BANCO DE MEMÓRIA (M PFRAG )
ATIVIDADE AG SEL(%) CRUZ(%) MUT(%) REP(%) ID(%)
8.2 Limitações e Restrições
Devido a limitação dos objetivos deste trabalho constantes no capítulo 7, seção 7.2, ficaram de fora do escopo os estudos igualmente importantes para a consolidação do modelo proposto. Sem a ideia de exaurir, estas questões são listadas abaixo:
– Estudo da complexibilidade da implementação CGAADT em dispositivos
reconfiguráveis FPGA de acordo com a proposta de fragmentação da base no cromossomo;
– Uma primeira versão do co-processamento rápido foi inicialmente direcionada
para uma solução utilizando dispositivos lógicos reconfiguráveis os FPGAs (Field Programmable Gate Arrays), mas infelizmente devido a não possibilidade de uma integração adequada do ambiente de modelagem ao Matlab (MATHWORS,2014) e o ambiente de síntese do dispositivo, esta versão foi abortada.
– Compatibilidade e integração das ferramentas de síntese de hardware e
aplicações em software para coleta de resultados;
– Análise estatística do desempenho computacional da complexibilidade dos
algoritmos CGAADT e GAADT em FPGA;
– Tratamento da não linearidade das variáveis estatísticas constantes nos estudos
de casos;
– Passagem do cromossomo de tamanho variado pelo CGAADT para
coprocessadores como FPGA e GPU;
– Abordagens de arquiteturas do CGAADT em múltiplas GPUs;
– Avaliar o tempo dispendido em operações de memória na execução do
algoritmo;
A aplicação do CGAADT, devido à sua forma de concepção, aponta para uma aplicabilidade muito ampla. Entretanto, neste trabalho, ele foi aplicado ilustrativamente em alguns casos, por exemplo, o caso do problema de pacientes portadores de arritmias cardíacas. No entanto, como um trabalho futuro desta tese, pretende-se trabalhar com mais arritmias, e embarcar todo o sistema de processamento rápido a partir de uma arquitetura FPGA e comparar resultados do processamento com a versão atual. Espera- se com isso ter-se um desempenho computacional melhor ou similar à versão com GPU, o que pode viabilizar a solução deste sistema para equipamentos de ECG portáteis adequados para solução de diagnóstico rápido de várias arritmias. Nesta nova versão seria também interessante se alterar a função de adaptação de gene para considerar suavizações maiores do sinal de ECG e avaliar o quanto isso altera o resultado do sistema. Um ponto relevante ainda a considerar é a possibilidade de se trabalhar com a detecção de um número menor dos elementos do sinal de ECG e verificar como isto altera o diagnóstico do sistema.
ACHARYAA, R. at al. Ecg Beat Classification Using Pca, Lda, Ica and Discrete Wavelet Transform. Biomedical Signal Processing and Control, Elsevier, p. 437-448, 2013.
ADRIAANS, P.; ZANTINGE, D. Data Mining. England, 1996.
ANDREJ, Z.; MATEJ C. Fpga-oriented hw/sw implementation of ecg beat detection and classification algorithm. Digital Signal Processing , Elsevier, p. 238-248, 2010. BAKER, J. E. Adaptive selection methods for genetic algorithms. In J. J. Grefenstette, editor Proceedings of the First International Conference on Genetic Algorithms, Lawrence Erlbaum Associates, p. 101-111,1985.
BARRY, J. at al. Análise Multivariada de Dados. 6ª edição, Bookman, Porto Alegre, p. 688, 2009.
BERGMAN, A.; FELDMAN, M. W. Recombination dynamics and the fitnes landscape. Ph.D. these, University of Illinois, 1992.
BINI, S.; BURATTINI, L. Automatic microvolt twave alternans identification in relation to ecg interferences surviving preprocessing. Medical Engineering & Physics, Elsevier, p. 33-1730, 2011.
BOTELHA, G.; CASTILHO, E.; MORALES, D. P. Efficient wavelet-based ecg processing for single lead fhr extraction. Digital Signal Processing, Elsevier, p. 1897- 1009, 2013.
BODISCO T. at al. Computation of ecg signal features using mcmc modelling in software and fpga reconfigurable hardware. Procedia Computer Science, ICCS 2014. 14th International Conference on Computational Science, Elsevier, v. 29, 2014, p. 2442-2448, 2014.
BOOKER, L. Improving search in genetic algorithms. In L. Davis, editor, Genetic Algorithms and Simulated Annealing, Pitman, 1987.
