Um filtro adaptativo de alto desempenho instaciado do algoritmo GAADT para o processamento de sinais de eletrocardiograma

(1)

DO ALGORITMO GAADT PARA O PROCESSAMENTO DE SINAIS DE ELETROCARDIOGRAMA

Por

ANDRILENE FERREIRA MACIEL Tese de Doutorado

Universidade Federal de Pernambuco posgraduacao@cin.ufpe.br www.cin.ufpe.br/~posgraduacao

RECIFE 2015

(2)

UM FILTRO ADAPTATIVO DE ALTO DESEMPENHO INSTANCIADO DO ALGORITMO GAADT PARA O PROCESSAMENTO DE SINAIS DE ELETROCARDIOGRAMA

Tese apresentada ao Programa de Pós-graduação em Ciência da Computação do Centro de Informática da Universidade Federal de Pernambuco, como requisito parcial para a obtenção do título de Doutor em Ciência da Computação.

Orientador

Prof. Dr. Manoel Eusébio de Lima Co-orientadora

Profa_{. Dr}a_{. Roberta Vilhena Vieira Lopes}

RECIFE 2015

(3)

Catalogação na fonte

Bibliotecária Joana D’Arc Leão Salvador CRB 4-572

M152f Maciel, Andrilene Ferreira.

Um filtro adaptativo de alto desempenho instaciado do algoritmo GAADT para o processamento de sinais de eletrocardiograma / Andrilene Ferreira Maciel. – 2015.

222 f.: fig., tab.

Orientador: Manoel Euzébio de Lima.

Tese (Doutorado) – Universidade Federal de Pernambuco. CIN. Ciência da Computação, Recife, 2015.

Inclui referências e apêndices.

1. Engenharia da computação. 2. Algoritmos genéticos. 3. Eletrocardiograma. I. Lima, Manoel Euzébio de (Orientador). II. Titulo. 621.39 CDD (22. ed.) UFPE-MEI 2016-75

(4)

Federal de Pernambuco, sob o título “Um Filtro Adaptativo de Alto Desempenho

Instanciado do Algoritmo GAADT para o Processamento de Sinais de Eletrocardiograma” orientada pelo Prof. Manoel Eusébio de Lima e aprovada pela Banca Examinadora formada pelos professores: __________________________________________ Profa. Edna Natividade da Silva Barros Centro de Informática / UFPE ___________________________________________ Prof. Abel Guilhermino da Silva Filho Centro de Informática / UFPE ___________________________________________ Profa. Veronica Teichrieb Centro de Informática / UFPE ___________________________________________ Prof. Guilherme Alencar Barreto Departamento de Engenharia de Teleinformática / UFC ____________________________________________ Prof. Sandra da Silva Mattos Hospital Real Português de Beneficência em Pernambuco Visto e permitida a impressão. Recife, 9 de setembro de 2015. ___________________________________________________ Profa. Edna Natividade da Silva Barros Coordenadora da PósGraduação em Ciência da Computação do Centro de Informática da Universidade Federal de Pernambuco.

(5)

(6)

A conclusão deste trabalho só foi possível devido colaboração de muitas pessoas: Ao professor Manoel Eusébio de Lima pela orientação e sobretudo pela compreensão.

A professora Roberta Vilhena Vieira Lopes, da Universidade Federal de Alagoas-UFAL, pela co-orientação, confiança e incentivo, sem os quais eu jamais teria concluído este trabalho, por ter me ensinado a ter sempre uma visão crítica sobre o meu trabalho. A minha grande amiga Rejane Ferreira da Biblioteca do CCSA da UFPE.

(7)

problemas causados pela forma como nos acostumamos a ver o mundo".

(8)

A implementação dos algoritmos genéticos (AGs) inspirados no modelo de Holland em hardware para filtrar sinais visa acelerar o tempo de convergência desses algoritmos através da implementação dos módulos considerados um gargalo para uma implementação em software. Porém estes módulos apresentam os mesmos problemas com a representação do cromossomo, a dependência dos operadores genéticos e a representação adotada para o cromossomo e a população, e a perda de cromossomos com características relevantes para a solução do problema ao qual o AG está sendo aplicado. Esta tese apresenta um filtro adaptativo que adota o algoritmo genético baseado em tipos de dados abstratos (GAADT), para o processamento de sinais de ECG, denominado de CGAADT, na plataforma GPU/CUDA. O CGAADT desenvolvido apresenta uma solução de alto desempenho. A escolha por este modelo de algoritmo genético justifica-se pelo fato do GAADT ter sido definido com o intuito de evitar os problemas dos modelos de AG até então encontrados na literatura de computação evolucionária. O GAADT trabalha com uma arquitetura aberta que considera a dinâmica do ambiente o qual os cromossomos estão inseridos, ou seja, a função de adaptação do GAADT busca o cromossomo da população mais adaptado ao ambiente, se este ambiente mudar então a busca realizada pelo GAADT será redirecionado para o cromossomo mais adaptado ao ambiente atual, em tempo de execução, sem a necessidade de interromper a execução atual do GAADT. O resultado obtido pelo GAADT é de melhor qualidade do que os outros modelos de AGs uma vez que este trabalha a definição de gene dominante, que são as informações presentes nos cromossomos relevantes para a solução do problema. Provocando uma explosão exponencial na população do GAADT, na busca por um cromossomo mais adaptado que contenha a maior quantidade possível de genes dominantes, o que pode levar meses de processamento até a coleta de dados em arquiteturas de CPUs convencionais. Um estudo comparativo entre a qualidade dos resultados obtidos ao filtrar os sinais de ECG de pacientes com arritmias sinusal, flutter atrial e fibrilação atrial do CGAADT com outros modelos é apresentado. As experiências avaliadas neste estudo indicam que o CGAADT apresenta uma versão otimizada do GAADT, que permite que todo o processamento do algoritmo genético, seja realizado na GPU, o que resultou em um ganho no tempo total médio do processamento do algoritmo em 17,43% na seleção, 1,39% no cruzamento, 1,12% na mutação, 9,02% na reprodução, 15,11% no processo de inserção de descendentes na população. Tais índices representam um ganho de tempo de processamento de 73,6% relacionado ao algoritmo genético de Holland.

