Neurociência Computacional:

(1)

Contribuições do INF-UFRGS em Neurociência Computacional:

Análise Não-Linear de séries temporais.

Prof. Dr. Dante Augusto Couto Barone barone@inf.ufrgs.br

Universidade Federal do Rio Grande do Sul

Pós-Graduação em Computação – Instituto de Informática UFRGS – Brasil

(2)

Sumário

• Introdução

(3)

Sumário

• Introdução

– Séries Temporais

(4)

Sumário

• Introdução

– Séries Temporais geradas por sistemas biológicos

(5)

Sumário

• Introdução

– Séries Temporais geradas por sistemas biológicos – Eletroencefalograma

(6)

Sumário

• Introdução

– Porque Análise Não-Linear?

(7)

Sumário

• Introdução

– Diferentes Técnicas

(8)

Sumário

• Introdução

– Porquê a multidisciplinaridade?

(9)

Sumário

• Introdução

• Trabalhos já desenvolvidos no INF-UFRGS

(10)

Sumário

• Introdução

• Trabalhos já desenvolvidos no INF-UFRGS

• Possíveis colaborações internacionais

(11)

Séries Temporais

(12)

Séries Temporais

Série Temporal

(13)

Séries Temporais

Série Temporal Conjunto de

valores é um

(14)

Séries Temporais

valores é um

S = {s₁, s₂, ... s_n}

(15)

Séries Temporais

valores é um

Variável

apresentado por uma variável

(16)

Séries Temporais

valores é um

Variável

• Peso de uma pessoa

(17)

Séries Temporais

valores é um

Variável

• Velocidade de um automóvel

(18)

Séries Temporais

valores é um

Variável

• Velocidade de um automóvel

• Potencial elétrico em um eletrodo

(19)

Séries Temporais

valores é um

Variável

Tempo

ao longo do

(20)

Séries Temporais

valores é um

Variável

Tempo

ao longo do

t₀ t₁ ... t_n

tempo

(21)

Séries Temporais

valores é um

Variável

Tempo

ao longo do

t₀ t₁ ... t_n

s₀ s₁ ... s_n

tempo valor

(22)

Séries Temporais geradas por sistemas biológicos

Principal Interesse

(23)

Principal Interesse

• Séries Temporais geradas por sistemas biológicos

(24)

Principal Interesse

– Sons pulmonares

(25)

Principal Interesse

– Sons pulmonares

– Reconhecimento de voz

(26)

Principal Interesse

– Sons pulmonares

– Reconhecimento de voz – Eletrocardiogramas

(27)

Principal Interesse

– Sons pulmonares

– Reconhecimento de voz – Eletrocardiogramas

– Eletroencefalogramas

(28)

Eletroencefalograma (EEG)

Eletroencefalograma

(29)

Eletroencefalograma

Série Temporal

(30)

Eletroencefalograma

Série Temporal Potencias

elétricos que mostra

(31)

Eletroencefalograma

Comunicação entre as células

cerebrais

evocados pela

(32)

Eletroencefalograma

cerebrais

evocados pela

Tempo

ao longo do

(33)

Eletroencefalograma

cerebrais

evocados pela

Tempo

ao longo do

(34)

Eletroencefalograma

cerebrais

evocados pela

Tempo

ao longo do

amplitude

(35)

Eletroencefalograma

cerebrais

evocados pela

Tempo

ao longo do

amplitude

tempo

(36)

Porquê Análise-Não Linear?

Análise Não-Linear

(37)

Análise Não-Linear

• Sinais que apresentam um elevado grau de complexidade (os gerados por sistemas

biológicos) por muito tempo foram estudados sem sucesso por métodos lineares, que tendem a obscurecer e distorcer as rápidas transiências do sinal. Técnicas de análise linear são efetivas apenas se o sinal analisado possui mudanças lentas e/ou suaves, ou se o sistema gerador pode ser corretamente modelado por um conjunto de equações diferencias lineares.

[CHU ⁹¹]

(38)

Análise Não-Linear

• As técnicas de análise não-linear não só são mais adequadas para o processamento de sinais

biológicos, como também são capazes de aprimorar a detecção e visualização de parâmetros importantes para estudos ﬁsiológicos e protocolos clínicos .