BRAMLETTE, M. F. Initialization, mutation and selection methods in genetic algorithms for function optimization. In R. K. Belew and L. B. Booker, editor, Proceedings of the Fourth International Conference on Genetic Algorithms, Morgan Kaufmann, 1991.
BSOUL, K.; JI, S. W. and Detection of p, qrs, and t components of ecg using wavelet transformation, IEEE, 2009.
CARNEIRO, E. F. O Eletrocardiograma, 3ª. Edição, Atheneu, Rio de Janeiro, 1986. CARVALHO, E. P. A. at al. Análise Multivariada de Dados: para cursos de
Administração, Ciencias contábeis e economia. 2012.
CUNHA, P. C. N. Modelo de eletrocardiógrafo portátil de baixo consumo. Dissertação de Mestrado em Modelagem Computacional de Conhecimento, Universidade Federal de Alagoas, 2012.
COX, R. H. at al. A novel mutation in the kcnh2 gene associated with short qt syndrome. Journal of Molecular and Cellular Cardiology, Elsevier, v.50, p.433-441, 2011.
COLEY, D. A; DAVID, A. An Introduction to Genetic Algorithms for Scientists and Engineers. 1999.
DINIZ, C. A. R.; LOUZADA. F. Data Mining : Uma Introdução. Associação Brasileira de Estatística, São Carlos, 2000.
DARWIN, C. The Origin of Species. 1859. Disponível em :< https://www.andrew.cmu.edu/user/jksadegh/A1999>. Acesso em : 15 de março de 2014. DAVIS, L. Job shop scheduling with genetic algorithms. In J. J. Grefenstette, editor, Proceedings of the First International Conference on Genetic Algorithms, Lawrence Erlbaum Associates, 1985a.
DAVIS, L.; COOMBS, S. Genetic algorithms and communication link speed design: theoretical considerations. In J. J. Grefenstette, editor, Proceedings of the Second International Conference on Genetic Algorithms, Lawrence Erlbaum Associates, 1987b. DELBEM, A.C.B.; CASSEB, M. V. G.; COURY, D.V. ;SILVA, R.P.M. Programable logic design of a compact genetic algorithm for phasor estimation in real-time. Elsevier, p. 109-118, 2014.
DOMINIK, N. A. C.; OLIVER Z. A.B. at al. Data-driven estimation of cardiac electrical diffusivity from 12-lead ecg signals. Medical Image Analysis, Elsevier, p. 5-16, 2014. EDWARD, K.; JASON S. CUDA by Example:An Introduction to General-Purpose GPU Programming. Addison Wesley, New York, 2011.
FARBER, R. CUDA Application Design and Development. Morgan Kaufmann, Elsevier, USA, 2011.
FARAJI, R.; HAMID R. An efficient crossover architecture for hardware parallel implementation of genetic algorithm. Neurocomputing, Elsevier, v. 128, p. 316-327, 2014.
FERREIRA, A. M. V. Uma Especificação do Algoritmo Genético Baseado em Tipos Abstratos de Dados para Diagnóstico de Arritmias Ventriculares a ser Aplicada a partir do Eletrocardiograma, Dissertação de Mestrado, Universidade Federal de Alagoas, 2011.
FLYNN, P. J.; ANIL K.; JAIN, M.N. Murty. Data clustering: A review. ACM Computing Surveys, v.31 n° 3., p.264-323, 1999.
GOLDBERG, D. E. Algorithms in Search, Optimization and Machine Learning. Addison Wesley, 1989.
GRITZALI, F. Towards a generalized scheme for QRS detection in ECG waveforms. Signal Process, v. 15, p.183–92, 1998.
HAYKIN, S. Neural Networks: a comprehensive foundation, Pearson, 2001.
HOLLAND, J. H. Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. MIT Press, 1975.
HUDSON, R. P. Perspectivas em exame clínico. Interamericana, Rio de Janeiro, 1976. JEFFREY, D.; RAJARAMAN A. Mining of Massive Datasets. Stanford University Press, 2014.
JOHANNESEN, L. at al. A wavelet based algorithm for delineation and classification of wave patterns in continuous holter ecg recordings. Computing in Cardiology, Elsevier, v. 37, p.979-982, 2010.
JONG, K. A. D. An analysis of the behavior of a class of genetic adaptive systems. Ph.D. These,University of Michigan, 1975a.
JONG, K. A. D.;POTTER, M. A.; SPEARS, W. M. Using problem generators to explore the effects of epistasis. Proceedings of the International Conference on Genetic Algorithms, Michigan State University, East Lansing, MI, 1997b.