(9)

The implementation of genetic algorithms (GAs) inspired by Holland model in hardware to filter signals aims to speed up convergence time of these algorithms by implementing the modules considered a bottleneck for a software implementation. However, these modules have the same problems with the representation of the chromosome, dependence on genetic operators, representation adopted for the chromosome and population, and the loss of chromosomes with relevant features for the solution of the problem to which the AG has being applied. This thesis presents an adaptive filter that takes a genetic algorithm based on abstract data types (GAADT) for processing ECG signals, called CGAADT, the GPU /CUDA plataform. The compact genetic algorithm based on abstract data types (CGAADT) developed presents a solution for high performance of genetic algorithms based on abstract data types. The choice of this genetic algorithm model is justified by the fact that the GAADT have been define with the purpose of avoid the problems of models AG until then found of evolutionary computation literature. The GAADT works with an open architecture that considers the dynamics of the environment to which the chromosomes are inserted, that is, GAADT adaptation function search the most suitable chromosome population to the environment, if this environment change, then the search will be performed by GAADT will be redirected to the chromosome more adapted to the current environment, at runtime, without need to interrupt the current run of GAADT. The result obtained by GAADT has better quality than others AG models, since this works the definition of dominant gene, which are the information provided in the relevant chromosomes to solve the problem. Causing an exponential explosion in GAADT population, in the search for a more suitable chromosome containing the maximum amount of dominant genes, which can take months of processing to data collection in architectures over traditional CPUs. A comparative study of the quality of the results obtained by filtering the ECG signals from patients with sinus arrhythmia, atrial flutter and atrial fibrillation CGAADT with other models is presented. Experiences assessed in this study indicate that CGAADT shows an optimized version of GAADT, which allows all processing of the genetic algorithm is performed on the GPU, which resulted in a gain in the average total processing time of the algorithm in 17,43%selection, 1,39% in crossover, 1,12% in mutation, 9,02% in reproduction, 15,11% in the process of inserting descendants in the population. Such percentage represent a 73,6% enhancement processing gain related to genetic algorithm Holland. Finally, they are made some relevant considerations on the CGAADT and suggested some interesting questions for future work.

(10)

Figura 1.1 - Diagrama de blocos da metodologia 38

Figura 2.1 - Pseudocódigo de um algoritmo genético 42

Figura 2.2 - Definição das estruturas de dados usadas no algoritmo genético de

Holland. 43

Figura 2.3 - Algoritmo de seleção elitista. 44

Figura 2.4 - Algoritmo de cruzamento de um ponto de corte. 45

Figura 2.5 - Algoritmo de mutação por complemento. 45

Figura 3.1 - Diagrama de blocos do GAADT na CPU. 54

Figura 4.1 - (A) Os eletrodos A e B no exterior não registram diferenças de

potencial. (B) Os eletrodos A e B no interior não registram diferenças de potencial. (C) Os eletrodos A (exterior) e B (interior) registram diferenças de potencial através da membrana celular, no estado de repouso, potencial de repouso transmembrana.

60

Figura 4.2 - Curvas de potencial de ação das diferentes estruturas cardíacas e a

correspondentes gêneses do ECG. 62

Figura 4.3 - Relação espacial do átrio direito (AD) e do átrio esquerdo (AE). NS

= Nó sinusal; NAV = nó atrioventricular; VCS= veia carva superior; VCI = veia carva inferior; VP= veia pulmonar. orientação dos vetores de ativação atrial, direito, esquerdo e resultante.

63

Figura 4.4 - A) Conexões dos eletrodos para o registro das três derivações bipolares dos membros D1,D2,D3. B) e C) Localização dos eletrodos e conexões elétricas para o registro das derivações unipolares precordiais. B) Posições dos eletrodos exploradores (V) para as seis derivações precordiais. C) Conexões para formar à central terminal de Wilson para o registro de uma derivação precordial. D) Localizações dos eletrodos e conexões elétricas para o registro das três derivações unipolares amplificada aVR, aVL e aVF. As linhas tracejadas indicam as conexões para gerar o potencial do eletrodo referência. As letras D,E e P indicam as localizações dos eletrodos nos braços direito e esquerdo, respectivamente.

64

Figura 4.5 - Vetores das três derivações bipolares e unipolares amplificada dos

membros A) e das seis derivações precordiais unipolares B) BD = braço direito; BE = braço esquerdo.

65 Figura 4.6 - A) as deflexões, segmentos e intervalos do eletrocardiograma

normal. B) diagrama do complexo P-QRT-T ilustrando a sequência de ativação dos átrios e tecido de condução. NS = nó sinusal; NAV = nó atrioventricular; His=feixe de His; RH = ramos do feixe de His; FP = fibra de Purkinje. As áreas assinaladas correspondem a sinais de alta frequência e baixa amplitude.

66

(11)

Figura 4.9 - Flutter Atrial. 72

Figura 5.1 - Fluxograma do algoritmo genético. 74

Figura 5.2 - Os resultados de desempenho do sistema de identificação. 74

Figura 5.3 - Arquitetura de algoritmo genético em FPGA. 75

Figura 5.4 - Arquitetura do GAP em FPGA. 76

Figura 5.5 - Hierarquia do PGA. 78

Figura 5.6 - Arquitetura multi-core. 78

Figura 5.7 - Implementação flowhart em CUDA. 79

Figura 5.8 - Modelo de característica qualitativa de seleção com CA. 80

Figura 5.9 - Modelo de medição no início da onda U: análises das ondas TU na

correlação espacial dos canais 31 MCGs. A intersecção da primeira série de correlação (padrão máximo da onda T) e na segunda série (padrão máximo da onda U) é o início da onda U (linha a tracejado).

81

Figura 5.10 - Diagrama do algoritmo ALS Sj (sinal de entrada), Split (módulo que divide o sinal em aj (sinal de aproximação) e dj (sinal de detalhe), Update (atualiza as aproximações aj+1 ao sinal dj P (Predição) e dj+1 indica componente de alta frequência do sinal original eliminado na predição.

82

Figura 5.11 - A) Sinal de ECG antes da filtragem e B) Sinal de ECG após

filtragem. 82

Figura 5.12 - Sinal original de ECG com ruídos. 83

Figura 5.13 - Processamento do sinal de ECG após a filtragem. 83

Figura 5.14 - Uso das três derivações no condicionamento analógico. 84

Figura 5.15 - Arranjo experimental para processamento de sinais de ECG em

tempo real. 84

Figura 5.16 - Diagrama de blocos do modelo de classificação 86

Figura 5.17 - Arquitetura PPC. 87

Figura 5.18 - Arquitetura PPC. 88

Figura 5.19 - Arquitetura do Filtro Adaptativo. 89

Figura 5.20 - Diagrama simplificado adequado para a implementação de HDL (a)

e (b), as equações expostas no modelo MCMC. 90

Figura 5.21 - Processamento de imagem na conversão de sinais de ECG. 91

Figura 5.22 - Modelo de Algoritmo Genético em GPU. 93

Figura 5.23 - Arquitetura paralela steady-state AG em GPU. 94

Figura 6.1 - Crescente diferencial de performance entre GPUs e CPUs. 100

Figura 6.2 - Operações de memória de ponto flutuante entre GPUs e CPUs. 100

Figura 6.3 - Arquiteturas CPUs e GPUs. 101

(12)

Figura 6.6 - Uma árvore de threads. 104

Figura 6.7 - Sincronização de threads. 105

Figura 6.8 - Hierarquia de memórias. 105

Figura 6.9 - Fenômenos elétricos básicos registrados pelo eletrocardiograma (ECG) – despolarização e repolarização atriais e ventriculares (a repolarização atrial é representada por linha tracejada porque não é identificada no ECG convencional).

