157 research outputs found
Koala: system for integration of methods for protein structures prediction and analysis
No full textA Biologia Computacional tem desenvolvido algoritmos aplicados a problemas relevantes da Biologia. Um desses problemas é a Protein Structure Prediction (PSP). Vários métodos têm sido desenvolvidos na literatura para lidar com esse problema. Porém a reprodução de resultados e a comparação dos mesmos não têm sido uma tarefa fácil. Nesse sentido, o Critical Assessment of protein Structure Prediction (CASP), busca entre seus objetivos, realizar tais comparações. Além disso, os sistemas desenvolvidos para esse problema em geral não possuem interface amigável, não favorecendo o uso por não especialistas da computação. Buscando reduzir essas dificuldades, este trabalho propões o Koala, um sistema baseado em uma plataforma web, que integra vários métodos de predição e análises de estruturas de proteínas, possibilitando a execução de experimentos complexos com o uso de fluxos de trabalhos. Os métodos de predição disponíveis podem ser integrados para a realização de análises dos resultados, usando as métricas RMSD, GDT-TS ou TM-Score. Além disso, o método Sort by front dominance (baseado no critério de optimalidade de Pareto), proposto nesse trabalho, consegue avaliar predições sem uma estrutura de referência. Os resultados obtidos, usando proteínas alvo de artigos recentes e do CASP11, indicam que o Koala tem capacidade de realizar um conjunto relativamente grande de experimentos estruturados, beneficiando a determinação de melhores estruturas de proteínas, bem como o desenvolvimento de novas abordagens para predição e análise por meio de fluxos de trabalho.Computational Biology has developed algorithms applied to relevant problems from Biology. One of these probems is Protein Structure Prediction (PSP). Several methods have been developed on the liteture to deal with this problem. However, the reproduction of results and the comparison of the methods have not been an easy task. Accordingly, the Critical Assessment of protein Structure Prediction (CASP), has among his objectives, perform these comparisons. Besides, the developed systems for this problem have low usability, not benefiting the investigation of various methods by non experts. In order to minimize those difficulties, this project proposes Koala, a web-based system that integrates several algorithms applied to PSP and analysis, allowing the execution of complex experiments by using workflows. The prediction methods can be integrated to perform some analysis of the results, by using the RMSD, GDT-TS and TM-Score metrics. Moreover, the Sort by front dominance method (based on the criterion of Pareto optimalidad), proposed on this work, can evaluate predictions with no reference structure. The results obtained, using target proteins from recent articles and CASP11, indicate that Koala has the capability to execute a relatively large set of organized experiments, benefiting determining of better protein structures, as well as the development of new approaches for prediction and analysis through workflows
MultiMaps: multiobjective approach for building choropleth maps from multisource heterogeneous data
No full textO aumento significativo na disponibilização de dados com informações espaciais, como tempo e espaço, oriundo de diversas fontes têm gerado novas oportunidades de análise e modelagem, buscando um melhor entendimento do sistema associado a esses dados. No entanto, surgem problemas na avaliação das distribuições espaciais e na fusão de dados heterogêneos de múltiplas fontes. Um deles explorado na literatura é identificar os pesos a serem atribuídos a cada entrada de dados. Este trabalho propõe, dessa forma, a utilização de um modelo espacial multicritério que visa otimizar a dependência espacial e a heterogeneidade espacial para pesar o grau de importância de cada componente do modelo e combiná-los, gerando diversos mapas coropléticos de forma automática e sem a necessidade de especialista de domínio de cada fonte de dados. Os resultados, obtidos por meio de estudos de caso, permitiram a comparação da qualidade da solução e do custo computacional das técnicas aplicadas, bem como o desenvolvimento de uma nova técnicas para fusão de dados geoespaciais por meio da análise da dependência e heterogeneidade espacial, além de um arcabouço para o tratamento e manipulação de dados geoespaciais.The significant increase in the availability of data with spatial information, such as time and space, from different sources generated with new opportunities for analysis and modeling, seeking a better understanding of the system associated with this data. However, problems arise in assessing spatial distributions and merging heterogeneous data from multiple sources. One of the important problems explored in the literature is identifying the weights assigned to each data entry. This work proposes the use of a multi-criteria spatial model that aims to optimize spatial dependence and spatial heterogeneity to weigh the degree of importance of each component of the model and combine them, generating several choropleth maps automatically and without the need for a specialist. domain of each data source. The results obtained through case studies allowed the comparison of the quality of the solution and the computational cost of the applied techniques, as well as the development of a new technique for fusion of geospatial data through the analysis of spatial dependence and heterogeneity, in addition to a framework for the processing and manipulation of geospatial data
FS-OPA: combination of optimization based on phylogram analysis and cox regression applied to mental disorder datasets.