[CER ⁹⁶]

(39)

Análise Não-Linear

• Técnicas de análise não-linear (caótica) são mais eﬁcientes para a análise de sinais gerados por sistemas biológicos do que as técnicas de

análise linear. A razão para tal é a alta não-

estacionariedade, não-gaussianidade e a própria natureza não-linear dos sinais gerados por

sistemas biológicos . [SUB 10]

(40)

Técnicas de Análise Não-Linear

(41)

Técnicas de Análise Não-Linear

• Expoente de Hurst (H)

(42)

Técnicas de Análise Não-Linear

• Dimensão Fractal (FD)

(43)

Técnicas de Análise Não-Linear

• Dimensão de Correlação (CD)

(44)

Técnicas de Análise Não-Linear

• Dimensão de Correlação (CD)

• Maior Expoente de Lyapunov (LLE)

(45)

Expoente de Hurst (H)

Técnicas de Análise Não-Linear

(46)

Expoente de Hurst (H)

• O que ele descreve: dependência de longo- prazo de uma série temporal

(47)

Expoente de Hurst (H)

• O que o valor nos diz: varia entre [0, 1]

(48)

Expoente de Hurst (H)

– 0: é uma série aleatória

(49)

Expoente de Hurst (H)

– 0: é uma série aleatória – 1: uma série suave

(50)

Expoente de Hurst (H)

• Como é calculado:

(51)

Expoente de Hurst (H)

R = diferença entre o maior e o menor desvio da média

(52)

Expoente de Hurst (H)

R = diferença entre o maior e o menor desvio da média S = desvio-padrão

(53)

Expoente de Hurst (H)

R = diferença entre o maior e o menor desvio da média S = desvio-padrão

T = tempo (tamanho do sinal)

(54)

Dimensão Fractal (FD)

Técnicas de Análise Não-Linear

(55)

Dimensão Fractal (FD)

• O que ele descreve: a dimensão em que o sinal encontra-se

(56)

Dimensão Fractal (FD)

• O que o valor nos diz: a complexidade do sinal analisado

(57)

Dimensão Fractal (FD)

• O que o valor nos diz: a complexidade do sinal analisado

(58)

Dimensão Fractal (FD)

• O que o valor nos diz: a complexidade do sinal analizado

ε: unidade usada para medir o sinal (régua)

(59)

Dimensão Fractal (FD)

• O que o valor nos diz: a complexidade do sinal analizado

ε: unidade usada para medir o sinal (régua)

N: menor número de unidades (réguas) necessárias

(60)

Dimensão de Correlação (CD)

Técnicas de Análise Não-Linear

(61)

Dimensão de Correlação (CD)

• O que ele descreve: a probabilidade de 2 pontos de uma trajetória estarem a uma distância r

(62)

Dimensão de Correlação (CD)

• O que o valor nos diz: a densidade do atrator que gerou a série temporal

(63)

Dimensão de Correlação (CD)

com

(64)

Dimensão de Correlação (CD)

X_x,X_y: pontos da trajetória no espaço de fases

(65)

Dimensão de Correlação (CD)

X_x,X_y: pontos da trajetória no espaço de fases N: número de pontos no espaço de fases

(66)

Dimensão de Correlação (CD)

R: distância radial em torno de cada ponto de referência X_i

(67)

Dimensão de Correlação (CD)

R: distância radial em torno de cada ponto de referência X_i Θ: Função Heaviside

(68)

Maior

Expoente de Lyapunov (LLE)

Técnicas de Análise Não-Linear

(69)

Maior Expoente de Lyapunov (LLE)

• O que ele descreve: a taxa de divergência de órbitas inicialmente próximas ao longo do espaço de fases

(70)

Maior Expoente de Lyapunov (LLE)

• O que o valor nos diz: o quanto o atrator

“cresce”, pode ser relacionado com a energia do sistema, e com o comportamento dele

(71)

Maior Expoente de Lyapunov (LLE)

– < 0 – as trajetórias convergem

(72)

Maior Expoente de Lyapunov (LLE)

– = 0 – atrator de ponto-fixo ou estável

(73)

Maior Expoente de Lyapunov (LLE)

– = 0 – atrator de ponto-fixo ou estável – > 0 – um sistema caótico

(74)

Porquê a

multidisciplinaridade?

Multidisciplinaridade

(75)

Multidisciplinaridade

• Neurociência

(76)

Multidisciplinaridade

– Teorias sobre o funcionamento das células cerebrais

(77)

Multidisciplinaridade

– Teorias sobre o funcionamento das células cerebrais – Teorias sobre o funcionamento do cérebro

(78)

Multidisciplinaridade

– Teorias sobre o funcionamento das células cerebrais – Teorias sobre o funcionamento do cérebro

– Técnicas para o estudo do cérebro

(79)

Multidisciplinaridade

• Medicina

(80)

Multidisciplinaridade

• Medicina

– Conhecimento de patologias e anomalias

(81)

Multidisciplinaridade

• Medicina

– Conhecimento de patologias e anomalias – Podem emitir diagnósticos médicos

(82)

Multidisciplinaridade

• Medicina

– Conhecimento de patologias e anomalias – Podem emitir diagnósticos médicos

– Processo de captura de dados biológicos

(83)