107

Figura 6.10 - Traçado do eletrocardiograma com onda positiva, negativa e

bifásica e linha isoelétrica. 108

Figura 6.11 - Nomenclatura dos diferentes padrões de complexo QRS. 109

Figura 6.12 - Sistema de referência hexaxial composto pelas seis derivações do plano frontal. Os eixos das seis derivações do plano frontal foram reajustados de maneira que seus centros permaneçam sobrepostos. Esses eixos dividem o plano em 12 seguimentos, cada um subentendendo 30°. As extremidades de cada eixo mostram a denominação da derivação.

110

Figura 6.13 - Localização em uma amostra de onda de um complexo QRS com os pontos S, M e F, os quais são responsáveis pela determinação das informações das ondas.

111

Figura 6.14 - Formação dos genes gD na grade de blocos na GPU (Sinais de

ECG) . 112

Figura 6.15 - Operação de cruzamento realizada em dois cromossomos. 116

Figura 6.16 - Exemplo de troca de nomes realizada na operação de mutação. 117

Figura 6.17 - Diagrama de blocos das unidades elementares de formação do

GAADT. 118

Figura 6.18 - Diagrama de blocos das unidades elementares de formação do

CGAADT. 120

124 Figura 6.19 - Arquitetura do CGAADT na GPU.

Figura 7.1 - Fluxo de Dados no CGAADT. 131

Figura 7.2 - Processo de Filtragem (Sinal de Flutter Atrial). 140

(13)

Tabela 5.1 - Comparação do algoritmo KNN com outros algoritmos de detecção do QRS usando a base de dados CSE. (A) algoritmo SVM,(B) Comprimento e transformação de energia,(C) Técnica de previsão recursiva,(D) algoritmo K-means,(E) abordagem ascendente ,(F) morfologia matemática, (G) método de reconhecimento de padrões integrado (H) predição com redes neurais para detecção do complexo QRS.

85

Tabela 5.2 - Tempo de processamento em HW/SW baseado em sistemas PPC. 88

Tabela 5.3 - Tempo de processamento em HW/SW baseado em sistemas MicroBlaze. 88

Tabela 5.4 - Tempo de execução por ciclos dos algoritmos LBM-EP e GPU. 91

Tabela 7.1 - Características base de dados ECG. Legenda : (F) Feminino, (M) Masculino, (IM) Infarto do Miocárdio, (G) Gastrite, (H) Hipertensão, (O) Obesidade e (N.E) Número de Exemplos de dados. Fonte:

Physionet, MIT-BIH Arrhythmia Databases.

130

Tabela 7.2 - Características base de dados ECG. Legenda: (F) Feminino, (M)

Masculino. (FA) Fibrilação Atrial, (FlA) Flutter Atrial, (A) Arritmia. Fonte: Physionet, MITBIH Arrhythmia Databases.

130

Tabela 7.3 - Base de cálculo para identificação dos gargalos computacionais. 132

Tabela 7.4 - Base de cálculo do tempo médio de processamento para os apêndices A

e B, tabela B.14 (CGAADT-GPU). 132

Tabela 7.5 - Base de cálculo do tempo médio de processamento para os apêndices A

e B, tabela B.13 (GAADT-CPU). 133

Tabela 7.6 - Base de cálculo do percentual do esforço médio consolidado dos apêndices A e

B, tabela B.15 (GAADT-CPU). 133

Tabela 7.7 - Base de cálculo do percentual do esforço médio consolidado dos apêndices A e

B, tabela B.16 (GAADT-CPU). 134

Tabela 7.8 - Ganho de Processamento do CGAADT em GPU. Legenda:AG (Algoritmos

Genéticos) PROC (Processamento), CGAADT(GPU), GAADT (CPU),SEL(seleção), CRUZ(cruzamento), MUT(mutação),REP (reprodução), ID(inserção de descendentes na população).

134

Tabela 7.9 - Base de cálculo para a tabela 7.8, para ganho de processamento do

GAADT em GPU. 135

Tabela 7.10 - Base de cálculo para identificação dos gargalos computacionais, para os apêndices C e D (tabelas C.1 até C.18 e D.1 até D.12). 136 Tabela 7.11 - Base de cálculo do tempo médio de processamento para os apêndices C

e D, referente a tabela D.13 (CGAADT-GPU). 136

Tabela 7.12 - Base de cálculo do tempo médio de processamento para os apêndices C

e D, referente a tabela D.14 (HOLLAND-CPU). 137

Tabela 7.13 - Base de cálculo do percentual do esforço médio consolidado para os

apêndices C e D, referente a tabela D.15 (CGAADT-GPU) 137

Tabela 7.14 - Base de cálculo do percentual do esforço médio consolidado dos apêndices C e D, referente a tabela D.16 (CGAADT-GPU). 138 Tabela 7.15 - Ganho de Processamento do CGAADT em GPU. Legenda: AG

(Algoritmos

Genéticos) PROC (Processamento), CGAADT(GPU), GAADT (CPU),SEL(seleção), CRUZ(cruzamento), MUT(mutação),REP

(14)

Tabela 7.16 - Ganho de Processamento do CGAADT em GPU. Legenda: AG (Algoritmos Genéticos) PROC (Processamento), CGAADT(GPU),

GAADT (CPU),SEL(seleção), CRUZ(cruzamento),

MUT(mutação),REP (reprodução), ID(inserção de descendentes na população).

138

Tabela 7.17 - Tempo total médio de execução dos algoritmos CGAADT e

HOLLAND. 139

Tabela 7.18 - Mapa comparativo no processo de filtragem baseado no EMQ do

algoritmo CGAADT (Gpu) e Holland (Gpu). 140

Tabela 7.19 - Mapa comparativo no processo de detecção de ondas do ECG. Legenda:

WT(Wavelet Transform), CA (Cluster Analysis),ALS (Adaptive Lifting

Scheme), KNN(K-Nearest Neighbors), FIR(Finite Impulse Response).

141

Tabela A.1 - Esforço Computacional do operador (SELEÇÃO/CRUZAMENTO

-PACIENTE 01). Legenda: P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuição de Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 =

ODDS RATIO (GPU), OD2 = ODDS RATIO(CPU), G = Ganho do

CGAADT na GPU, TM1 = Total Médio da SELEÇÃO, EC1 = Percentual do Esforço Computacional do Algoritmo no Operador de Seleção, TM2=Total Médio do operador de CRUZAMENTO, EC2= Percentual do Esforço Computacional do Operador de CRUZAMENTO

156

Tabela A.2 - Esforço Computacional do operador (MUTAÇÃO/REPRODUÇÃO

-PACIENTE 01). Legenda: P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Dis-tribuição de Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 =

ODDS RATIO (GPU), OD2 = ODDS RATIO(CPU), G = Ganho do

CGAADT na GPU, TM3 = Total Médio da MUTAÇÃO, EC3 = Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4=Total Médio do operador de REPRODUÇÃO, EC4= Percentual do Esforço Computacional do Operador de REPRODUÇÃO.