No full textOs conjuntos de dados digitais em vários hospitais acumularam dados de milhares de pacientes por mais de uma década. Em geral, não há equipe com especialistas suficientes, com as diferentes habilidades necessárias, capazes de analisá-las por inteiro. A integração dessas habilidades geralmente exige um período relativamente longo e custa. Este projeto propõe uma nova técnica de Sensibilidade aos recursos (FS) que pode lidar automaticamente com um grande conjunto de dados. Ele usa uma estratégia de amostragem baseada em critérios da Otimização baseada em Análise de Filogramas (OPA). Chamada FS-opa, a nova abordagem parece adequada para lidar com qualquer tipo de dados brutos dos centros de saúde e manipular todo o conjunto de dados. Além disso, o FS-OPA pode encontrar os principais recursos para a construção de modelos de inferência sem depender do conhecimento especializado do domínio do problema. Os recursos selecionados podem ser combinados com métodos usuais de estatística ou aprendizado de máquina para realizar previsões. O novo método pode extrair conjuntos de dados inteiros do zero. O FS-opa foi avaliado usando um conjunto de dados relativamente grande de hospitais com transtornos mentais no Brasil. A abordagem de Cox foi integrada ao FS-opa para gerar modelos de análise de sobrevida relacionados ao tempo de permanência (LOS) em hospitais, assumindo que é um aspecto relevante que pode beneficiar estimativas da eficiência dos hospitais e da qualidade dos tratamentos dos pacientes. Como o FS-opa pode trabalhar com conjuntos de dados brutos, nenhum conhecimento do domínio do problema foi usado para obter os modelos de previsão preliminares encontrados. Os resultados mostram que o FS-opa conseguiu realizar uma análise de sensibilidade dos recursos usando apenas os dados brutos disponíveis. Dessa forma, o FS-opa pode encontrar os principais recursos sem viés de um modelo de inferência, uma vez que o método proposto não o utiliza. Além disso, os experimentos mostram que o FS-opa pode fornecer aos modelos uma troca útil de acordo com sua representatividade e parcimônia. Pode beneficiar análises adicionais por especialistas, pois eles podem se concentrar em aspectos que beneficiam a modelagem de problemas.Digital datasets in several hospitals accumulated data from thousands of patients for more than a decade. In general, there is no team with enough experts with the required different skills capable of analyzing them in entirety. The integration of those abilities usually demands a relatively long-period and is cost. This project proposes a new Feature Sensitivity (FS) technique that can automatically deal with a large dataset. It uses a criterion-based sampling strategy from the Optimization based on Phylogram Analysis (OPA). Called FS-opa, the new approach seems proper for dealing with any types of raw data from health centers and manipulate their entire datasets. Besides, FS-OPA can find the principal features for the construction of inference models without depending on expert knowledge of the problem domain. The selected features can be combined with a usual statistical or machine learning methods to perform predictions. The new method can mine entire datasets from scratch. FS-opa was evaluated using a relatively large dataset from mental disorder hospitals in Brazil. Cox\'s approach was integrated to FS-opa to generate survival analysis models related to the length of stay (LOS) in hospitals, assuming that it is a relevant aspect that can benefit estimates of the efficiency of hospitals and the quality of patient treatments. Since FS-opa can work with raw datasets, no knowledge from the problem domain was used to obtain the preliminary prediction models found. Results show that FS-opa succeeded in performing a feature sensitivity analysis using only the raw data available. In this way, FS-opa can find the principal features without bias of an inference model, since the proposed method doesn\'t use it. Moreover, the experiments show that FS-opa can provide models with a useful trade-off according to their representativeness and parsimony. It can benefit further analyses by experts since they can focus on aspects that benefit problem modeling
Data mining of non-structured data on events in electrical energy systems