Multidisciplinaridade

• Medicina

• Psicologia

– Teorias sobre o funcionamento da mente

(84)

Multidisciplinaridade

• Medicina

• Psicologia

– Teorias sobre o funcionamento da mente – Teorias sobre a integração mente-cérebro

(85)

Multidisciplinaridade

• Medicina

• Psicologia

– Teorias sobre o funcionamento da mente – Teorias sobre a integração mente-cérebro

– Podem aplicar exames psicológicos e analisar seus resultados

(86)

Multidisciplinaridade

• Medicina

• Psicologia

• Matemática

– Modelos Matemáticos

(87)

Multidisciplinaridade

• Medicina

• Psicologia

• Matemática

– Modelos Matemáticos – Topologia

(88)

Multidisciplinaridade

• Medicina

• Psicologia

• Matemática

– Modelos Matemáticos – Topologia

– Teorias sobre dinâmica de sistemas

(89)

Multidisciplinaridade

• Medicina

• Psicologia

• Matemática

• Física

– Dinâmica de Sistemas

(90)

Multidisciplinaridade

• Medicina

• Psicologia

• Matemática

• Física

– Técnicas para estudo de Sistemas Dinâmicos

(91)

Multidisciplinaridade

• Medicina

• Psicologia

• Matemática

• Física

– Técnicas para estudo de Sistemas Dinâmicos – Invariantes Dinâmicas

(92)

Multidisciplinaridade

• Medicina

• Psicologia

• Matemática

• Física

• Ciência da Computação

– Modelos Computacionais

(93)

Multidisciplinaridade

• Medicina

• Psicologia

• Matemática

• Física

– Modelos Computacionais – Algoritmos de Análise

(94)

Multidisciplinaridade

• Medicina

• Psicologia

• Matemática

• Física

– Modelos Computacionais – Algoritmos de Análise

– Algoritmos de Classificação

(95)

Multidisciplinaridade

• Medicina

• Psicologia

• Matemática

• Física

• Entre outras áreas ...

(96)

Trabalhos já desenvolvidos e em desenvolvimento no

INF-UFRGS

Trabalhos já desenvolvidos

(97)

Análise de sons pulmonares

(98)

Análise de sons pulmonares

• Título: Análise Não-Linear de Padrões Sonoros:

Estudo de Caso para Sons Pulmonares

(99)

Análise de sons pulmonares

• Autor: Ricardo Felipe Custódio

(100)

Análise de sons pulmonares

• Tipo: Tese de Doutorado (PPGC)

(101)

Análise de sons pulmonares

• Ano: 1999

(102)

Análise de sons pulmonares

• Ano: 1999

• Orientador: Prof. Dr. Dante A. C. Barone

(103)

Publicações

• OLIVEIRA, L. P. L. ; ROQUE, W. L. ; CUSTODIO, R.

F. . Lung Sound Analysis with Time-Dependent Fractal Dimensions. Chaos, Solitons and

Fractals, v. 10, 1999.

(104)

Estudo do Caos e Fractais

Estudo e Simulação: Caos e Fractais

(105)

Estudo e Simulação: Caos e Fractais

• Título: Um estudo sobre caos determinístico e fractais com implementação de um ambiente para sua simulação

(106)

Estudo e Simulação: Caos e Fractais

• Autor: Thales Heimfarth

(107)

Estudo e Simulação: Caos e Fractais

• Tipo: Trabalho de Conclusão de Curso (Ciência da Computação - UFRGS)

(108)

Estudo e Simulação: Caos e Fractais

• Ano: 2000

(109)

Estudo e Simulação: Caos e Fractais

• Ano: 2000

(110)

Clusterização dos Estágios do Sono

(111)

Clusterização dos Estágios do Sono

• Título: Análise e classificação de séries

temporais não estacionárias utilizando métodos não-lineares

(112)

Clusterização dos Estágios do Sono

• Autor: Marcelo Resende Thielo

(113)

Clusterização dos Estágios do Sono

• Tipo: Dissertação de Mestrado (PPGC)

(114)

Clusterização dos Estágios do Sono

• Ano: 2000

(115)

Clusterização dos Estágios do Sono

• Ano: 2000

(116)

Publicações

• THIELO, M. R. ; BARONE, D. A. C. . Treatment of Local

Minima in a Chaotic Data Clustering Task with an Extremely simple Genetic Algorithm. In: Euroattractor 2000, 2000,

Varsóvia. Proceedings of the 1st European Interdisciplinary School on Nonlinear Dynamics for System and Signal

Analysis, 2000

(117)

Reconhecimento de Locutor

(118)

Reconhecimento de Locutor

• Título: Reconhecimento automático de locutor utilizando medidas de invariantes dinâmicas não-lineares

(119)

