T´ecnicas para reduc¸˜ao de dimensionalidade dos dados e atributos

sa´ıda do filtro.

3.6

T´ecnicas para reduc¸˜ao de dimensionalidade dos dados e

atributos

Diferentes abordagens podem ser encontradas em relac¸˜ao `a reduc¸˜ao de dimensionalidade de atributos, e normalmente s˜ao classificadas em duas abordagens: t´ecnicas de selec¸˜ao e de transformac¸˜ao de caracter´ısticas.

3.6.1

T´ecnicas de Selec¸˜ao

O processo de selec¸˜ao ´e fundamentado em quatro partes essenciais: gerac¸˜ao, avaliac¸˜ao, crit´erio de parada e validac¸˜ao de resultado de cada subconjunto. A etapa de gerac¸˜ao prevˆe a criac¸˜ao dos subconjuntos baseando-se em algum crit´erio espec´ıfico de pesquisa onde, os me- lhores subconjuntos anteriores s˜ao usados para avaliac¸˜ao dos subconjuntos gerados. Assim, deve-se definir a priori uma estrat´egia de avaliac¸˜ao. Caso os novos subconjuntos sejam melho- res aos anteriores, estes ser˜ao substitu´ıdos. Este processo se repete at´e atingir algum crit´erio de parada previamente estabelecido. Sendo assim, quando o melhor subconjunto ´e ent˜ao se- lecionado, este por sua vez precisa passar por uma validac¸˜ao utilizando um conjunto de dados teste e um algoritmo de classificac¸˜ao. Se um algoritmo indutivo for utilizado, a classificac¸˜ao de caracter´ıstica ´e classificada em duas t´ecnicas, filtragem e wrapper. O primeiro usa carac- ter´ısticas intr´ınseca dos dados para avaliar a adequabilidade do subconjunto, sendo que este m´etodo geralmente n˜ao tem um custo alto em sua implementac¸˜ao, visto que utilizam algoritmos de induc¸˜ao em sua implementac¸˜ao (LIU; YU, 2005). J´a o segundo, tem uma implementac¸˜ao com um custo um pouco mais alto uma vez que, algoritmos de minerac¸˜ao s˜ao usados (agru- pamento, classificac¸˜ao, entre outros). Este m´etodo seleciona caracter´ısticas mais condizentes `a minerac¸˜ao quando comparado aos m´etodos de filtragem (SILVA et al., 2011).

3.6.1.1 Selec¸˜ao de atributos por Filtragem

Est´a t´ecnica tem como objetivo eliminar os atributos irrelevantes segundo algum crit´erio antes de iniciar o treinamento. A ideia geral do algoritmo ´e considerar algumas caracter´ısticas gerais do conjunto de treinamento para selecionar alguns atributos relevantes e desconsiderar os outros.

3.6 T´ecnicas para reduc¸˜ao de dimensionalidade dos dados e atributos 64

s˜ao considerados independentes uma vez que os algoritmos de AM receber˜ao apenas exemplos contendo atributos que tenha significˆancia para o problema a ser processado.

A Figura 3.17 apresenta um fluxograma do funcionamento do algoritmo.

Figura 3.17: Fluxograma da selec¸˜ao de atributos pelo m´etodo da filtragem.

3.6.1.2 Selec¸˜ao de atributos por Wrapper

Nesta t´ecnica o algoritmo de classificac¸˜ao ´e executado para cada subconjunto de atributos, e a avaliac¸˜ao ´e feita com base na acur´acia preditiva do algoritmo. O subconjunto com o me- lhor desempenho de aprendizagem ´e definido como o melhor subconjunto de atributos. Estes algoritmos possuem crit´erios de parada e selec¸˜ao de busca distintos (LIU; MOTODA, 2007). A abordagem wrapper pode ser vista na Figura 3.18.