157

Tabela A.3 - Esforço Computacional do operador (INSERÇÃO DE DESCENTES

NA POPULAÇÃO - PACIENTE 01). Legenda: P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuição de Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU), OD2 = ODDS

RATIO(CPU), G = Ganho do CGAADT na GPU, TM5 = Total Médio do

processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacional do Algoritmo no processo de inserção de descendentes na população.

158

-PACIENTE 02). Legenda:P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuiçãode Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM1 = TotalMédio da SELE-ÇÃO, EC1= Percentual do Esforço Computacional do Algoritmo no Operador de Seleção, TM2=Total Médio do operador de CRUZAMENTO, EC2= Percentual do Esforço Computacional do Operador de CRUZAMENTO.

159

-PACIENTE 02). Legenda:P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuiçãode Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 =

(15)

Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4=TotalMédio do operador de REPRODUÇÃO, EC4= Percentual do Esforço Computacional do Operador de REPRODUÇÃO

NA POPULAÇÃO - PACIENTE 02). Legenda: P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear,DP1(GPU) = Distribuição de Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM5 = Total-Médio do processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacionaldo Algoritmo no processo de inserção de descendentes na população.

161

-PACIENTE 03). Legenda:P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuiçãode Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM1 = TotalMédio da SELE-ÇÃO, EC1= Percentual do Esforço Computacional do Algoritmo no Operador de Seleção, TM2=Total Médio do operador de CRUZAMENTO, EC2= Percentual do Esforço Computacional do Operador de CRUZAMENTO.

162

-PACIENTE 03). Legenda: P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuiçãode Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM3 = Total Médio da MUTAÇÃO,EC3 = Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4=TotalMédio do operador de REPRODUÇÃO, EC4= Percentual do Esforço Computacional do Operador de REPRODUÇÃO.

163

NA POPULAÇÃO - PACIENTE 03). Legenda: P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear,DP1(GPU) = Distribuição de Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM5 = Total-Médiodo processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacional do Algoritmo no processo de inserção de descendentes na população.

164

-PACIENTE 04). Legenda:P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuiçãode Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM1 = TotalMédio da SELEÇÃO, EC1= Percentual do Esforço Computacional do Algoritmo no Operador de Seleção, TM2=Total Médio dooperador de CRUZAMENTO, EC2= Percentual do Esforço Computacional do Operador de CRUZAMENTO.

165

-PACIENTE 04). Legenda:P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuiçãode Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 =

(16)

Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4=TotalMédio do operador de REPRODUÇÃO, EC4= Percentual do Esforço Computacional do Operador de REPRODUÇÃO.

NA POPULAÇÃO -PACIENTE 04). Legenda: P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear,DP1(GPU) = Distribuição de Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM5 = Total-Médiodo processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computaci-onaldo Algoritmo no processo de inserção de descendentes na população.

167

-PACIENTE 05). Legenda:P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuição de Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM1 = TotalMédio da SELE-ÇÃO, EC1= Percentual do Esforço Computacional do Algoritmo no Operador de Seleção, TM2=Total Médio do operador de CRUZAMENTO, EC2= Percentual do Esforço Computacional do Operador de CRUZAMENTO.

168

Tabela A.14 - Esforço Computacional do operador (MUTAÇÃO/REPRODUÇÃO –

PACIENTE 05). Legenda:P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuição de Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM3 = Total Médio da MUTAÇÃO,EC3 = Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4=TotalMédio do operador de REPRODUÇÃO, EC4= Percentual do Esforço Computacional do Operador de REPRODUÇÃO

169

NA POPULAÇÃO - PACIENTE 05). Legenda: P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear,DP1(GPU) = Distribuição de Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM5 = Total-Médio do processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacional do Algoritmo no processo de inserção de descendentes na população.

170

171

Tabela A.17 - Esforço Computacional do operador (MUTAÇÃO/REPRODUÇÃO –

PACIENTE 06). Legenda:P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuiçãode

(17)

CGAADT na CPU, TM3 = Total Médio da MUTAÇÃO,EC3 = Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4=TotalMédio do operador de REPRODUÇÃO, EC4= Percentual do Esforço Computacional do Operador de REPRODUÇÃO.

NA POPULAÇÃO - PACIENTE 06). Legenda: P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear,DP1(GPU) = Distribuição de Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM5 = Total-Médiodo processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacional do Algoritmo no processo de inserção de descendentes na população.

173

Tabela B.1 - Esforço Computacional do operador (SELEÇÃO/CRUZAMENTO

175

Tabela B.2 - Esforço Computacional do operador (MUTAÇÃO/REPRODUÇÃO

-PACIENTE 07). Legenda:P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuiçãode Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM3 = Total Médio da MUTAÇÃO,EC3 = Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4=TotalMédio do operador de REPRODUÇÃO, EC4= Percentual do Esforço Computacional do Operador de REPRODUÇÃO.

176

Tabela B.3 - Esforço Computacional do operador (INSERÇÃO DE DESCENTES

177

Tabela B.4 - Esforço Computacional do operador (SELEÇÃO/CRUZAMENTO

-PACIENTE 08). Legenda:P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuiçãode Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM1 = TotalMédio da SELEÇÃO, EC1= Percentual do Esforço Computacional do Algoritmo no Operador de Seleção, TM2=Total Médio do operador de CRUZAMENTO, EC2= Percentual do Esforço Computacional do Operador de CRUZAMENTO.

178

Tabela B.5 - Esforço Computacional do operador (MUTAÇÃO/REPRODUÇÃO

-PACIENTE 08). Legenda:P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuição de

(18)

CGAADT na CPU, TM3 = Total Médio da MUTAÇÃO,EC3 = Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4=TotalMédio do operador de REPRODUÇÃO, EC4= Percentual do Esforço Computacional do

Operador de REPRODUÇÃO.

Tabela B.6 - Esforço Computacional do operador (INSERÇÃO DE

DESCENTES NA POPULAÇÃO - PACIENTE 08). Legenda: P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuição de Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM5 = Total-Médio do processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacional do Algoritmo no processo de inserção de descendentes na população.

180

181

Tabela B.8 - Esforço Computacional do operador (MUTAÇÃO/REPRODUÇÃO

-PACIENTE 09). Legenda:P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuição de Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM3 = Total Médio da MUTAÇÃO,EC3 = Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4=TotalMédio do operador de REPRODUÇÃO, EC4= Percentual do Esforço Computacional do Operador de REPRODUÇÃO.

182

183

-PACIENTE 10). Legenda:P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear, DP1(GPU) = Distribuição de Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM1 = TotalMédio da SELEÇÃO, EC1= Percentual do Esforço Computacional do Algoritmo no Operador de Seleção, TM2=Total Médio do operador de CRUZAMENTO, EC2= Percentual do Esforço Computacional do Operador de CRUZAMENTO.

(19)

g(x) = modelo de regressão linear, DP1(GPU) = Distribuição de Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM3 = Total Médio da MUTAÇÃO,EC3 = Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4=TotalMédio do operador de REPRODUÇÃO, EC4= Percentual do Esforço Computacional do Operador de REPRODUÇÃO

NA

POPULAÇÃO -PACIENTE 10). Legenda: P1(AG1 = CGAADT), P2(AG2=GAADT), g(x) = modelo de regressão linear,DP1(GPU) = Distribuição de Probabilidade, DP2(CPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(CPU), G = Ganho do CGAADT na CPU, TM5 = Total-Médio do processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacional do Algoritmo no processo de inserção de descendentes na população.

