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
Sumário
• Introdução
Sumário
• Introdução
– Séries Temporais
Sumário
• Introdução
– Séries Temporais
– Séries Temporais geradas por sistemas biológicos
Sumário
• Introdução
– Séries Temporais
– Séries Temporais geradas por sistemas biológicos – Eletroencefalograma
Sumário
• Introdução
– Séries Temporais
– Séries Temporais geradas por sistemas biológicos – Eletroencefalograma
– Porque Análise Não-Linear?
Sumário
• Introdução
– Séries Temporais
– Séries Temporais geradas por sistemas biológicos – Eletroencefalograma
– Porque Análise Não-Linear?
– Diferentes Técnicas
Sumário
• Introdução
– Séries Temporais
– Séries Temporais geradas por sistemas biológicos – Eletroencefalograma
– Porque Análise Não-Linear?
– Diferentes Técnicas
– Porquê a multidisciplinaridade?
Sumário
• Introdução
– Séries Temporais
– Séries Temporais geradas por sistemas biológicos – Eletroencefalograma
– Porque Análise Não-Linear?
– Diferentes Técnicas
– Porquê a multidisciplinaridade?
• Trabalhos já desenvolvidos no INF-UFRGS
Sumário
• Introdução
– Séries Temporais
– Séries Temporais geradas por sistemas biológicos – Eletroencefalograma
– Porque Análise Não-Linear?
– Diferentes Técnicas
– Porquê a multidisciplinaridade?
• Trabalhos já desenvolvidos no INF-UFRGS
• Possíveis colaborações internacionais
Séries Temporais
Séries Temporais
Séries Temporais
Série Temporal
Séries Temporais
Série Temporal Conjunto de
valores é um
Séries Temporais
Série Temporal Conjunto de
valores é um
S = {s1, s2, ... sn}
Séries Temporais
Série Temporal Conjunto de
valores é um
Variável
apresentado por uma variável
Séries Temporais
Série Temporal Conjunto de
valores é um
Variável
apresentado por uma variável
• Peso de uma pessoa
Séries Temporais
Série Temporal Conjunto de
valores é um
Variável
apresentado por uma variável
• Peso de uma pessoa
• Velocidade de um automóvel
Séries Temporais
Série Temporal Conjunto de
valores é um
Variável
apresentado por uma variável
• Peso de uma pessoa
• Velocidade de um automóvel
• Potencial elétrico em um eletrodo
Séries Temporais
Série Temporal Conjunto de
valores é um
Variável
apresentado por uma variável
Tempo
ao longo do
Séries Temporais
Série Temporal Conjunto de
valores é um
Variável
apresentado por uma variável
Tempo
ao longo do
t0 t1 ... tn
tempo
Séries Temporais
Série Temporal Conjunto de
valores é um
Variável
apresentado por uma variável
Tempo
ao longo do
t0 t1 ... tn
s0 s1 ... sn
tempo valor
Séries Temporais geradas por sistemas biológicos
Principal Interesse
Principal Interesse
• Séries Temporais geradas por sistemas biológicos
Principal Interesse
• Séries Temporais geradas por sistemas biológicos
– Sons pulmonares
Principal Interesse
• Séries Temporais geradas por sistemas biológicos
– Sons pulmonares
– Reconhecimento de voz
Principal Interesse
• Séries Temporais geradas por sistemas biológicos
– Sons pulmonares
– Reconhecimento de voz – Eletrocardiogramas
Principal Interesse
• Séries Temporais geradas por sistemas biológicos
– Sons pulmonares
– Reconhecimento de voz – Eletrocardiogramas
– Eletroencefalogramas
Eletroencefalograma (EEG)
Eletroencefalograma
Eletroencefalograma
Série Temporal
Eletroencefalograma
Série Temporal Potencias
elétricos que mostra
Eletroencefalograma
Série Temporal Potencias
elétricos que mostra
Comunicação entre as células
cerebrais
evocados pela
Eletroencefalograma
Série Temporal Potencias
elétricos que mostra
Comunicação entre as células
cerebrais
evocados pela
Tempo
ao longo do
Eletroencefalograma
Série Temporal Potencias
elétricos que mostra
Comunicação entre as células
cerebrais
evocados pela
Tempo
ao longo do
Eletroencefalograma
Série Temporal Potencias
elétricos que mostra
Comunicação entre as células
cerebrais
evocados pela
Tempo
ao longo do
amplitude
Eletroencefalograma
Série Temporal Potencias
elétricos que mostra
Comunicação entre as células
cerebrais
evocados pela
Tempo
ao longo do
amplitude
tempo
Porquê Análise-Não Linear?