No full textAtualmente com avanço da tecnologia em todos os setores, temos uma geração e um volume muito grande de dados ou informações, que podem ser transformadas e utilizadas para o gerencia- mento e tomada de decisão. Para a transformação desses dados verificamos também um grande de- senvolvimento de máquinas e programas computacionais. Este trabalho propõem a aplicação da ferra- menta computacional Damicore em dados não estruturados, fornecido por uma empresa de distribuição de energia, da qual estão relacionados com a interrupção no fornecimento de energia aos consumido- res. Tendo como finalidade realizar a classificação e agrupamentos das informações que possam gerar relatórios para tomada de decisão gerencial. Por outro lado propor uma estruturação e padronização dessas informações, conforme a necessidade de cada empresa.Today, with advances in technology in all sectors, we have a generation and a very large volume of data or information that can be transformed and used for management and decision making. For the trans- formation of these data we also see a great development of machines and computer programs. This work proposes the application of the Damicore Computational tool in unstructured data, provided by an energy distribution company, which are related to the interruption in energy supply to consumers. Its purpose is to carry out the classification and grouping of information that can generate reports for man- agerial decision making. On the other hand, propose a structuring and standardization of this infor- mation, according to the need of each company
Estimation of distribution algorithms for ab initio protein structure prediction
No full textAs proteínas são moléculas que desempenham funções essenciais para a vida. Para entender a função de uma proteína é preciso conhecer sua estrutura tridimensional. No entanto, encontrar a estrutura da proteína pode ser um processo caro e demorado, exigindo profissionais altamente qualificados. Neste sentido, métodos computacionais têm sido investigados buscando predizer a estrutura de uma proteína a partir de uma sequência de aminoácidos. Em geral, tais métodos computacionais utilizam conhecimentos de estruturas de proteínas já determinadas por métodos experimentais, para tentar predizer proteínas com estrutura desconhecida. Embora métodos computacionais como, por exemplo, o Rosetta, I-Tasser e Quark tenham apresentado sucesso em suas predições, são apenas capazes de produzir estruturas significativamente semelhantes às já determinadas experimentalmente. Com isso, por utilizarem conhecimento a priori de outras estruturas pode haver certa tendência em suas predições. Buscando elaborar um algoritmo eficiente para Predição de Estruturas de Proteínas livre de tendência foi desenvolvido um Algoritmo de Estimação de Distribuição (EDA) específico para esse problema, com modelagens full-atom e algoritmos ab initio. O fato do algoritmo proposto ser ab initio é mais interessante para aplicação envolvendo proteínas com baixa similaridade, com relação às estruturas já conhecidas. Três tipos de modelos probabilísticos foram desenvolvidos: univariado, bivariado e hierárquico. O univariado trata o aspecto de multi-modalidade de uma variável, o bivariado trata os ângulos diedrais (Φ Ψ) de um mesmo aminoácido como variáveis correlacionadas. O hierárquico divide o problema em subproblemas e tenta tratá-los separadamente. Os resultados desta pesquisa mostraram que é possível obter melhores resultados quando considerado a relação bivariada (Φ Ψ). O hierárquico também mostrou melhorias nos resultados obtidos, principalmente para proteínas com mais de 50 resíduos. Além disso, foi realiza uma comparação com algumas heurísticas da literatura, como: Busca Aleatória, Monte Carlo, Algoritmo Genético e Evolução Diferencial. Os resultados mostraram que mesmo uma metaheurística pouco eficiente, como a Busca Aleatória, pode encontrar a solução correta, porém utilizando muito conhecimento a priori (predição que pode ser tendenciosa). Por outro lado, o algoritmo proposto neste trabalho foi capaz de obter a estrutura da proteína esperada sem utilizar conhecimento a priori, caracterizando uma predição puramente ab initio (livre de tendência).Proteins are molecules that perform critical roles in the living organism and they are essential for their lifes. To understand the function of a protein, its 3D structure should be known. However, to find the protein structure is an expensive and a time-consuming task, requiring highly skilled professionals. Aiming to overcome such a limitation, computational methods for Protein Structure Prediction (PSP) have been investigated, in order to predict the protein structure from its amino acid sequence. Most of computational methods require knowledge from already determined structures from experimental methods in order to predict an unknown protein. Although computational methods such as Rosetta, I-Tasser and Quark have showed success in their predictions, they are only capable to predict quite similar structures to already known proteins obtained experimentally. The use of such a prior knowledge in the predictions of Rosetta, I-Tasser and Quark may lead to biased predictions. In order to develop a computational algorithm for PSP free of bias, we developed an Estimation of Distribution Algorithm applied to PSP with full-atom and ab initio model. A computational algorithm with ab initio model is mainly interesting when dealing with proteins with low similarity with the known proteins. In this work, we developed an Estimation of