186

Tabela B.13 - Tempo Médio de Processamento (gargalos do algoritmo GAADT-CPU)

a partir do (ODDS RATIO). Legenda: TMP(tempo médio de processamento), DB (base de dados), SEL(seleção), CRUZ(cruzamento), MUT(mutação), REP(reprodução), ID(inserção de descendentes na população), AG2(GAADT).

186

Tabela B.14 - Tempo Médio de Processamento (CGAADT-GPU) a partir do (ODDS

RATIO). Legenda: TMP(tempo médio de processamento), DB (base de dados), SEL(seleção), CRUZ(cruzamento), MUT(mutação), REP(reprodução), ID(inserção de descendentes na população), CGAADT(GPU), AG1(CGAADT).

187

Tabela B.15 - Percentual do Esforço Médio Consolidado do CGAADT (GPU). Legenda: TPDB(Tempo de processamento das bases de dados), AG1(algoritmo CGAADT - GPU), EMC (Esforço médio computacional do algoritmo), SEL(seleção), CRUZ(cruzamento), MUT(mutação), REP(reprodução), ID(inserção de descendentes na população).

187

Tabela B.16 - Percentual do Esforço Médio Consolidado do GAADT (CPU). Legenda:

TP-DB(Tempo de processamento das bases de dados), AG2(algoritmo GAADT - CPU), EMC (Esforço médio computacional do algoritmo), SEL(seleção), CRUZ(cruzamento), MUT(mutação),REP(reprodução), ID(inserção de descendentes na população).

188

Tabela C.1 - Esforço Computacional do operador

(SELEÇÃO/CRUZAMENTO - PACIENTE 1). Legenda:P1(AG1 = CGAADT), P2(AG2= HOLLAND), g(x) = modelo de regressão linear, DP1(GPU) = Distribuiçãode Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM1 = TotalMédio da SELEÇÃO, EC1= Percentual do Esforço Computacional do Algoritmo no Operador de Seleção, TM2=Total Médio do operador de CRUZAMENTO, EC2= Percentual do Esforço Computacional do Operador de CRUZAMENTO.

190

(MUTAÇÃO/REPRODUÇÃO - PACIENTE 1). Legenda:P1(AG1 = CGAADT), P2(AG2= HOLLAND), g(x) = modelo de regressão

(20)

= ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM3 = Total Médio da MUTAÇÃO,EC3 = Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4= TotalMédio do operador de REPRODUÇÃO, EC4= Percentual do Esforço Computacional do Operador de REPRODUÇÃO.

Tabela C.3 - Esforço Computacional do operador (INSERÇÃO DE

DESCENTES NA POPULAÇÃO - PACIENTE 1). Legenda: P1(AG1 = CGAADT), P2(AG2=HOLLAND), g(x) = modelo de regressão linear,DP1(GPU) = Distribuição de Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM5 = Total-Médio do processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacionaldo Algoritmo no processo de inserção de descendentes na população.

192

(SELEÇÃO/CRUZAMENTO - PACIENTE 2). Legenda:P1(AG1 = CGAADT), P2(AG2= HOLLAND), g(x) = modelo de regressão linear, DP1(GPU) = Distribuiçãode Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM1 = TotalMédio da SELEÇÃO, EC1= Percentual do Esforço Computacional do Algoritmo no Operador de Seleção, TM2=Total Médio dooperador de CRUZAMENTO, EC2= Percentual do Esforço Computacional do Operador de CRUZAMENTO.

193

(MUTAÇÃO/REPRODUÇÃO - PACIENTE 2). Legenda:P1(AG1 = CGAADT), P2(AG2= HOLLAND), g(x) = modelo de regressão linear, DP1(GPU) = Distribuição de Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM3 = Total Médio da MUTAÇÃO,EC3 = Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4= TotalMédio do operador de REPRODUÇÃO, EC4= Percentual do Esforço Computacional do Operador de REPRODUÇÃO.

194

DESCENTES NA POPULAÇÃO -PACIENTE 2). Legenda: P1(AG1 = CGAADT), P2(AG2=HOLLAND), g(x) = modelo de regressão linear,DP1(GPU) = Distribuição de Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM5 = Total-Médio do processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacionaldo Algoritmo no processo de inserção de descendentes na população.

195

(SELEÇÃO/CRUZAMENTO - PACIENTE 3). Legenda:P1(AG1 = CGAADT), P2(AG2= HOLLAND), g(x) = modelo de regressão

(21)

= ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM1 = TotalMédio da SELEÇÃO, EC1= Percentual do Esforço Computacional do Algoritmo no Operador de Seleção, TM2=Total Médio do operador de CRUZAMENTO, EC2= Percentual do Esforço Computacional do Operador de CRUZAMENTO.

(MUTAÇÃO/REPRODUÇÃO - PACIENTE 3). Legenda:P1(AG1 = CGAADT), P2(AG2= HOLLAND), g(x) = modelo de regressão linear, DP1(GPU) = Distribuiçãode Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM3 = Total Médio da MUTAÇÃO,EC3 = Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4= TotalMédio do operador de REPRODUÇÃO, EC4= Percentual do Esforço Computacional do Operador de REPRODUÇÃO.

197

DESCENTES NA POPULAÇÃO -PACIENTE 3). Legenda: P1(AG1 = CGAADT), P2(AG2=HOLLAND), g(x) = modelo de regressão linear,DP1(GPU) = Distribuição de Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM5 = Total-Médiodo processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacional do Algoritmo no processo de inserção de descendentes na população.

198

199

200

Tabela C.12 - Esforço Computacional do operador (INSERÇÃO DE DESCENTES NA POPULAÇÃO - PACIENTE 4). Legenda: P1(AG1 = CGAADT), P2(AG2=HOLLAND), g(x) = modelo de

(22)

(GPU), OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM5 = Total-Médiodo processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacional do Algoritmo no processo de inserção de descendentes na população.

(SELEÇÃO/CRUZAMENTO - PACIENTE 5). Legenda:P1(AG1 = CGAADT), P2(AG2= HOLLAND), g(x) = modelo de regressão linear, DP1(GPU) = Distribuiçãode Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM1 = TotalMédio da SELE-ÇÃO, EC1= Percentual do Esforço Computacional do Algoritmo no Operador de Seleção, TM2=Total Médio do operador de CRUZAMENTO, EC2= Percentual do Esforço Computacional do Operador de CRUZAMENTO.

202

203

Tabela C.15 - Esforço Computacional do operador (INSERÇÃO DE DESCENTES NA POPULAÇÃO -PACIENTE 5). Legenda: P1(AG1 = CGAADT), P2(AG2=HOLLAND), g(x) = modelo de regressão linear,DP1(GPU) = Distribuição de Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM5 = Total-Médio do processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacional do Algoritmo no processo de inserção de descendentes na população.