Análise Não-Linear
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]
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]
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]
Técnicas de Análise Não-Linear
Técnicas de Análise Não-Linear
Técnicas de Análise Não-Linear
• Expoente de Hurst (H)
Técnicas de Análise Não-Linear
• Expoente de Hurst (H)
• Dimensão Fractal (FD)
Técnicas de Análise Não-Linear
• Expoente de Hurst (H)
• Dimensão Fractal (FD)
• Dimensão de Correlação (CD)
Técnicas de Análise Não-Linear
• Expoente de Hurst (H)
• Dimensão Fractal (FD)
• Dimensão de Correlação (CD)
• Maior Expoente de Lyapunov (LLE)
Expoente de Hurst (H)
Técnicas de Análise Não-Linear
Expoente de Hurst (H)
• O que ele descreve: dependência de longo- prazo de uma série temporal
Expoente de Hurst (H)
• O que ele descreve: dependência de longo- prazo de uma série temporal
• O que o valor nos diz: varia entre [0, 1]
Expoente de Hurst (H)
• O que ele descreve: dependência de longo- prazo de uma série temporal
• O que o valor nos diz: varia entre [0, 1]
– 0: é uma série aleatória
Expoente de Hurst (H)
• O que ele descreve: dependência de longo- prazo de uma série temporal
• O que o valor nos diz: varia entre [0, 1]
– 0: é uma série aleatória – 1: uma série suave
Expoente de Hurst (H)
• O que ele descreve: dependência de longo- prazo de uma série temporal
• O que o valor nos diz: varia entre [0, 1]
– 0: é uma série aleatória – 1: uma série suave
• Como é calculado:
Expoente de Hurst (H)
• O que ele descreve: dependência de longo- prazo de uma série temporal
• O que o valor nos diz: varia entre [0, 1]
– 0: é uma série aleatória – 1: uma série suave
• Como é calculado:
R = diferença entre o maior e o menor desvio da média
Expoente de Hurst (H)
• O que ele descreve: dependência de longo- prazo de uma série temporal
• O que o valor nos diz: varia entre [0, 1]
– 0: é uma série aleatória – 1: uma série suave
• Como é calculado:
R = diferença entre o maior e o menor desvio da média S = desvio-padrão
Expoente de Hurst (H)
• O que ele descreve: dependência de longo- prazo de uma série temporal
• O que o valor nos diz: varia entre [0, 1]
– 0: é uma série aleatória – 1: uma série suave
• Como é calculado:
R = diferença entre o maior e o menor desvio da média S = desvio-padrão
T = tempo (tamanho do sinal)
Dimensão Fractal (FD)
Técnicas de Análise Não-Linear
Dimensão Fractal (FD)
• O que ele descreve: a dimensão em que o sinal encontra-se
Dimensão Fractal (FD)
• O que ele descreve: a dimensão em que o sinal encontra-se
• O que o valor nos diz: a complexidade do sinal analisado
Dimensão Fractal (FD)
• O que ele descreve: a dimensão em que o sinal encontra-se
• O que o valor nos diz: a complexidade do sinal analisado
• Como é calculado:
Dimensão Fractal (FD)
• O que ele descreve: a dimensão em que o sinal encontra-se
• O que o valor nos diz: a complexidade do sinal analizado
• Como é calculado:
ε: unidade usada para medir o sinal (régua)
Dimensão Fractal (FD)
• O que ele descreve: a dimensão em que o sinal encontra-se
• O que o valor nos diz: a complexidade do sinal analizado
• Como é calculado:
ε: unidade usada para medir o sinal (régua)
N: menor número de unidades (réguas) necessárias
Dimensão de Correlação (CD)
Técnicas de Análise Não-Linear
Dimensão de Correlação (CD)