Distribution Algorithm with three probabilistic models: univariate, bivariate and hierarchical. The univariate deals with multi-modality of the distribution of the data of a single variable. The bivariate treats the dihedral angles (Proteins are molecules that perform critical roles in the living organism and they are essential for their lifes. To understand the function of a protein, its 3D structure should be known. However, to find the protein structure is an expensive and a time-consuming task, requiring highly skilled professionals. Aiming to overcome such a limitation, computational methods for Protein Structure Prediction (PSP) have been investigated, in order to predict the protein structure from its amino acid sequence. Most of computational methods require knowledge from already determined structures from experimental methods in order to predict an unknown protein. Although computational methods such as Rosetta, I-Tasser and Quark have showed success in their predictions, they are only capable to predict quite similar structures to already known proteins obtained experimentally. The use of such a prior knowledge in the predictions of Rosetta, I-Tasser and Quark may lead to biased predictions. In order to develop a computational algorithm for PSP free of bias, we developed an Estimation of Distribution Algorithm applied to PSP with full-atom and ab initio model. A computational algorithm with ab initio model is mainly interesting when dealing with proteins with low similarity with the known proteins. In this work, we developed an Estimation of Distribution Algorithm with three probabilistic models: univariate, bivariate and hierarchical. The univariate deals with multi-modality of the distribution of the data of a single variable. The bivariate treats the dihedral angles (Φ Ψ) within an amino acid as correlated variables. The hierarchical approach splits the original problem into subproblems and attempts to treat these problems in a separated manner. The experiments show that, indeed, it is possible to achieve better results when modeling the correlation (Φ Ψ). The hierarchical model also showed that is possible to improve the quality of results, mainly for proteins above 50 residues. Besides, we compared our proposed techniques among other metaheuristics from literatures such as: Random Walk, Monte Carlo, Genetic Algorithm and Differential Evolution. The results show that even a less efficient metaheuristic such as Random Walk managed to find the correct structure, however using many prior knowledge (prediction that may be biased). On the other hand, our proposed EDA for PSP was able to find the correct structure with no prior knowledge at all, so we can call this prediction as pure ab initio (biased-free)
Characterization of resource utilization profile of executable programs through data mining
No full textEste trabalho apresenta uma metodologia para caracterização do perfil de consumo de recursos demandados por um programa de computador a partir da análise do código binário do arquivo executável. A categorização de processos de acordo com seus perfis de consumo de recursos durante a execuçãotais como uso de CPU e memóriaé uma informação muito desejada para objetivos de projeto e gerenciamento de sistemas. Técnicas convencionais para este propósito são baseadas em testes de caixa branca (que avaliam o código fonte da aplicação), que tendem a ser de difícil aplicação dado a complexidade das arquiteturas de software além da necessidade de acesso ao código fonte; ou detecção de perfis baseada em dados de execução, que depende da disponibilidade de dados de execução confiáveis e da seleção de características que de fato vão correlacionar o perfil de consumo. A abordagem baseada em mineração de dados proposta neste trabalho evita estas dificuldades uma vez que manipula somente os arquivos binários executáveis. O método combina técnicas provindas da teoria da informação, redes complexas e filogenia para produzir um agrupamento hierárquico de um conjunto de arquivos de programas executáveis que pode ser utilizado para prever potenciais similaridades em termos de consumo de recursos em tempo de execução. As questões de pesquisa deste trabalho investigam se a transformação feita pelo compilador preserva similaridades entre código fonte e binário que podem ser detectadas através de algoritmos de compressão; em caso positivo, verificar se as similaridades encontradas no código binário estão relacionadas com o perfil de execução das aplicações, permitindo inferir o comportamento dos programas a partir da análise do código binário. Este trabalho apresenta a sistematização do método assim como os resultados da aplicação para caracterizar aplicações em termos de consumo de CPU e Entrada/Saída em uma plataforma PC padrão. Diversos experimentos foram executados em um repositório de 80 programas de várias fontes obtendo-se resultados significativos que evidenciam que