204

(SELEÇÃO/CRUZAMENTO - PACIENTE 6). Legenda:P1(AG1 = CGAADT), P2(AG2= HOLLAND), g(x) = modelo de regressão linear, DP1(GPU) = Distribuição de Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM1 = TotalMédio da SELEÇÃO, EC1= Percentual do Esforço Computacional do Algoritmo no Operador de Seleção, TM2=Total Médio do operador de CRUZAMENTO, EC2= Percentual do Esforço Computacional do Operador de CRUZAMENTO.

205

(MUTAÇÃO/REPRODUÇÃO - PACIENTE 6). Legenda :P1(AG1 = CGAADT), P2(AG2= HOLLAND), g(x) = modelo de

(23)

RATIO (GPU),OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM3 = Total Médio da MUTAÇÃO,EC3 = Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4= TotalMédio do operador de REPRODUÇÃO, EC4= Percentual do Esforço Computacional do Operador de REPRODUÇÃO.

Tabela C.18 - Esforço Computacional do operador (INSERÇÃO DE DESCENTES NA POPULAÇÃO -PACIENTE 6). Legenda: P1(AG1 = CGAADT), P2(AG2=HOLLAND), g(x) = modelo de regressão linear,DP1(GPU) = Distribuição de Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM5 = Total-Médio do processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacional do Algoritmo no processo de inserção de descendentes na população.

207

Tabela D.1 - Esforço Computacional do operador

209

(MUTAÇÃO/REPRODUÇÃO - PACIENTE 7). Legenda:P1(AG1 = CGAADT), P2(AG2=HOLLAND), g(x) = modelo de regressão linear, DP1(GPU) = Distribuição de Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT

na GPU, TM3 =

Total Médio da MUTAÇÃO,EC3 = Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4=TotalMédio do operador de REPRODUÇÃO, EC4= Percentual do Esforço Computacional do Operador de REPRODUÇÃO.

210

Tabela D.3 - Esforço Computacional do operador (INSERÇÃO DE

DESCENTES NA POPULAÇÃO -PACIENTE 7). Legenda: P1(AG1 = CGAADT), P2(AG2=HOLLAND), g(x) = modelo de regressão linear,DP1(GPU) = Distribuição de Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM5 = Total-Médio do processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacional do Algoritmo no processo de inserção de descendentes na população.

(24)

= CGAADT), P2(AG2=HOLLAND), g(x) = modelo de regressão linear, DP1(GPU) = Distribuiçãode Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM1 = TotalMédio da SELEÇÃO, EC1= Percentual do Esforço Computacional do Algoritmo no Operador de Seleção, TM2=Total Médio do operador de CRUZAMENTO, EC2= Percentual do Esforço Computacional do Operador de CRUZAMENTO.

213

Tabela D.6 - Esforço Computacional do operador (INSERÇÃO DE

DESCENTES NA POPULAÇÃO - PACIENTE 8). Legenda: P1(AG1 = CGAADT), P2(AG2=HOLLAND), g(x) = modelo de regressão linear,DP1(GPU) = Distribuição de Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM5 = Total-Médio do processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacional do Algoritmo no processo de inserção de descendentes na população.

214

215

(MUTAÇÃO/REPRODUÇÃO - PACIENTE 9). Legenda:P1(AG1 = CGAADT), P2(AG2= HOLLAND), g(x) = modelo de regressão linear, DP1(GPU) = Distribuiçãode Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM3 = Total Médio da MUTAÇÃO,EC3 = Percentual do Esforço Computacional do Algoritmo no Operador de MUTAÇÃO, TM4= TotalMédio do operador de REPRODUÇÃO, EC4= Percentual do

(25)

Tabela D.9 - Esforço Computacional do operador (INSERÇÃO DE DESCENTES NA POPULAÇÃO -PACIENTE 9). Legenda: P1(AG1 = CGAADT), P2(AG2=HOLLAND), g(x) = modelo de regressão linear,DP1(GPU) = Distribuição de Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM5 = Total-Médio do processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacional do Algoritmo no processo de inserção de descendentes na população.

217

(SELEÇÃO/CRUZAMENTO - PACIENTE 10).

Legenda:P1(AG1 = CGAADT), P2(AG2= HOLLAND), g(x) = modelo de regressão linear, DP1(GPU) = Distribuição de Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM1 = TotalMédio da SELEÇÃO, EC1= Percentual do Esforço Computacional do Algoritmo no Operador de Seleção, TM2=Total Médio dooperador de CRUZAMENTO, EC2= Percentual do Esforço Computacional do Operador de CRUZAMENTO.

218

(MUTAÇÃO/REPRODUÇÃO - PACIENTE 10).

Legenda:P1(AG1 = CGAADT), P2(AG2= HOLLAND), g(x) = modelo de regressão linear, DP1(GPU) = Distribuição de Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 = ODDS RATIO (GPU),OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM3 = Total Médio da MUTAÇÃO,EC3 = Percentual do Esforço Computacional do

Algoritmo no Operador de MUTAÇÃO, TM4=

TotalMédio do operador de REPRODUÇÃO, EC4=

Percentual do Esforço Computacional do Operador de REPRODUÇÃO.

219

Tabela D.12 - Esforço Computacional do operador (INSERÇÃO DE DESCENTES NA POPULAÇÃO - PACIENTE 10). Legenda: P1(AG1 = CGAADT), P2(AG2=HOLLAND), g(x) = modelo de regressão linear,DP1(GPU) = Distribuição de Probabilidade, DP2(GPU) = Distribuição de Probabilidade, OD1 =ODDS RATIO (GPU), OD2 = ODDS RATIO(GPU), G = Ganho do CGAADT na GPU, TM5 = Total-Médio do processo de inserção de descendentes na população, EC5 = Percentual do Esforço Computacional do Algoritmo no processo de inserção de descendentes na população.

220

Tabela D.13 - Tempo Médio de Processamento (gargalos do algoritmo CGAADT-GPU) a partir do (ODDS RATIO). Legenda: TMP(tempo médio de processamento), DB (base de dados),

SEL(seleção), CRUZ(cruzamento), MUT(mutação),

REP(reprodução), ID(inserção de descendentes na população), AG1(CGAADT-GPU), AG(algoritmo genético).

220

(26)

SEL(seleção), CRUZ(cruzamento), MUT(mutação), REP(reprodução), ID(inserção de descendentes na população), AG2(HOLLAND-GPU), GAADT(CPU), AG(algoritmo genético). Tabela D.15 - Percentual do Esforço Médio Consolidado do CGAADT (GPU). Legenda: TP- DB(Tempo de processamento das bases de dados), AG1(algoritmo CGAADT - GPU), EMC (Esforço médio computacional do algoritmo), SEL(seleção), CRUZ(cruzamento), MUT(mutação), REP(reprodução), ID(inserção de descendentes na população).

221

Tabela D.16 - Percentual do Esforço Médio Consolidado do CGAADT (GPU). Legenda: TP- DB(Tempo de processamento das bases de dados), AG2(algoritmo HOLLAND- GPU), EMC algoritmo), SEL(seleção), CRUZ(cruzamento), (Esforço médio computacional do MUT(mutação),REP(reprodução), ID(inserção de descendentes na população).