JANIKOW, C. Z.; MICHALEWICZ, Z. An experimental comparison of binary an floating point representations in genetic algorithms. Proceedings of the International Conference on Genetic Algorithms, IEEE, 1991.
KAMBER, M H. Jiawei. Data Mining: Concepts and Techniques, New York, Morgan Kaufmann, 2000.
KANEMOTO, N. Significance of u wave polarities in previous anterior myocardial infarction. Journal of Eletrocadiology, Elsevier, v.24, n.2, 1991.
KAUR. G. VHDL : Basics to Programming. Always Learning , Pearson, 2011.
KHAZAEE, A.; FACULTY, A.; EBRAHIMZADEH, B. Detection of electrocardiogram signals using an efficien method. Applied Soft Computing, Elsevier, p. 108-117, 2014. KING, M. C.; WILSON, A. C. Evolution at two levels in humans and chimpanzees. Science New Series , v. 188, n°.4184, p. 107-116, 1975.
KROMER, A. P; VACLAV, S. A comparison of many-threaded differential evolution and genetic algorithms on cuda. IEEE, 2011.
KYRKOS. A, GIAKOUMAKIS, E.A.; CARAYANNIS, G. QRS detection through time recursive prediction technique. Signal Process, v.15, p.429–36, 1988.
JOHN, G.; PROAKIS, V. Digital Signal Processing using Matlab. Third Edition, Cengage Learning, 2010.
LAWRENCE, L.; BARNEY B. POSIX Threads Programming. Disponível em: < https://computing.llnl.gov/tutorials/pthreads/>. Último Acesso: 03 de janeiro de 2014. LEE, G. at al. Development of ecg beat segmentation method by combining lowpass filter and irregular R-R interval checkup strategy. Expert Systems with Applications, Elsevier, v. 37, p.5208-5218, 2010.
LI, Y.; JIANG, L.; Ma, L.; Ji, Z.; Yu, H. Adaptive lifting scheme for ecg qrs complexes detection and its fpga implemantation, 3rd International Conference on Biomedical Engineering and Informatics, IEEE, 2010.
LUA, Y.; SONG, G., LONG, C. X. Z.; GUOA, M. Architecture-based design and optimization of genetic algorithms on multi-core and many-core systems. Future Generation Computer Systems Elsevier, v. 38, p. 75-91, 2014.
LUDEMIR, T. B.; LENON, A. C. P.; BRAGA A. P. Redes Neurais Artificiais Teoria e Aplicações. Livros Técnicos e Científicos, Rio de Janeiro, 2000.
LUECKE, C. Impact of heart rate and rhythm on radiation exposure in prospectively ecg triggered computed tomography. European Journal of Radiology. Elsevier, 2011. LUGER, G. F. Inteligencia Artificial estruturas e estratégias para a resolução de problemas complexos. 4ª. Edição, Bookman, Porto Alegre, p.771, 2004.
MARK, A.; HALL, I.; WITTEN, H. Data mining : practical machine learning tools and techniques. Cambridge University Press, 2014.
MATHWORKS - Softwares Matlab R2010, R2012a, R2012b, R2013a e R2014a. Disponível em:< http://www.mathworks.com>. Acesso em : 20 de agosto de 2014. MEDEIROS,. V. W. C. Um ambiente integrado para desenvolvimento rápido da migração reversa no tempo (RTM) em plataformas fpga de alto desempenho. Tese de Doutorado, Universidade Federal de Pernambuco, Pós-Graduação em Ciência da Computação, Centro de Informática, 2013.
MEUSER, V. Aplicando Redes Neurais: Um Guia Completo. Livro Rápido, Olinda-PE, p. 284, 2005.
MERABTI, D. M. H. Fpga based implementation of a genetic algorithm for Arma model parameters identification GLSVLSI’14, Houston, Texas, USA, ACM, v. 978, p. 21–23 , 2014.
MELO, B. R. P. Melo. An application of a new genetic algorithm to assist the detection of segments of an ecg signals. ISABEL' 11, ACM, Barcelona, Span, 2011a.
MELO, B. R. P. Um Sistema Adaptativo para Detecção de Ondas de Eletrocardiografia, Dissertação de Mestrado em Modelagem Computacional de Conhecimento, Universidade Federal de Alagoas, 2011b.
MENDIS, S. Global Status Report: on non communicable diseases. WHO Library Cataloguing, 2014.