Reconhecimento de Locutor

• Autor: Adriano Petry

(120)

Reconhecimento de Locutor

(121)

Reconhecimento de Locutor

• Ano: 2002

(122)

Reconhecimento de Locutor

• Ano: 2002

(123)

Publicações

• PETRY, A.; BARONE, D. A. C. Fractal dimension applied to speaker identiﬁcation. In: Acoustics, Speech, and Signal Processing, 2001. Proceedings (ICASSP 01)

• PETRY, A.; BARONE, D. A. C. Text-dependent speaker

veriﬁcation using lyapunov exponents. In: INTERSPEECH, 2002

• PETRY, A.; BARONE, D. A. C. Speaker identiﬁcation using nonlinear dynamical features. Chaos, Solitons & Fractals, 2002.

• PETRY, A.; BARONE, D. A. C. Preliminary experiments in speaker veriﬁcation using time-dependent largest

Lyapunov exponents. Computer Speech & Language, 2003.

(124)

Análise de perfis cognitivos

(125)

Análise de perfis cognitivos

• Título: Habilidade cognitiva espacial: medida com eletroencefalografia

(126)

Análise de perfis cognitivos

• Autor: Marilda Machado Spindola

(127)

Análise de perfis cognitivos

• Tipo: Tese de Doutorado (PPGIE)

(128)

Análise de perfis cognitivos

• Ano: 2010

(129)

Análise de perfis cognitivos

• Ano: 2010

• Orientador: Prof. Dr. Milton A. Zaro

(130)

Publicações

• CHIARAMONTE, M. S. et al. Em busca de um padrão cognitivo na Engenharia. In: Icece 2007 International

Conference on Engineering and Computer Education, 2007

• CHIARAMONTE, M. S. et al. Em busca de um padrão cognitivo na Engenharia. In: SIECI 2007, CISCI 2007

• SPINDOLA, M. et al. Cognitive Measure on Different Proﬁles. In: Brain Inspired Cognitive Systems, 2010

(131)

Análise e classificação de perfis cognitivos

Classificação de perfis cognitivos

(132)

Classificação de perfis cognitivos

• Título: Mensuração e classificação da capacidade cognitiva espacial utilizando

técnicas de análise não-linear e redes neurais artificiais

(133)

Classificação de perfis cognitivos

• Autor: Guilherme Maron

(134)

Classificação de perfis cognitivos

(135)

Classificação de perfis cognitivos

• Ano: 2012

(136)

Classificação de perfis cognitivos

• Ano: 2012

(137)

Publicações

• MARON, G. ; BARONE, D. A. C.; RAMOS, E. A. . Measuring the differences between Spatial Intelligence in different individuals using Lyapunov Exponents. In: MDA 2012, 2012, Berlim. Proceedings of the 7th International Conference on Mass-Data Analysis of Images and Signals, 2012

• BEST PAPER AWARD

(138)

Possíveis Colaborações Internacionais

Colaborações Internacionais

(139)

Colaborações Internacionais

• Dr. Miguel Pérez García

• Diretor de pesquisa do Grupo de Investigación de Neuropsicología y Psiconeuroinmunología Clínicas da Universidad de Granada - Espanha

(140)

Colaborações Internacionais

• Dr. Francisco Cruz Quintana

• Diretor de pesquisa do grupo de pesquisa

“Aspectos Psicosociales y Transculturales de la Salud y la Enfermedad” da Universidad de

Granada - Espanha

(141)

Colaborações Internacionais

• Prof. Dr. Fred Wolf

• Diretor de pesquisa do Independent Research Group Theoretical Neurophysics do Max Planck Institute for Dynamics and Self-Organization - Alemanha

(142)

Colaborações Internacionais

• Dr. Jacques Levy-Vehel

• Diretor de pesquisa do grupo Regularity do INRIA - França

(143)

Colaborações Internacionais

• Dr. Ole Jensen

• Diretor de pesquisa do grupo Neuronal Oscillations do Donders Institute for Brain Cognition and Behavior - Holanda

(144)

Referências

[CHU 91] CHUNG, S.; KENNEDY, R.: Forward-backward non-linear ﬁltering technique for extracting small biological signals from noise. Journal of Neuroscience Methods, [S.l.],

v.40, n.1, p.71 – 86, 1991

[CER 96] CERUTTI, S. et al. Non-linear algorithms for processing biological signals. Computer Methods and Programs in Biomedicine, [S.l.], v.51, n.1 - 2, p.51 – 73, 1996.

[SUB 10] Subha, D., et al.: EEG signal analysis: A survey. Journal of Medical Systems 34, 195-212 (2010)

(145)

Contato

• Prof. Dr. Dante Augusto Couto Barone

– barone@inf.ufrgs.br

– +55 (51) 3308-9478

(146)