a similaridade dos perfis de execução obtidas com esta abordagem é consistente com as obtidas experimentalmente por aferição. A aplicação do método também é exemplificado através de casos de estudo que caracterizam o perfil de execução de programas executáveis.This work introduces a methodology for characterizing the runtime resource demands of a computer program from the analysis of its binary executable file. Categorization of processes according to the kind of resources required during execution such as CPU and memory usage is a sought-after piece of knowledge for the aims of computer system design and management. Conventional techniques available for this purpose include white-box static source code analysis and profile matching based on historical execution data. The former tends to be challenging in face of complex software architectures and requires access to the source code; the latter is dependent on the availability of reliable past data and on the selection of features yielding effective correlations with resource usage. The alternative data mining approach proposed in this paper avoids those difficulties by manipulating binary executable files. The method combines techniques from information theory, complex networks and phylogenetics to produce a hierarchical clustering of a set of executable files, which can be used to predict potential similarities in terms of runtime resource usage. The works research questions investigate if the transformation performed by the compiler preserves similarity information across the source and binary code representation such that it can be detected by standard compression algorithms; and if the so identified similarities in the symbolic object encoding are correlated to runtime resource usage to an extent which allows for inferring the programs behavior from the analysis of the binary file. The paper introduces the methods rationales and presents results of its application to characterize CPU and IO usages of benchmark applications executed on a standard PC platform. Essays carried out over a set of 80 executable programs from varying sources yielded numerically significant evidences that the prediction of resource usage similarity obtained by the approach is consistent with experimentally measured runtime profile. The application of the method is also exemplified in a few case studies aimed at characterizing executable programs runtime profile
Not available
No full textUm dos principais problemas da Biologia é tentar explicar o processo evolutivo das espécies existentes e de que forma essas espécies se relacionam em termos de ancestrais comuns. A determinação dessas relações evolutivas dá-se o nome de filogenia ou reconstrução de árvores filogenéticas. A reconstrução de árvores filogenéticas têm sido importante para uma variedade de problemas, tais como: taxonomia, virologia, filogenômica, alinhamento múltiplo de sequências, entre outras. Um problema fundamental em filogenia consiste no fato das espécies ancestrais que existiram no passado não poderem ser observadas diretamente. Assim, é necessário buscar mecanismos para, analisando os organismos atuais, recuperar informações a respeito das relações de parentesco com os organismos ancestrais hipotéticos. Neste sentido, as técnicas filogenéticas buscam determinar os ancestrais hipotéticos que melhor representam um processo evolutivo que explique as espécies existentes. Os Algoritmos Evolutivos (AEs) têm mostrado resultados significativos em filogenia. Por outro lado, a reconstrução de árvores filogenéticas é um problema de Projeto de Redes (PR) para o qual novas abordagens evolutivas têm sido desenvolvidas recentemente buscando o aumento de eficiência computacional. Este trabalho investiga a aplicação dessas novas abordagens para filogenia.One of the most important problems in Biology is to comprehend the evolutionary process of existing species and determine how they are related with their cornmon ancestors. The determination of these evolutionary relationships is named phylogeny or phylogenetic tree reconstruction. The reconstruction of phylogenetic trees have shown to be important for a variety of problems, such as: taxonomy, virology, phylogenomic, multiple sequences alignment, among others. One fundamental problern in phylogeny is that ancestral species cannot be directly observed. In order to overcome this problem, search mechanisms have been employed to reconstruct the relationships among these organisms and their hypothetical ancestors. Therefore, the phylogenetic techniques search for hypotetical ancestors that best describe an evolutionary process which must explain the today species. Evolutionary Algorithms have shown relcvant, results in phylogeny. On the other hand, the phylogenetic tree reconstruction is a network design problem for which new evolutionary algorithms with special encoding have been developed in order to improve their efficiency. This work investigates the application of these new approaches to phylogeny
