Abstract:
RESUMO:O reconhecimento de padrões em séries temporais (RPST) é uma das sub-áreas da
computação que mais crescem em pesquisas no mundo. Seu desenvolvimento
exponencial, tem estabelecido o crossover entre outras áreas por intermédio de
diversas aplicações e soluções na área da saúde, ensino e pesquisa. Embora haja
avanço da RPST nas neurociências, ainda não foi desenvolvido um sistema com
RPST que reconheça e elimine os artefatos do eletroencefalograma. Neste contexto,
o objetivo deste estudo foi desenvolver um sistema com a utilização do RPST para
identificar, analisar e eliminar os artefatos do sinal eletroencefalográfico. Para esta
proposição, foi utilizada a identificação de pontos críticos, ou seja, vales e picos que
tornam possíveis a identificação de um comportamento padronizado pela RPST, com
a utilização da regra de perceptually important points (PIP). Em seguida, foram
selecionados aleatoriamente dados de sinal eletroencefalográfico com artefatos de
piscada dos olhos. Os resultados demonstram que o PIP é uma métrica comparativa
de RPST que pode ser utilizada como entrada em Redes Neuras Artificias (RNA) para
categorizar o padrão do espectro do eletroencefalograma, apresentando uma taxa de
precisão de 98,8% quanto ao acerto dos artefatos. Conclui-se que a utilização do vetor
angular PIP como solução para identificação em séries temporais é aplicável e
precisa.
ABSTRACT:Pattern Recognition in Time Series (RPST) is one of the fastest growing computing
sub-areas in the world. Its exponential development has established the crossover
among other areas, such as neuroscience, through various applications and solutions
in the medical field, teaching and research. Although RPST has advanced in the
neurosciences, a system with TPRS that recognizes and eliminates
electroencephalogram artifacts has not been developed yet. In this context, the
objective of this study was to develop a system with the use of RPST to identify,
analyze and eliminate electroencephalographic signal artifacts. For this proposition, it
was used the identification of critical points, that is, valleys and peaks that make it
possible to identify a behavior standardized by the RPST, using the rule of perceptually
important points (PIP). Then, electroencephalographic signal data were randomly
selected with artifacts of eye blinking. The results demonstrate that the PIP is a
comparative metric of RPST that can be used as input in Artificial Neural Networks
(RNA) to categorize the pattern of the electroencephalogram spectrum, presenting an
accuracy rate of 98.8% regarding the accuracy of artifacts elapsed along the
electroencephalogram. In conclusion, the angular vector PIP use as a solution for
identification in time series is applicable and accurate.