• O que ele descreve: a probabilidade de 2 pontos de uma trajetória estarem a uma distância r
Dimensão de Correlação (CD)
• O que ele descreve: a probabilidade de 2 pontos de uma trajetória estarem a uma distância r
• O que o valor nos diz: a densidade do atrator que gerou a série temporal
Dimensão de Correlação (CD)
• O que ele descreve: a probabilidade de 2 pontos de uma trajetória estarem a uma distância r
• O que o valor nos diz: a densidade do atrator que gerou a série temporal
• Como é calculado:
com
Dimensão de Correlação (CD)
• O que ele descreve: a probabilidade de 2 pontos de uma trajetória estarem a uma distância r
• O que o valor nos diz: a densidade do atrator que gerou a série temporal
• Como é calculado:
Xx,Xy: pontos da trajetória no espaço de fases
Dimensão de Correlação (CD)
• O que ele descreve: a probabilidade de 2 pontos de uma trajetória estarem a uma distância r
• O que o valor nos diz: a densidade do atrator que gerou a série temporal
• Como é calculado:
Xx,Xy: pontos da trajetória no espaço de fases N: número de pontos no espaço de fases
Dimensão de Correlação (CD)
• O que ele descreve: a probabilidade de 2 pontos de uma trajetória estarem a uma distância r
• O que o valor nos diz: a densidade do atrator que gerou a série temporal
• Como é calculado:
Xx,Xy: pontos da trajetória no espaço de fases N: número de pontos no espaço de fases
R: distância radial em torno de cada ponto de referência Xi
Dimensão de Correlação (CD)
• O que ele descreve: a probabilidade de 2 pontos de uma trajetória estarem a uma distância r
• O que o valor nos diz: a densidade do atrator que gerou a série temporal
• Como é calculado:
Xx,Xy: pontos da trajetória no espaço de fases N: número de pontos no espaço de fases
R: distância radial em torno de cada ponto de referência Xi Θ: Função Heaviside
Maior
Expoente de Lyapunov (LLE)
Técnicas de Análise Não-Linear
Maior Expoente de Lyapunov (LLE)
• O que ele descreve: a taxa de divergência de órbitas inicialmente próximas ao longo do espaço de fases
Maior Expoente de Lyapunov (LLE)
• O que ele descreve: a taxa de divergência de órbitas inicialmente próximas ao longo do espaço de fases
• O que o valor nos diz: o quanto o atrator
“cresce”, pode ser relacionado com a energia do sistema, e com o comportamento dele
Maior Expoente de Lyapunov (LLE)
• O que ele descreve: a taxa de divergência de órbitas inicialmente próximas ao longo do espaço de fases
• O que o valor nos diz: o quanto o atrator
“cresce”, pode ser relacionado com a energia do sistema, e com o comportamento dele
– < 0 – as trajetórias convergem
Maior Expoente de Lyapunov (LLE)
• O que ele descreve: a taxa de divergência de órbitas inicialmente próximas ao longo do espaço de fases
• O que o valor nos diz: o quanto o atrator
“cresce”, pode ser relacionado com a energia do sistema, e com o comportamento dele
– < 0 – as trajetórias convergem
– = 0 – atrator de ponto-fixo ou estável
Maior Expoente de Lyapunov (LLE)
• O que ele descreve: a taxa de divergência de órbitas inicialmente próximas ao longo do espaço de fases
• O que o valor nos diz: o quanto o atrator
“cresce”, pode ser relacionado com a energia do sistema, e com o comportamento dele
– < 0 – as trajetórias convergem
– = 0 – atrator de ponto-fixo ou estável – > 0 – um sistema caótico
Porquê a
multidisciplinaridade?
