos e a suavização por
Médias Móveis Simples para a redução dos ruídos existentes nos dados. Foram
desenvolvidas duas funções no $software$ \textbf{R}, para a realização das tarefas de
treinamento e classificação. Além disso, foram propostos 2 sistemas de pesos e uma
medida sumarizadora para auxiliar na decisão do grupo pertencente. A aplicação dessas
técnicas, pesos e a medida sumarizadora no classificador, mostraram resultados
bastantes satisfatórios, em que os melhores resultados encontrados foram, uma taxa
média de acerto de 95,31\% para dados de estímulos visuais, 100\% de classificação
correta para dados de epilepsia e taxas de acerto de 91,22\% e 96,89\% para dados de
movimentos de objetos para dois indivíduos.
MEMBROS DA BANCA:
Presidente - 1217007 - ANDRE LUIS SANTOS DE PINHO
Interno - 1218831 - CARLA ALMEIDA VIVACQUA
Externo à Instituição - GETULIO JOSE AMORIM DO AMARAL - UFPE
Notícia cadastrada em: 08/01/2016 13:43
SIGAA | Superintendência de Tecnologia da Informação - (84) 3342 2210 | Copyright © 2006-2024 - UFRN - sigaa10-producao.info.ufrn.br.sigaa10-producao