MEIRA, W. J.; MOHAMMED, J. Data Mining and Analysis: Fundamental Concepts and Algorithms. International Journal of Cardiology, Cambridge University Press, 2014. MEHTA, S.S.; LINGAYAT, N.S. Development of SVM based classification techniques for the Delineation of wave components in 12-lead electrocardiogram. Biomed Signal Process Control, v.3, p.341–9, 2008.
MEHTA, S.S; SAXENA, S.C; VERMA, H. K.Computer-aided interpretation of ECG for diagnostics. Int J Syst Sci, v. 27, p.43–58, 1996.
MEHTA, S.S; SHETE D.A; LINGAYAT N.S, CHOUHAN, V. S. K-Means Algorithm For The Detection And Delineation Of QRS-Complexes In Electrocardiogram, Elsevier IRBM, v.31, p.48–54, 2010.
MEYER, P. Probabilidade: Aplicações a Estatística. LTC, 2012.
MOFFA, P.; SANCHES, P; Eletrocardiograma: normal e patológico, 7ª edição, Roca, São Paulo, 2001a.
MOFFA, P.; SANCHES, P.; Eletrocardiograma: Uma abordagem didática. 1ª edição, Roca, São Paulo, p. 356 ,2010b.
MORALES, D.P. at al. Flexible ecg acquisition system based on analog and digital reconfigurable devices, Sensors and Actuators A: Physical, Elsevier , v.165, p.261- 270,2011.
MOREIRA, D. A. R. Fibrilação Atrial. 2ª edição, Lemos Editorial, São Paulo, p. 311, 2005.
MORETIN, P. A.; BUSSAD, W. O. Estatística Básica, 6ª edição, Saraiva, 2012.
MORRIS, F.; WILLIAM, J.; BRADY, J. C., JUNE, E. ABC Clinical Electrocardiography. BMJ Books, Londron, p. 89, 2003.
MAHALAKSHMI, M.; KALAIVANI, P.; NESAMALAR. K. E. A review on genetic algorithm and its applications, International Journal of Computing Algorithm, IEEE, v.02, December 2013, p. 415-423 2013.
MITSUO, G.; XINJIE Y. Introduction to Evolutionary Algorithms. Springer- Verlag London, 2010.
MUNSHI, A. OpenCL Programming Guide. 2011.
NIANQIANG, L.; Guoyi, Z.; Yongbing, W. A preferable method on digital filter in ecg signal processing based on fpga. Third International Symposium on Intelligent Information Technology and Security Informatics, IEEE, 2010.
NVIDIA CORPORATION. Disponível em:
<http://www.nvidia.com.br/page/home.html>. Acesso em:23 de setembro de 2014a. NVIDIA CUDA C Programming Guide, Version 4.2, 1999. Disponível em: <http://www.nvidia.com.br/page/home.html>. Acesso em:23 de setembro de 2014b. NORVING, P.; RUSSEL, S. Artificial Intelligence: A Modern Approach, Prentice Hall, 1995.
OPENCL Programming Guide for the CUDA Architecture, V 2.3, 2009. Disponível em: <http://www.nvidia.com.br/page/home.html>. Acesso em:23 de setembro de 2014. OLIVEIRA, W. J.; PEDROSA L. C. Doenças do Coração: Diagnóstico e Tratamento. 1ª edição, Revinter, São Paulo, p. 536, 2011.
OISO, T. Y. M.; YOSHIYUKI, M. K. O. Accelerating steady-state genetic algorithms based on CUDA architecture. IEEE, 2011.
PHYSIONET, MIT-BIH Arrhythmia Databases. Disponível em: <http://www.physionet.org/physiobank/database/mitdb>. Acesso em: 30 de agosto de 2014.
PORTO, C. C. Doenças do Coração : prevenção e tratamento. Guanabara, 2005.
POVÓA, R.; FERREIRA, C. Cardiologia Clínica.1ª edição, Editora Atheneu, São Paulo, p. 914, 2009.
PADRINI, R. at al. Morphological algebraic models of the T U wave patterns / in idiopathic long qt syndrome. International Journal of Cardiology, Elsevier, v. 77, p.151- 162, 2001.
QIANG, L.; YAO, C.; YU, H. Application of distributed fir filter based on fpga in the analyzing of ecg signal. International Conference on Intelligent System Design and Engineering Application, IEEE, 2010.
RAONY, B. A. A. Relatório técnico: Um comparativo de performance entre Implementações da Conversão de Canais RGB para Luminância em CUDA, C++ e OPENCL, Universidade Federal de Pernambuco, Centro de Informática, 2015.