Multidisciplinaridade
Multidisciplinaridade
• Neurociência
Multidisciplinaridade
• Neurociência
– Teorias sobre o funcionamento das células cerebrais
Multidisciplinaridade
• Neurociência
– Teorias sobre o funcionamento das células cerebrais – Teorias sobre o funcionamento do cérebro
Multidisciplinaridade
• Neurociência
– Teorias sobre o funcionamento das células cerebrais – Teorias sobre o funcionamento do cérebro
– Técnicas para o estudo do cérebro
Multidisciplinaridade
• Neurociência
• Medicina
Multidisciplinaridade
• Neurociência
• Medicina
– Conhecimento de patologias e anomalias
Multidisciplinaridade
• Neurociência
• Medicina
– Conhecimento de patologias e anomalias – Podem emitir diagnósticos médicos
Multidisciplinaridade
• Neurociência
• Medicina
– Conhecimento de patologias e anomalias – Podem emitir diagnósticos médicos
– Processo de captura de dados biológicos
Multidisciplinaridade
• Neurociência
• Medicina
• Psicologia
– Teorias sobre o funcionamento da mente
Multidisciplinaridade
• Neurociência
• Medicina
• Psicologia
– Teorias sobre o funcionamento da mente – Teorias sobre a integração mente-cérebro
Multidisciplinaridade
• Neurociência
• Medicina
• Psicologia
– Teorias sobre o funcionamento da mente – Teorias sobre a integração mente-cérebro
– Podem aplicar exames psicológicos e analisar seus resultados
Multidisciplinaridade
• Neurociência
• Medicina
• Psicologia
• Matemática
– Modelos Matemáticos
Multidisciplinaridade
• Neurociência
• Medicina
• Psicologia
• Matemática
– Modelos Matemáticos – Topologia
Multidisciplinaridade
• Neurociência
• Medicina
• Psicologia
• Matemática
– Modelos Matemáticos – Topologia
– Teorias sobre dinâmica de sistemas
Multidisciplinaridade
• Neurociência
• Medicina
• Psicologia
• Matemática
• Física
– Dinâmica de Sistemas
Multidisciplinaridade
• Neurociência
• Medicina
• Psicologia
• Matemática
• Física
– Dinâmica de Sistemas
– Técnicas para estudo de Sistemas Dinâmicos
Multidisciplinaridade
• Neurociência
• Medicina
• Psicologia
• Matemática
• Física
– Dinâmica de Sistemas
– Técnicas para estudo de Sistemas Dinâmicos – Invariantes Dinâmicas
Multidisciplinaridade
• Neurociência
• Medicina
• Psicologia
• Matemática
• Física
• Ciência da Computação
– Modelos Computacionais
Multidisciplinaridade
• Neurociência
• Medicina
• Psicologia
• Matemática
• Física
• Ciência da Computação
– Modelos Computacionais – Algoritmos de Análise
Multidisciplinaridade
• Neurociência
• Medicina
• Psicologia
• Matemática
• Física
• Ciência da Computação
– Modelos Computacionais – Algoritmos de Análise
– Algoritmos de Classificação
Multidisciplinaridade
• Neurociência
• Medicina
• Psicologia
• Matemática
• Física
• Ciência da Computação
• Entre outras áreas ...