Analysis of linkage learning in evolutionary optimization
No full textA suposta ubiquidade de sistemas decomponíveis foi interpretada por Holland (1975) como o principal motivo para o desempenho dos algoritmos genéticos (Genetic Algorithms (GAs)). A hipótese de Building Blocks (BBs) sugere que algoritmos genéticos mais eficientes poderiam ser implementados, contudo, apenas anos depois essas ideias puderam ser avaliadas experimentalmente no contexto de algoritmos de estimação de distribuição (Estimation of Distribution Algorithms (EDAs)). EDAs utilizam modelos probabilísticos, estimados a partir da população, para inferir características do espaço de busca que poderiam ser utilizadas para implementar operadores de reprodução mais eficazes. Tanto em problemas mono- quanto multi-objetivo, EDAs emergiram sob a premissa de que a eficácia dos operadores de reprodução seria proporcional à representatividade dos modelos probabilísticos utilizados. No entanto, estudos recentes tem demonstrado que a dificuldade em se construir modelos confiáveis pode tornar essa premissa inviável. Ou seja, para certos problemas de otimização os modelos probabilísticos utilizados seriam, em geral, de baixa qualidade e, portanto, não produziriam operadores eficazes. Esta tese trata das limitações encontradas na construção de modelos probabilísticos (linkage learning) sob a perspectiva da multimodalidade dos problemas em questão. A análise teórica considerou problemas aditivamente separáveis, enquanto a generalização das conclusões foi investigada em instâncias do modelo NK-landscapes e do problema da mochila multidimensional (Multidimensional Knapsack Problem (MKP)). Os resultados indicaram que a acurácia dos modelos probabilísticos é se relaciona inversamente ao grau de multimodalidade da função objetivo e que, em casos de extrema multimodalidade a construção de modelos probabilísticos confiáveis pode ser tornar infactível. Este resultado poderia inviabilizar o uso de EDAs no contexto multiobjetivo, devido a intrínseca multimodalidade de tais problemas. No entanto, observou-se que apesar da ausência de estatísticas confiáveis sobre cada uma das funções objetivo, a correlação entre elas se torna estatisticamente observável e útil aos operadores de reprodução na manutenção da diversidade e controle convergência da população.The supposed ubiquity of nearly-decomposable systems was interpreted by Holland (1975) as the rationale for the performance of Genetic Algorithms (GAs), the Building Block (BB) hypothesis. His seminal studies suggest more efficient GAs as viable, but only later on his ideas have become practically tangible in the context of Estimation of Distribution Algorithms (EDAs). EDAs employ probabilistic modeling so as to infer properties of the search space (BBs) that could be useful for the effectiveness of reproduction operators. In both, single- and multi-objective contexts, EDAs have emerged on the assumption there is a correlation between how much information a model can conceive and how effective reproduction operators can be. However, more recent results suggest the difficulties in producing accurate linkage models can prevent such a relation to be true. In other words, for some optimization problems linkage learning might not be able to produce accurate linkage models, hence EDAs would not outperform GAs. This thesis addresses the limits of linkage learning in the context of single- and bi-objective problems, regarding the influence of multimodality on the accuracy of the linkage models and the efficiency of EDAs. A theoretical analysis was performed in terms of additively separable functions and general conclusions are assessed through experimentation with instances of the NK-model and the Multidimensional Knapsack Problem (MKP). The results indicated that the accuracy of the linkage models tends to decrease as a result of increasing multimodality, which weakens pairwise dependencies and might lead to pairwise independence in extreme cases. Since most EDAs rely on bivariate statistics to estimate multivariate distributions, their applicability is limited to optimization problems within a certain range of multimodality. In multi-objective problems, on the other hand, some EDAs have shown better performance than GAs, which seemed as a contradiction since multi-objective problems are inherently multimodal. Our results suggest that in such cases the correlation among the objective functions becomes statistically evident, as a consequence, linkage learning models such correlation instead of problems substructures, which is useful to obtain a better exploration of extreme regions of the objective space
Neurocognitive Computing platform: Prototype in tinnitus rehabilitation throughout emotion regulation concurrent with high definition transcranial direct current stimulation as a neuromodulation technique.