(27)

Axiomas de Formação de Genes

Axiomas de Formação de Cromossomos

Axiomas de Formação de Cromossomo no Device Axiomas de Formação de Genes no Device Algoritmo Genético

Algoritmo Genético baseado do CGAADT Algoritmo Genético baseado no GAADT AFG AFC AFCD AFGD AG AG1 AG2 CC Custo Computacional Eletrocardiograma ECG F Fs G H IM M Feminino Frequencia Gastrite Hipertensão Infarto do Miocárdio Masculino Número de Exemplos N.E O PR P Obesidade Precedentes Pacientes

(28)

ARMA CGAADT CPU CUDA DSP DNA FSB FIR FPGA GAADT GAP GPU

Autoregressive Moving Average Model

Compact Genetic Algorithm Based on Abstract Data Types Central Processing Unit

Compute Unifed Device Architecture Digital signal processing

Deoxyribonucleic Acid Front Side Bus

Finite Impulse Response

Field-Programmable Gate Array

Genetic Algorithm Based on Abstract Data Type Genetic Algorithm Parallel

Graphics Processing Unit

HT Hyper Threading

ICA Independent Component Analysis

IIR Infinite Impulse Response

LBM-EP Lattice Boltzmann Model of Myocardium Transmembrane Potentials

MGG Generation Gap Minimal

PCA Principal Component Analysis

PGA Parallel Genetic Algorthm

QPI QuickPath Interconnect

SQNR Signal to Quantization Noise Ratio

(29)

bl - Base-inócua

gl - Construção do gene-inócuo

cl - Cromossomo inócuo

l - Representa o termo inócuo

D - Representa o termo device na GPU

G - Grau

Kk - Representação do kernel

k - Representação do elemento no kernel

i - Representa a linha

j - Representa a coluna

K - Corpo ordenado que representa o grau no GAADT

g - Gene

domi - Função do gene dominante

adapt - Função de adaptação

mesma - Função mesma

Σ - Somatório

fec - Função de fecundação

r - Predicado

sel - Função de seleção

∩ - Interseção

⊂ - Está contido

⊇ - Não está contido

∈ - Pertence ∈ - Não pertence ≥ - Maior ou igual ≤ - Menor ou igual > - Maior < - Menor

∃ - Quantificação existencial: existe, existe um e somente um

∀ - Quantificação universal: para todos, para qualquer, para cada, qualquer que

seja

∧ - Conjunção lógica: e

∨ - Disjunção lógica: ou

→ - Seta de função: de...para

{?} - Notação de construção de conjuntos: o conjunto de...tal que...

(30)

￢ - Negação lógica: não

ᶱ - Peso

# - Inexistência de ondas

K - Corpo ordenado: uma estrutura algébrica, com duas operações, sem

divisores próprios de zero B.

B - Conjunto de base do GAADT

b - Elemento de base do GAADT

G - Conjunto de todos os genes que podem ser formado a partir dos elementos

da base B no AFG gi,gj elemento do conjunto G

- Conjunto de cromossomo composto por todos os indivíduos que podem ser

formado a partir dos genes do conjunto G no AFC ci,cj elemento

do conjunto C

P - População formada pelo conjunto de todos os cromossomos

Rq - C de requisitos do ambiente

A - Ambiente

fec - Função fecundação

sel - Predicado seleção

M - Características do macho

F - Características do macho

MACHO - Conjunto dos machos habilitados a cruzarem

FEMEA - Conjunto das femeas habilitadas a cruzarem

cruz - Função cruzamento

ins - Função inserção

del - Função supressão

troc - Função troca

mut - Predicado mutação

DFRAG - Device (GPU) e fragmentada

IP(PDFRAG) - Conjunto potência de PDFRAG

PDFRAG0 - População inicial fragmentada

bk - Blocos na grade de threads

MG - Memória global

PRec - População Reconstruída

ℕ _- _{Conjunto dos números naturais}

ℝ _-_{Conjunto dos números reais} C

Kk

h

GAADT-HOST

GAADT-DEVICE

-_{Função que cria os alfabetos : gene, base e cromossomo no CGAADT} - Função abstrato base no host

-_{Função no Kernel}

(31)

1 Introdução 33 1.1 Motivação Histórica 1.2 Motivação da Tese 1.3 Problemática 1.4. Hipóteses 1.5 Objetivos e contribuições 1.5.1 Objetivos Específicos 1.6 Metodologia 1.7 Organização da Tese 2 Algoritmo Genéticos 2.1 Introdução

2.2 O algoritmo genético de Holland 2.3 Considerações Finais

3 Algoritmo Genético baseado em Tipos Abstratos de Dados (GAADT) 47

3.1 Introdução 3.2 O GAADT

3.3. Tipos básicos do GAADT 3.4 Operadores Genéticos 3.4.1 Ambiente 3.4.2 O algoritmo 3.5 Considerações Finais 47 47 49 50 53 54 55

4 Análise de Sinais de ECG 58

4.1. Introdução

4.1.1 Atividade Elétrica do Coração 4.1.2 Anatomia do Coração

4.1.3 Características Básicas do Eletrocardiograma 4.1.4 Arritmias cardíacas 4.1.5 Arritmia Sinusal 4.1.6 Fibrilação Atrial 4.1.7 Flutter Atrial 4.2 Considerações Finais 58 59 61 63 68 70 71 72 72 5 Trabalhos Relacionados 73

5.1 Pesquisas relacionadas aos algoritmos genéticos

5.1.1 Otimização de algoritmos genéticos em arquitetura de sistemas multi-core (CPU) e many-multi-core em plataforma GPU

5.1.2 Comparativo da arquitetura diferencial Many-threaded aplicado AGs em CUDA

5.2 Pesquisas relacionadas ao processamento de sinais de ECG 5.2.1 5.2.1.Classificação e processamento de sinais

5.2.2 Implementação em hardware e software na detecção do complexo QRS na classificação de sinais de ECG com FPGA

5.2.3. Filtro adaptativo para processamento de sinais de ECG na plataforma FPGA

5.2.4. MCMC: cálculo das características dos sinais de ECG com modelagem em software e hardware usando FPGA

73 77 78 79 79 86 89 90 33 34 36 36 37 37 37 39 40 40 41 46

(32)

processamento de imagens na plataforma GPU

5.2.6 Algoritmo genético para resolver o problema de Suduku em GPU

5.3 Considerações Finais 9294

6 Um Filtro Adaptativo CGAADT para Processamento de Sinais de Eletrocardiograma

99

6.1 Introdução

6.2 Computação Acelerada por GPU

6.3 Modelo de Programação Escalável em CUDA 6.4 Hierarquia de Threads e Memória

6.5 Instanciação do Filtro Adaptativo para o problema em GPU 6.6. Especificação do CGAADT em GPU

6.7 Tipos Básicos

6.8 Operadores Genéticos

6.9 Funcionalidades: GAADT x CGAADT 6.10 Arquitetura do CGAADT 6.11 Considerações Finais 99 102 103 104 106 106 107 114 118 120 125

