Navegando por Assunto "Bayesian optimization"
Agora exibindo 1 - 2 de 2
Resultados por página
Opções de Ordenação
Trabalho de Curso - Graduação - Relatório Acesso aberto (Open Access) Interface Cérebro-Máquina: uma abordagem ótima via distância de Riemann por subbanda(2024-11-01) ANJOS, Leilane de Jesus; SILVA, Cleison Daniel; http://lattes.cnpq.br/1445401605385329; https://orcid.org/0000-0001-8280-2928Este trabalho, apresenta o relatório de pesquisa intitulado "Interface Cérebro-Máquina: uma abordagem ótima via distância de Riemann", desenvolvido entre 01 de setembro de 2023 à 31 de agosto de 2024, durante a execução do projeto de pesquisa denominado "Técnicas de otimização aplicadas a Interface Cérebro-Máquina", financiado pela Fundação Amazônica de Amparo a Estudos e Pesquisas, sob orientação do professor Dr. Cleison Daniel Silva. Este trabalho foi elaborado seguindo a resolução nº1/2024 da Faculdade de Engenharia Elétrica- CAMTUC, que regulamenta os termos da flexibilização do Trabalho de Curso na IN nº5/2023 da PROEG-UFPA. Sistemas de Interface Cérebro Máquina (ICM) são tecnologias capazes realizar a comunicação entre o cérebro humano e dispositivos externos, a partir de sinais neurais, que podem ser coletadas, através de técnicas de neuroimagem como a eletroencefalografia (EEG), processadas e convertidas em comandos. O estudo da pesquisa, concentra-se em melhorar o desempenho de classificação em sistemas de ICM baseados em imagética motora usando o método de Mínima distância a Média de Riemann (do inglês Minimum Distance to Riemann Mean - MDRM) através do algoritmo de classificação Distância Mínima à Média (do inglês Minimum Distance to Mean - MDM) para a extração de informações discriminantes a partir de sinais de EEG representados por matrizes de covariância simétricas positivas definidas por sub-banda, formando uma representação normalizada dos sinais de EEG que são entregues ao algoritmo de classificação Máquina de Vetor de Suporte (do inglês Support Vector Machine). Os hiperparâmetros relacionados a faixa de frequência de interesse, número de sub-bandas e parâmetros do classificador, são ajustados por meio da Otimização Bayesiana de modo a lidar com as características inter e intra sujeitos, permitindo ajustes individuais. Os resultados obtidos a partir de um conjunto de dados públicos apresentaram melhorias significativas em comparação como um método previamente proposto. A acurácia do classificador foi utilizada para a comparação, servido de base para discussões e conclusões da pesquisa.Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Otimização de interfaces cérebro-máquina baseadas em imagética motora por seleção de features e combinação de modelos: compilado de artigos publicados em 2024 e 2025(2026-05-26) DOURADO, Guilherme da Costa; SILVA, Cleison Daniel; http://lattes.cnpq.br/1445401605385329; https://orcid.org/0000-0001-8280-2928Este Trabalho de Conclusão de Curso aborda o estudo e a otimização de sistemas de Inter faces Cérebro-Máquina (ICM) baseadas em Imagética Motora (IM), com foco na melhoria da precisão e da robustez de classificadores aplicados a sinais de Eletroencefalografia (EEG). O trabalho está dividido em dois estudos complementares, ambos utilizando o conjunto de dados público 2a da IV Competição de ICM. No primeiro estudo, foi investigado o impacto da seleção de features sobre o desempenho de sistemas ICM-IM. A metodologia incluiu filtragem por sub-bandas, aplicação do método Common Spatial Pattern (CSP) para geração de vetores de características e seleção por meio dos algoritmos Least Absolute Shrinkage and Selection Operator (LASSO) e SelectKBest, seguida de classificação com Support Vector Machine (SVM). Os resultados indicaram um ganho médio de 2% na acurácia da classificação, demonstrando que a seleção criteriosa de características contribui para reduzir redundâncias e aprimorar o desempenho dos classificadores. No segundo estudo, foram exploradas técnicas de aprendizado em conjunto, como Bagging e Soft Voting, aplicadas à combinação de modelos personalizados via otimização Bayesiana. As análises mostraram um aumento médio de 14,4% nos valores do índice Kappa médio (κm), métrica que avalia a concordância entre as predições do classificador e os rótulos reais, em relação aos modelos individuais. Entretanto, não foi observada significância estatística nos valores de zκ, indicando que os ganhos permaneceram sensíveis à variabilidade individual dos sinais de EEG. Em conjunto, os dois estudos configuram uma proposta de otimização em múltiplos estágios para sistemas de ICM, contribuindo para o desenvolvimento de soluções mais precisas, interpretáveis e adaptáveis, com potencial aplicação em contextos clínicos e assistivos.