Defesa P\u00fablica da Tese de Doutorado da Mestre em Engenharia El\u00e9trica GABRIELA WINKLER FAVIEIRO:<\/p>\n\n\n\n
Data: 11\/10\/2019 – sexta-feira T\u00edtulo da tese: “AN\u00c1LISE E DESENVOLVIMENTO DE ALGORITMO DE RECONHECIMENTO DE PADR\u00c3O BASEADO EM L\u00d3GICA PARACONSISTENTE PARA USO EM CONTEXTOS INCONSISTENTES E SUA APLICA\u00c7\u00c3O NA CLASSIFICA\u00c7\u00c3O DE MOVIMENTOS DO MEMBRO SUPERIOR ATRAV\u00c9S DE SINAIS MIOEL\u00c9TRICOS” Palavras-chave: Sinais Mioel\u00e9tricos. L\u00f3gica Paraconsistente. Reconhecimento de padr\u00e3o. Paraconsistent Random Forest. “<\/p>\n","protected":false},"excerpt":{"rendered":" Defesa P\u00fablica da Tese de Doutorado da Mestre em Engenharia El\u00e9trica GABRIELA WINKLER FAVIEIRO: Data: 11\/10\/2019 – sexta-feiraHor\u00e1rio: 14h30minLocal: Sal\u00e3o de Eventos do Instituto Eletrot\u00e9cnico da UFRGS (Av. Osvaldo Aranha, 103 – 1\u00ba andar – Campus Centro) Banca Examinadora:Prof. Dr. Teodiano Freire Bastos Filho – PPGEE – UFES (Relator)Prof. Dr. Fernando Santos Os\u00f3rio – Departamento de… Continue a ler »Defesa de Tese de Doutorado da aluna Gabriela Winkler Favieiro<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"neve_meta_sidebar":"","neve_meta_container":"","neve_meta_enable_content_width":"","neve_meta_content_width":0,"neve_meta_title_alignment":"","neve_meta_author_avatar":"","neve_post_elements_order":"","neve_meta_disable_header":"","neve_meta_disable_footer":"","neve_meta_disable_title":"","footnotes":""},"categories":[4],"tags":[],"class_list":["post-322","post","type-post","status-publish","format-standard","hentry","category-eventos"],"_links":{"self":[{"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/posts\/322","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/comments?post=322"}],"version-history":[{"count":0,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/posts\/322\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/media?parent=322"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/categories?post=322"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.ufrgs.br\/ppgee\/wp-json\/wp\/v2\/tags?post=322"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Hor\u00e1rio: 14h30min
Local: Sal\u00e3o de Eventos do Instituto Eletrot\u00e9cnico da UFRGS (Av. Osvaldo Aranha, 103 – 1\u00ba andar – Campus Centro)
Banca Examinadora:
Prof. Dr. Teodiano Freire Bastos Filho – PPGEE – UFES (Relator)
Prof. Dr. Fernando Santos Os\u00f3rio – Departamento de Sistemas de Computa\u00e7\u00e3o – ICMC – USP
Prof. Dr. Alexandre Rosa Franco – Biomedical Imaging & Neuromodulation -The Nathan S. Kline Institute for Psychiatric Research (NY – EUA)<\/em>
Prof. Dr. Altamiro Amadeu Susin – PPGEE – UFRGS
Prof. Dr. Valner Jo\u00e3o Brusamarello – PPGEE – UFRGS
Orientador: Prof. Dr. Alexandre Balbinot – PPGEE – UFRGS<\/p>\n\n\n\n
Resumo:
“Algoritmos de aprendizado de m\u00e1quina, em especial os de reconhecimento de padr\u00e3o, tem evolu\u00eddo cada vez mais no campo cientifico. No entanto, a aplica\u00e7\u00e3o de tais algoritmos em sinais f\u00edsicos \u00e9 sempre um desafio, pois eventos indesej\u00e1veis podem ocorrer quando os sinais s\u00e3o adquiridos fora de um ambiente controlado. Dentre diversas aplica\u00e7\u00f5es, o reconhecimento de movimentos atrav\u00e9s de sinais de sEMG \u00e9 especialmente complicado, pois os mesmos est\u00e3o sujeitos a diversos tipos de contaminantes que podem degradar o sinal. Essas degrada\u00e7\u00f5es alteram as caracter\u00edsticas dos sinais mioel\u00e9tricos, dificultando a capacidade dos algoritmos de reconhecimento de padr\u00e3o em descriminar classes de movimento. Este trabalho apresenta contribui\u00e7\u00f5es no desenvolvimento de dois algoritmos de reconhecimento de padr\u00e3o que levam em considera\u00e7\u00e3o o tratamento desses sinais n\u00e3o-ideais. Ambos os m\u00e9todos s\u00e3o baseados na L\u00f3gica Paraconsistente, que \u00e9 uma l\u00f3gica n\u00e3o cl\u00e1ssica, admitindo o emprego desses sinais em sua estrutura te\u00f3rica sem invalidar suas conclus\u00f5es. No primeiro caso, prop\u00f4s-se uma Rede de An\u00e1lise Paraconsistente com uma topologia que utilizasse exclusivamente a L\u00f3gica Paraconsistente na classifica\u00e7\u00e3o de movimentos do membro superior. Ap\u00f3s as an\u00e1lises preliminares do m\u00e9todo, foi conclu\u00eddo que a l\u00f3gica paraconsistente foi bem-sucedida em tratar sinais mioel\u00e9tricos para a classifica\u00e7\u00e3o de 17 movimentos de segmento m\u00e3o-bra\u00e7o. No entanto, foi observada a necessidade de utilizar um algoritmo mais adapt\u00e1vel a diferentes configura\u00e7\u00f5es e aplica\u00e7\u00f5es. O segundo m\u00e9todo, Paraconsistent Random Forest, desenvolvido neste trabalho, agrega as vantagens de classificadores h\u00edbridos, entre elas, a baixa suscetibilidade a ru\u00eddo usando uma abordagem de Random Forest e a capacidade da L\u00f3gica Paraconsistente em lidar com dados n\u00e3o-ideais. Al\u00e9m disso, essa hibridiza\u00e7\u00e3o das t\u00e9cnicas aumenta o poder representativo das \u00c1rvores de Decis\u00e3o e sua aplicabilidade em contextos vagos ou contradit\u00f3rios. O m\u00e9todo Paraconsistent Random Forest foi validado empregando diversas bases de dados padr\u00e3o na \u00e1rea de aprendizagem de m\u00e1quina obtendo taxas de acertos equipar\u00e1veis aos m\u00e9todos tradicionais e se sobressaindo na classifica\u00e7\u00e3o de bases de dados
degradadas. O desempenho do m\u00e9todo Paraconsistent Random Forest tamb\u00e9m foi avaliado na \u00e1rea de reconhecimento de movimentos do membro superior atrav\u00e9s de sinais mioel\u00e9tricos. V\u00e1rios procedimentos experimentais foram empregados para analisar a viabilidade e robustez do m\u00e9todo quanto a contaminantes t\u00edpicos da \u00e1rea de eletromiografia de superf\u00edcie, como artefatos de movimento, ru\u00eddo t\u00e9rmico e perda do contato eletrodo-pele. O m\u00e9todo Paraconsistent Random Forest se mostrou promissor para o uso em contextos onde ocorrem degrada\u00e7\u00e3o dos dados de entrada, apresentando um decr\u00e9scimo inferior a 20% na predi\u00e7\u00e3o dos movimentos em compara\u00e7\u00e3o aos m\u00e9todos tradicionais que apresentaram, na mesma situa\u00e7\u00e3o, decr\u00e9scimos de at\u00e9 90%, invalidando o modelo. Todos os experimentos foram validados estatisticamente utilizando conceito de projeto fatorial completo.<\/p>\n\n\n\n