7 Estudos de Casos - Resultados 126

7.1 Introdução

7.2 Infraestrutura de Hardware

7.2.1 Implementação do GAADT e CGAADT no FPGA 7.2.2 Implementação do GAADT e CGAADT em GPU/CUDA 7.3 Metodologia de Análise de Dados

7.4 Bases de Dados

7.5 Fluxo de Dados do CGAADT 7.6 ESTUDO DE CASO I

7.6.1 COMPARATIVO DOS ALGORITMOS CGAADT (GPU) e GAADT (CPU)

7.6.2 COMPARATIVO DOS ALGORITMOS CGAADT(GPU) e HOLLAND (GPU) 7.7 ESTUDO DE CASO II 7.8 Considerações Finais 126 128 129 129 129 129 131 132 132 135 139 141 8 Conclusões 1₄₃ 8.1 Considerações e Relevância 8.2 Limitações e Restrições 143144

Apêndice A - ESTUDO DE CASO I – ALGORITMOS (CGAADT(GPU)

x GAADT(CPU) 153

Metodologia para Análise de Dados - Regressão Logística Base de Cálculo - Tabelas A.1 - A.6

A.1 BASE DE CÁCULO DO MODELO DE REGRESSÃO LOGÍSTICA -PACIENTE 01

A.2 BASE DE CÁCULO DO MODELO DE REGRESSÃO LOGÍSTICA-PACIENTE 02

A.5 BASE DE CÁCULO DO MODELO DE REGRESSÃO LOGÍSTICA 153 155 155 155 155 155 Referências 145

(33)

-PACIENTE 06

Apêndice B ESTUDO DE CASO I - ALGORITMOS(GAADT (CPU)-CGAADT(GPU))

1₇₄

B.1 BASE DE CÁCULO DO MODELO DE REGRESSÃO LOGÍSTICA-PACIENTE 07

174 174 174 174

Apêndice C ESTUDO DE CASO I - ALGORITMOS (CGAADT

(GPU) x HOLLAND (GPU)) 189

C.1 BASE DE CÁCULO DO MODELO DE REGRESSÃO LOGÍSTICA -PACIENTE 01

C.2 BASE DE CÁCULO DO MODELO DE REGRESSÃO LOGÍSTICA-PACIENTE 02

C.3 BASE DE CÁCULO DO MODELO DE REGRESSÃO LOGÍSTICA – PACIENTE 03

C.4 BASE DE CÁCULO DO MODELO DE REGRESSÃO LOGÍSTICA PACIENTE 04

C.5BASE DE CÁCULO DO MODELO DE REGRESSÃO LOGÍSTICA -PACIENTE 05

C.6 BASE DE CÁCULO DO MODELO DE REGRESSÃO LOGÍSTICA -PACIENTE 06 189 189 189 189 189 189

Apêndice D ESTUDO DE CASO I - ALGORITMOS (CGAADT (GPU) x HOLLAND (GPU))

208

D.1 BASE DE CÁCULO DO MODELO DE REGRESSÃO LOGÍSTICA – PACIENTE 07

D.2 BASE DE CÁCULO DO MODELO DE REGRESSÃO LOGÍSTICA – PACIENTE 08

D.3 BASE DE CÁCULO DO MODELO DE REGRESSÃO LOGÍSTICA PACIENTE 09

D.4 BASE DE CÁCULO DO MODELO DE REGRESSÃO LOGÍSTICA PACIENTE 10

208 208 208 208

(34)

1 Introdução

1.1 Motivação Histórica

Estimativas da Organização Mundial de Saúde (OMS) apontam que as doenças crônicas não transmissíveis (DCNT) já são responsáveis por 38 milhões de mortes em todo o mundo anualmente. Medidas governamentais são necessárias para alcançar às metas mundiais que visam a redução da carga das doenças crônicas não transmissíveis e prevenir as 16 milhões de mortes prematuras (antes dos 70 anos), causadas pelas cardiopatias1_{e pneumopatias}2_{, acidentes cerebrovasculares, câncer e pela diabetes}

(PORTO,2005;MENDIS,2014). De acordo com o novo relatório da OMS (MENDIS,2014), a maioria das mortes prematuras causadas por doenças crônicas não transmissíveis são evitáveis. Dos 38 milhões de vidas perdidas em 2012 por DCNT, 16 milhões, ou seja, 42% eram prematuras e evitáveis (um aumento de 14,6 milhões de mortes em relação a 2000),(MENDIS,2014).

No Brasil, as DCNT seguem o padrão de crescimento, tendo incidências em número semelhante ao que ocorre a nível mundial, sendo responsáveis por 19,4% de mortes prematuras entre pessoas com 30 e 70 anos (MENDIS,2014). Dentre elas destacam-se as doenças cardiovasculares, cranco, diabetes e doenças respiratórias (MENDIS,2014).

Essas doenças têm um forte impacto na qualidade de vida dos indivíduos afetados, ocasionando a morte prematura, gerando grandes e subestimados efeitos econômicos adversos para as famílias, comunidades e a sociedade em geral (PORTO,2005).

Por serem de etiologia3_{múltipla, torna-se difícil definir claramente as causas das}

DCNT. No entanto, é possível identificar diversos fatores de risco, que podem ser classificados em não modificáveis (sexo, idade e herança genética) e comportamentais (tabagismo, alimentação, inatividade física, consumo de álcool e outras drogas) (PORTO,2005). Os fatores de riscos comportamentais são potencializados pelos fatores condicionantes socioeconômicos, culturais e ambientais (PORTO,2005).

As doenças cardiovasculares (DCVs), ou doenças do aparelho circulatório

constituem a maior de todas as endemias4_{nos países desenvolvidos e esse mesmo}

comportamento vem ocorrendo nas últimas décadas nos países emergentes, para os quais as estatísticas de saúde apontam que as doenças cardiovasculares ocupam o primeiro ou segundo lugar como causa de morte (OLIVEIRA,2011).

As doenças do coração conhecidas como cardiopatias ou doenças cardiovasculares podem ser descritas como: insuficiência cardíaca, arritmias, hipertensão, doença arterial coronariana, valvopatias, doenças do endocárdio, miocárdio e pericárdio, doenças da aorta, entre outras (PORTO,2005;OLIVEIRA,2011).

1_{Doenças do coração encontradas nos estudos de Porto (2005) e Moffa (2010b).} 2_{Doenças que afetam os pulmões abordadas na enciclopédia livre Wikipédia (2015).}

3 _{Estudo ou ciência das causas no estudo de Porto (2005) e na enciclopédia livre Wikipédia (2015).}

4 _{A endemia difere da epidemia por ser de caráter mais contínuo e restrito e uma determinada área pode ser vista na enciclopédia livre}

Wikipédia (2015).

As doenças associadas a pacientes com doenças do coração podem agravar suas condições cardiovasculares e vice-versa, assim como interferir no diagnóstico e na terapia dessas doenças (MOREIRA,2005).