Trabalhos já desenvolvidos e em desenvolvimento no
INF-UFRGS
Trabalhos já desenvolvidos
Análise de sons pulmonares
Análise de sons pulmonares
Análise de sons pulmonares
• Título: Análise Não-Linear de Padrões Sonoros:
Estudo de Caso para Sons Pulmonares
Análise de sons pulmonares
• Título: Análise Não-Linear de Padrões Sonoros:
Estudo de Caso para Sons Pulmonares
• Autor: Ricardo Felipe Custódio
Análise de sons pulmonares
• Título: Análise Não-Linear de Padrões Sonoros:
Estudo de Caso para Sons Pulmonares
• Autor: Ricardo Felipe Custódio
• Tipo: Tese de Doutorado (PPGC)
Análise de sons pulmonares
• Título: Análise Não-Linear de Padrões Sonoros:
Estudo de Caso para Sons Pulmonares
• Autor: Ricardo Felipe Custódio
• Tipo: Tese de Doutorado (PPGC)
• Ano: 1999
Análise de sons pulmonares
• Título: Análise Não-Linear de Padrões Sonoros:
Estudo de Caso para Sons Pulmonares
• Autor: Ricardo Felipe Custódio
• Tipo: Tese de Doutorado (PPGC)
• Ano: 1999
• Orientador: Prof. Dr. Dante A. C. Barone
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.
Estudo do Caos e Fractais
Estudo e Simulação: Caos e Fractais
Estudo e Simulação: Caos e Fractais
• Título: Um estudo sobre caos determinístico e fractais com implementação de um ambiente para sua simulação
Estudo e Simulação: Caos e Fractais
• Título: Um estudo sobre caos determinístico e fractais com implementação de um ambiente para sua simulação
• Autor: Thales Heimfarth
Estudo e Simulação: Caos e Fractais
• Título: Um estudo sobre caos determinístico e fractais com implementação de um ambiente para sua simulação
• Autor: Thales Heimfarth
• Tipo: Trabalho de Conclusão de Curso (Ciência da Computação - UFRGS)
Estudo e Simulação: Caos e Fractais
• Título: Um estudo sobre caos determinístico e fractais com implementação de um ambiente para sua simulação
• Autor: Thales Heimfarth
• Tipo: Trabalho de Conclusão de Curso (Ciência da Computação - UFRGS)
• Ano: 2000
Estudo e Simulação: Caos e Fractais
• Título: Um estudo sobre caos determinístico e fractais com implementação de um ambiente para sua simulação
• Autor: Thales Heimfarth
• Tipo: Trabalho de Conclusão de Curso (Ciência da Computação - UFRGS)
• Ano: 2000
• Orientador: Prof. Dr. Dante A. C. Barone
Clusterização dos Estágios do Sono
Clusterização dos Estágios do Sono
Clusterização dos Estágios do Sono
• Título: Análise e classificação de séries
temporais não estacionárias utilizando métodos não-lineares
Clusterização dos Estágios do Sono
• Título: Análise e classificação de séries
temporais não estacionárias utilizando métodos não-lineares
• Autor: Marcelo Resende Thielo
Clusterização dos Estágios do Sono
• Título: Análise e classificação de séries
temporais não estacionárias utilizando métodos não-lineares
• Autor: Marcelo Resende Thielo
• Tipo: Dissertação de Mestrado (PPGC)
Clusterização dos Estágios do Sono
• Título: Análise e classificação de séries
temporais não estacionárias utilizando métodos não-lineares
• Autor: Marcelo Resende Thielo
• Tipo: Dissertação de Mestrado (PPGC)
• Ano: 2000
Clusterização dos Estágios do Sono
• Título: Análise e classificação de séries
temporais não estacionárias utilizando métodos não-lineares
• Autor: Marcelo Resende Thielo
• Tipo: Dissertação de Mestrado (PPGC)
• Ano: 2000
• Orientador: Prof. Dr. Dante A. C. Barone
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
Reconhecimento de Locutor
Reconhecimento de Locutor
Reconhecimento de Locutor
• Título: Reconhecimento automático de locutor utilizando medidas de invariantes dinâmicas não-lineares
Reconhecimento de Locutor
• Título: Reconhecimento automático de locutor utilizando medidas de invariantes dinâmicas não-lineares
• Autor: Adriano Petry
Reconhecimento de Locutor
• Título: Reconhecimento automático de locutor utilizando medidas de invariantes dinâmicas não-lineares
• Autor: Adriano Petry
• Tipo: Tese de Doutorado (PPGC)
Reconhecimento de Locutor
• Título: Reconhecimento automático de locutor utilizando medidas de invariantes dinâmicas não-lineares
• Autor: Adriano Petry
• Tipo: Tese de Doutorado (PPGC)
• Ano: 2002
Reconhecimento de Locutor
• Título: Reconhecimento automático de locutor utilizando medidas de invariantes dinâmicas não-lineares
• Autor: Adriano Petry
• Tipo: Tese de Doutorado (PPGC)
• Ano: 2002
• Orientador: Prof. Dr. Dante A. C. Barone
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.