RAMOS, V. W J. Uma aplicação do algoritmo genético baseado em tipos abstratos de dados ao problema de separação cega de fontes com não-linearidade posterior. dissertação de mestrado. Dissertação de Mestrado, Universidade Federal de Alagoas, 2011.
RENCHER, A. C. Methods of Multivariate Analysis. Wiley Interscience, 2002.
SAINI, J.P. at al. Design and comparision of digital filter for removal of baseline wandering from ecg signal. In 5th International Conference on Computational Intelligence and Communication Networks, Journal of Advanced Research , Elsevier, p. 331-344. 2013a.
SAINI, I.; ARUN, K.; SINGH, D. Qrs detection using k-nearest neighbor algorithm (knn) and evaluation on standard ecg databases. Journal of Advanced Research , Elsevier, p. 331-344, 2013b.
SABAH, M.; at al. A new algorithm for the compression of ecg signals based on mother wavelet parameterization and best-threshold levels selection. Digital Signal Processing, Elsevier, p. 1002-1011, 2013.
SATO, M. Y.; HASEGAWA, N. Acceleration of genetic algorithms for sudoku solution on many-core processors. GECCO-11, Dublin, Ireland. ACM , p. 12-16, 2011.
SAKLY, A.; SADEK, M.B. Implementation of genetic algorithms using fpga technology. FPGA World, ACM, Finland, p. 1645-3, 2012.
SINGH, J.; GUPTA, A.; CULLER, D. Parallel Computer Architecture: a hardware/software approach. Morgan Kaufmann Publishers, 1999.
SIVANANDAM. S.N.; DEEPA, S.N. Introduction to Genetic Algorithms. Springer- Verlag Berlin, 2008.
SIMAR, L.; Härdle, W. Applied Multivariate Statistical Analysis, Springer-Verlag, Berlin Heidelberg, 2003.
SDK. Software Development Kit (SDK), Altera. Disponível em: <https://www.altera.com/download/sw/dnlswindex.jsp>. Acesso em: 23 de julho de 2014.
SCHLOSSER, M. at al. Detection of u wave activity in healthy volunteers by high resolution magnetocardiography. Journal of Electrocar-diology, Elsevier, v. 43, p.43-47, 2010.
Proceedings of the Third International Conference on Genetic Algorithms, Morgan Kaufmann, 1989.
TUDOSA. N. A. I. Fpga approach of an adaptive filter for ecg signal processing. 2012 International Conference and Exposition on Electrical and Power Engineering (EPE 2012), Iasi, Romania, IEEE, p. 25-27, 2012.
THOMAS, A. at al. Estatística Aplicada: à Administração e Economia. 2ª edição, Cengage Learning, São Paulo, p. 597, 2011a.
TRAHANIAS P.E; SKORDALALKIS E. Bottom up approach to the ECG pattern- recognition problem. Med. Biol. Eng. Comput, v. 27, p.221–9, 1989b.
TRAHANIAS P.E. An approach to QRS-complex detection using mathematical morphology. IEEE Trans Biomed Eng, v. 40, p. 201–5, 1993.
VEIGA, J. L. F. F.; HIDALGO, J. I. P. Parallel Architectures and Bioinspired Algorithms, Springer, 2012.
VELOSO, P. A. S.;TOSCANI, L. V. Complexidade de Algoritmos. 3ª Edição, Porto Alegre, Bookman, p. 274, 2012.
VIEIRA, R. V. V. Um Algoritmo Genético Baseado em Tipos Abstratos de Dados e sua especificação em Z, Tese de Doutorado, Universidade Federal de Pernambuco, 2003. VIJAYA, G.; VINOD, K.; VERMA, H. K. ANN-based QRS-complex analysis of ECG. J Med Eng Technol, v. 22, p.160–7, 1998.
WATANABE, H. High prevalence of early repolarization in short qt syndrome. Heart Rhythm, Elsevier, v. 7, n° 5, p. 1547-5271, 2010.
WILLIAM, B. L. Generalisation in genetic programming. GECCO'11, Dublin, Ireland. ACM , p.12-16, 2011.
WIKIPEDIA. Enciclopedia livre wikipedia. Disponível em
:<https://pt.wikipedia.org/wiki/.último>. Acesso em :13 de julho de 2015.
WEN-MEI, W.; HWU, D.; KIRK. B. Programando para Processadores Paralelos: Uma Abordagem Prática à Programação de GPU, Campus, Elsevier, p. 203, 2012.
YEH, Y., HongJhih L., Chiou C. W. Analyzing ecg for cardic arrhythmia using cluster analysis. expert systems with applications. Elsevier, p. 1000-1010, 2012.