3.6.2

T´ecnicas de Transformac¸˜ao

Tamb´em conhecida como t´ecnicas de extrac¸˜ao ou reduc¸˜ao de caracter´ısticas, esse m´etodo ´e baseado na criac¸˜ao de um subconjunto totalmente novo, alterando seu espac¸o inicial de ca- racter´ıstica para representar os dados. ´E um m´etodo bastante difundido no meio cient´ıfico onde sua metodologia ´e baseada na extrac¸˜ao de componentes importantes presentes nos dados origi- nais, normalmente utilizada em formac¸˜ao de clusters. A PCA (Principal Component Analysis) ´e uma das abordagens mais cl´assicas desse m´etodo, sendo sua funcionalidade relacionada `a combinac¸˜ao linear de um conjunto de vetores que melhor descreve a variˆancia dos dados (XU, 2005). Al´em disso, ´e considerado um dos principais m´etodos n˜ao supervisionados para reduc¸˜ao de dimensionalidade fornecendo aproximac¸˜oes lineares para um determinado conjunto de da- dos.

3.7 Considerac¸˜oes Finais 65

Figura 3.18: Fluxograma da selec¸˜ao de atributos pelo m´etodo da Wrapper.

3.7

Considerac¸˜oes Finais

Neste cap´ıtulo foi apresentada a contextualizac¸˜ao relativa ao tema de pesquisa desta tese, redes neurais artificiais e t´ecnicas para transformac¸˜oes de dados. No pr´oximo cap´ıtulo ser´a descrita a metodologia adotada nesta tese onde ser´a abordada a obtenc¸˜ao dos dados reais das culturas de neurˆonios, transformac¸˜ao dos dados, o processo de estimac¸˜ao dos neurˆonios sobre os microeletrodos, al´em da identificac¸˜ao dos tipos de neurˆonios e o framework desenvolvido para a visualizac¸˜ao dos dados.

Cap´ıtulo 4

MATERIAIS E

M ´ETODOS

Neste cap´ıtulo ser˜ao apresentados os principais m´etodos utilizados no desenvolvimento desta tese. Inicialmente na Sec¸˜ao 4.1 ´e descrito sucintamente a estrutura do sistema desen- volvido atrav´es do diagrama de blocos. Na Sec¸˜ao 4.2 ´e descrita a cultura de neurˆonios in vitro realizada na Universidade de Gˆenova, It´alia, que possibilitou a obtenc¸˜ao dos dados utilizados ao longo dos experimentos realizados nesta tese. Na Sec¸˜ao 4.3, s˜ao mostradas as principais partes do framework desenvolvido. Na Sec¸˜ao 4.4 ´e descrito o m´etodo para a an´alise dos sinais e aplicac¸˜ao do mapeamento para a obtenc¸˜ao de uma figura bidimen- sional de distribuic¸˜ao associada `a cultura de neurˆonios em MEA. Na Sec¸˜ao 4.5 ´e descrito o m´etodo utilizado para a classificac¸˜ao dos neurˆonios mapeados em func¸˜ao da morfologia dos respectivos spikes. Em seguida s˜ao apresentadas as considerac¸˜oes finais na Sec¸˜ao 4.6.

4.1

Estrutura do Sistema Desenvolvido

Existem na literatura uma grande variedade de softwares que s˜ao utilizados para o p´os- processamento dos dados observados em registros utilizando MEAs, no entanto estes nem sem- pre s˜ao acess´ıveis por serem de alto custo. Al´em disso, eles podem apresentar uma complexi- dade bastante alta no manuseio, leitura dos dados e consequentemente na an´alise. Nesta tese optou-se pelo desenvolvimento de um framework para an´alise de dados observados na matriz de microeletrodos com objetivo bastante espec´ıfico de estimar a distribuic¸˜ao neurˆonios. As funcio- nalidades implementadas s˜ao func¸˜oes mais procuradas quando se trata de software para an´alise de registros eletrofisiol´ogicos.

A estimac¸˜ao da distribuic¸˜ao de neurˆonios ´e uma tarefa bastante complexa que exige um alto custo computacional. Uma forma convencional de se visualizar a distribuic¸˜ao de neurˆonios sobre a MEA ´e o uso de imageamento fotogr´afico da microscopia, por´em, para a obtenc¸˜ao das