Análise de perfis cognitivos
Análise de perfis cognitivos
Análise de perfis cognitivos
• Título: Habilidade cognitiva espacial: medida com eletroencefalografia
Análise de perfis cognitivos
• Título: Habilidade cognitiva espacial: medida com eletroencefalografia
• Autor: Marilda Machado Spindola
Análise de perfis cognitivos
• Título: Habilidade cognitiva espacial: medida com eletroencefalografia
• Autor: Marilda Machado Spindola
• Tipo: Tese de Doutorado (PPGIE)
Análise de perfis cognitivos
• Título: Habilidade cognitiva espacial: medida com eletroencefalografia
• Autor: Marilda Machado Spindola
• Tipo: Tese de Doutorado (PPGIE)
• Ano: 2010
Análise de perfis cognitivos
• Título: Habilidade cognitiva espacial: medida com eletroencefalografia
• Autor: Marilda Machado Spindola
• Tipo: Tese de Doutorado (PPGIE)
• Ano: 2010
• Orientador: Prof. Dr. Milton A. Zaro
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
Análise e classificação de perfis cognitivos
Classificação de perfis cognitivos
Classificação de perfis cognitivos
• Título: Mensuração e classificação da capacidade cognitiva espacial utilizando
técnicas de análise não-linear e redes neurais artificiais
Classificação de perfis cognitivos
• Título: Mensuração e classificação da capacidade cognitiva espacial utilizando
técnicas de análise não-linear e redes neurais artificiais
• Autor: Guilherme Maron
Classificação de perfis cognitivos
• Título: Mensuração e classificação da capacidade cognitiva espacial utilizando
técnicas de análise não-linear e redes neurais artificiais
• Autor: Guilherme Maron
• Tipo: Dissertação de Mestrado (PPGC)
Classificação de perfis cognitivos
• Título: Mensuração e classificação da capacidade cognitiva espacial utilizando
técnicas de análise não-linear e redes neurais artificiais
• Autor: Guilherme Maron
• Tipo: Dissertação de Mestrado (PPGC)
• Ano: 2012
Classificação de perfis cognitivos
• Título: Mensuração e classificação da capacidade cognitiva espacial utilizando
técnicas de análise não-linear e redes neurais artificiais
• Autor: Guilherme Maron
• Tipo: Dissertação de Mestrado (PPGC)
• Ano: 2012
• Orientador: Prof. Dr. Dante A. C. Barone
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
Possíveis Colaborações Internacionais
Colaborações Internacionais
Colaborações Internacionais
• Dr. Miguel Pérez García
• Diretor de pesquisa do Grupo de Investigación de Neuropsicología y Psiconeuroinmunología Clínicas da Universidad de Granada - Espanha
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
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
Colaborações Internacionais
• Dr. Jacques Levy-Vehel
• Diretor de pesquisa do grupo Regularity do INRIA - França
Colaborações Internacionais
• Dr. Ole Jensen
• Diretor de pesquisa do grupo Neuronal Oscillations do Donders Institute for Brain Cognition and Behavior - Holanda
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)