No full textAs redes cognitivas cerebrais se consolidam emergentemente de acordo com, mas não se limitando às experiências individuais ao longo da vida relacionadas à emoção, estresse, medo, atenção, aprendizado, sociedade, linguagem, religião, cultura e ambiente familiar. Portanto, o funcionamento cognitivo, questões de causalidade versus contingência, redes cerebrais, protocolo de intervenção e eficácia da reabilitação são desafios nas ciências cognitivas e das neurociências. Além disso, o conhecimento orientado a dados suporta a descoberta de padrões, a criação de estratégias de tomada de decisão e a possibilidade de análises preditivas e de perspectiva. No entanto, a reabilitação cognitiva também é desejada pela atualização do conhecimento e aprendizagem autônoma por meio de novas condições devido à consolidação cerebral emergente individualizada. Eventualmente, a infraestrutura digital e o desempenho da computação são essenciais para tornar os modelos desenvolvidos acessíveis, acessíveis e atualizáveis para o sistema de saúde. Uma das soluções práticas que podem enfrentar coletivamente todos os desafios é uma plataforma de computação cognitiva. A Computação Cognitiva (CC) é um nicho de conhecimento emergente baseado em ciência cognitiva, neurociência, ciência de dados e tecnologias de computador. Arquitetonicamente, proponho uma plataforma de Computação Cognitiva construída a partir de redes de micromódulos chamada computação neurocognitiva. A Computação Neurocognitiva (NcC) é uma unidade de computação cognitiva autorregulada que pode aprender e ser treinada em tempo real para gerar mecanismos de sistemas cognitivos individualmente ou em uma rede complexa. Neste projeto de 8 anos, tentei fazer uma Plataforma de Reabilitação Cognitiva (iCRP) integrada como computação neurocognitiva para navegar no comprometimento cognitivo (desregulação emocional) e reabilitação com técnicas de estimulação elétrica transcraniana para pacientes com zumbido. No iCRP, conceituamos e desenvolvemos parcialmente segmentos de computação neurocognitiva em paralelo, desde modelagem cognitiva teórica, ensaio clínico e mineração orientada a dados não/supervisionada até aprendizado profundo em tempo real. Tentei documentar a seção de ciências cognitivas do projeto de forma concisa e profunda, desenvolvendo caixas de ferramentas teóricas e experimentais para reconhecimento de padrões não supervisionado e explorando as metodologias orientadas por dados com avaliações de desempenho de métricas para alimentar o aprendizado de reforço profundo no futuro.Brain cognitive networks consolidate emergently according to but not limited to individual lifelong experiences related to emotion, stress, fear, attention, learning, society, language, religion, culture, and family environment. Therefore, cognitive functioning, causality versus contingency issues, brain networks, intervention protocol, and rehabilitation effectiveness are challenges in cognitive and neuroscience sciences. Additionally, data-driven knowledge supports discovering patterns, creating decision-making strategies, and making predictive and perspective analytics possible. However, cognitive rehabilitation is also desired by updating knowledge and autonomous learning through new conditions due to individualized emergent brain consolidation. Eventually, digital infrastructure and computing performance are essential to make the developed models accessible, affordable, and updatable for the healthcare system. One of the practical solutions that can collectively address all challenges is a cognitive computing platform. Cognitive Computing(CC) is an emerging knowledge niche grounded on cognitive science, neuroscience, data science, and computer technologies. Architecturally, I propose a Cognitive Computing platform constructed from micro-module networks called neurocognitive computing. Neurocognitive Computing (NcC) is a self-regulatable cognitive computing unit that can learn and be trained in real-time to generate cognitive system mechanisms individually or in a complex network. In this 8-year project, I tried to make an integrated Cognitive Rehabilitation Platform (iCRP) as neurocognitive computing to navigate cognitive impairment (emotion dysregulation) and rehabilitation with transcranial electrical stimulation techniques for tinnitus patients. In iCRP, we conceptualized and partially developed neurocognitive computing segments in parallel, from theoretical cognitive modeling, clinical trial, and un/supervised data-driven mining to real-time deep learning. I tried to document the cognitive science section of the project concisely and profoundly, developing theoretical and experimental toolboxes for unsupervised pattern recognition and exploring the data-driven methodologies with metric performance evaluations to fuel deep reinforcement learning in the future
