Análise de soluções de equilíbrio na programação da operação de médio prazo

• Main Author: Alencar, Humberto José de Oliveira
• Other Authors: Universidade Federal de Santa Catarina
• Format: Others
• Language: Portuguese
• Published: 2015
• Subjects: Engenharia elétrica; Teoria dos jogos; Programação não-linear; Programação estocástica
• Online Access: https://repositorio.ufsc.br/xmlui/handle/123456789/157294

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2015. === Made available in DSpace on 2015-12-22T03:04:23Z (GMT). No. of bitstreams: 1 336608.pdf: 1830988 bytes, checksum: 6910f9c097841c4bd005460dc08788ca (MD5) Previous issue date: 2015 === Esta pesquisa apresenta uma metodologia na identificação de paroxis-mos epileptiformes em sinais de EEG baseada no escalograma Wavelet, que é um mapeio do sinal no tempo e na escala usando uma função Wavelet. Foram avaliadas 65 funções Wavelet das famílias: Daubechies, Biorthogonal, Symlets, Reverse Biorthogonal e Coiflets. Após confor-mar o conjunto de padrões mediante o escalograma foi usada uma rede neural Multi-Layer Perceptron (MLP) para identificar os eventos epileptiformes (espículas e ondas agudas). Foram usados dois bancos de sinais: EEG-Bank-A e EEG-Bank-B, de características totalmente diferentes para testar a metodologia proposta. Propuseram-se duas formas de treinar a rede neural: usando o escalograma diádico completo ou usando as escalas diádicas mais relacionadas à atividade epileptiforme, que demonstraram ser: 25, 26, 27 e 28. O propósito é diminuir a alta redundância de informação do escalograma Wavelet contínuo, diminuindo também o alto custo computacional. Foram treinadas e validadas 260 redes neurais usando o mesmo vetor de pesos inicial. Os testes foram realizados de forma cruzada (entre os bancos), gerando os indicadores de desempenho: sensibilidade, especificidade, valor preditivo positivo, valor preditivo negativo, prevalência, eficiência (EFI) e área abaixo da curva ROC (AUC, Area Under the Curve). As funções Wavelet analisadas foram avaliadas baseadas no produto da área abaixo da curva ROC e da eficiência (AUC x EFI). Para o EEG-Bank-A, foram escolhidas as funções bior3.7, bior3.9 e rbio1.5, obtendo os indicadores de desempenho: sensibilidade de 78,21%, especificidade de 94,52%, valor preditivo positivo de 89,97%, valor preditivo negativo de 87,33%, prevalência de 38,62%, eficiência de 88,22% e AUC de 0,9617. Para o EEG-Bank-B foram escolhidas rbio1.5, rbio1.3 e coif1, obtendo os indicadores de desempenho: sensibilidade de 89,03%, especificidade de 89,33%, valor preditivo positivo de 85,40%, valor preditivo negativo de 92,07%, prevalência de 41,21%, eficiência de 89,20% e AUC de 0,9461. A função rbio1.5 forneceu altos indicadores de desempenho para os dois bancos utilizados. Em geral, todas as funções Wavelet são uteis na identificação de paroxismos epileptiformes, porém as funções daub10 até daub15 atingiram um produto (AUC x EFI) menor de 75%, que foi considerado um valor baixo. O tempo de processamento do sistema proposto foi de 2,5 segundos.<br> === Abstract : This research presents a methodology for the identification of epilepti-form paroxysms in EEG signals based on Wavelet scalogram that maps the signal in time and scale using a Wavelet function. It was used 65 Wavelet functions of families: Daubechies, Biorthogonal, Symlets, Re-verse Biorthogonal and Coiflets. After feature extraction via scalograms it was designed a Multi-Layer Perceptron (MLP) artificial neural net-work to identify the epileptiform events (spikes and sharp waves). Two banks of signals were used: EEG-Bank-A and EEG-Bank-B which are totally different and they will help to test the proposed methodology. It was proposed two ways for the training stage: using the full dyadic scalogram or the dyadic scales more strongly related to epileptiform activity, the dyadic scales: 25, 26, 27 and 28. The purpose is to decrease high redundancy of information of the CWT also reducing the high computational cost. It was trained 260 neural networks using the same vector of initial weights. The tests were performed using a cross-data technique (between the banks), generating the following indicators of performance: sensitivity, specificity, positive and negative predictive values, prevalence, maximum efficiency and area under the ROC curve (AUC). The Wavelet functions were evaluated based on the AUC x EFI product. For EEG-Bank-A the functions bior3.7, bior3.9 and rbio1.5 were chosen obtaining the indicators of performance: sensitivity of 78.21%, specificity of 94.53%, positive predictive value of 89.97%, negative predictive value of 87.33%, prevalence of 38.62%, maximum efficiency of system of 88.22% and AUC of 0.9617. For EEG-Bank-B were chosen rbio1.5, rbio1.3 and coif1 obtaining the indicators: sensitivity of 89.03%, specificity of 89.33%, positive predictive value of 85.40%, negative predictive value of 92.07%, prevalence of 41.21%, maximum efficiency of 89.20% and AUC of 0.9461. The rbio1.5 function provides high indicators of performance for both banks. In general, all Wavelet functions are useful for the identification of epileptiform paroxysms, even though the function daub10 to daub15 reached AUC x EFI indicators smaller than 75% that was considered a low value. Finally, the processing time of the proposed system was 2.5 seconds.