Multiobjective design of an embedded system in drones for non-invasive inspection of Aedes aegypti breeding sites
No full textExistem doenças que são transmitidas por mosquitos, como é o caso da dengue e outras, que podem levar à morte. O Aedes aegypti é um mosquito presente em várias regiões do Brasil. Ambientes com água e temperaturas mais elevadas podem ser criadouros do mosquito. Assim, recomenda-se a eliminação dos criadouros como forma de controle da proliferação das doenças que eles transmitem. Existem alguns métodos para isso, como inspeções em campo por agentes da vigilância e campanhas de conscientização da população para evitar criadouros em casa e no trabalho. Por outro lado, há uma grande variedade de formas de criadouros, cuja prevalência pode mudar conforme a região da cidade e contextos sócio-econômicos. Há também restrições físicas de acessos a certas localidades e uma variedade de situações que prejudicam o efetivo controle dos criadouros pelos órgões de vigilância. Este trabalho, contou com o apoio da equipe de Vigilância em Saúde da cidade de São Carlos em termos de acesso a dados e suporte a análises técnicas. Assim, este trabalho propõe-se um método de projeto semi-automático capaz de calibrar um sistema completo de inspeção, que é reconfigurável de acordo com contextos ou demandas de uso. Tal heterogeneidade é um aspecto importante devido à diversidade de cenários e/ou tipos de criadouros que podem prevalecer em cada região. Outro aspecto importante é vencer as barreiras físicas de inspeção de forma não-invasiva, ou seja, nenhum dado/imagem referente à pessoas é coletado pelo sistema. Assim, o sistema (que pode ser embarcado em um drone) deve ser projetado para identificar e anotar regiões com alta probabilidade de ter certos tipos de criadouros (os mais comuns em uma região), sem o armazenamento dos dados coletados em voo (nenhum tipo de imagem ou possível dado identificador é salvo). O projeto envolve a escolha e a calibração de métodos de aquisição de imagens por câmera embarcada, tratamentos de imagem e a detecção dos potenciais criadouros com a sua geolocalização. Todos os parâmetros são escolhidos por um algoritmo multiobjetivo, buscando um equilíbrio em termos de acurácia e eficiência computacional (para se obter os resultados em voo). Por fim, constata-se que o projeto obteve resultados satisfatórios em relação à precisão no reconhecimento dos criadouros de mosquitos, alcançando taxas de assertividade de 70/80%, bem como resultados favoráveis na geolocalização, com distâncias inferiores a 1 km.Mosquitoes can spread some diseases, such as dengue fever and other diseases that can result in death. The Aedes aegypti mosquito is in several regions of Brazil. Environments with water and high temperatures are potential mosquito breeding sites. Thus, their elimination is one of the most important ways to control the spread of the diseases they carry. Some methods exist, such as field inspections by sanitary surveillance agents and public awareness campaigns to avoid breeding sites at home and work. Nevertheless, there is a great variety of breeding sites whose prevalence can change according to the region of the city and socio-economic contexts. Physical constraints on access to specific locations and various situations have jeopardized the surveillance bodies effective control of breeding grounds. The project had the support of the Health Surveillance team in the city of São Carlos regarding data access and technical analysis support. In this work, we propose a semi-automatic design method that can calibrate a whole inspection system, which is reconfigurable according to contexts or usage demands. Such heterogeneity is relevant given the diversity of scenarios and types of breeding sites that can prevail in each region. Another essential aspect is overcoming the physical inspection barriers in a non-invasive way. Thus, the system (which can be embedded in an drone) must be designed to identify and annotate regions with a high probability of having certain types of breeding sites (the most common in a region). Moreover, no on-the-flight collected data is stored, i.e., no image or possible identifying data is saved. The project involves the choice and calibration of image acquisition methods by an embedded camera, image treatments, and potential breeding sites detection. All parameters are chosen by a multiobjective algorithm, seeking a balance in terms of accuracy and computational efficiency (to obtain results in the flight). Finally, it appears that the project achieved satisfactory results in terms of accuracy in recognizing mosquito breeding sites, achieving assertiveness rates of 70/80%, as well as favorable results in geolocation, with distances of less than 1 km
- …
