Events
Divulgação - DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 285
Aluno: Aldonso Martins de Oliveira Júnior
Título: “Anomaly Detection Techniques in the Service of Data Labling for Fault Diagnosis in Manufaturing"
Orientador: Alexandre Magno Andrade Maciel - (PPGEC)
Examinador Externo: Abel Guilhermino da Silva Filho - (UFPE)
Examinador Interno: João Fausto Lorenzato de Oliveira - (PPGEC)
Data-hora: 21 de dezembro de 2023, às 08:30h.
Local: Formato Remoto - Google Meet.
Resumo:
Esta tese investiga a aplicação de técnicas de detecção de anomalias não supervisionadas para detecção de falhas em maquinário industrial, especialmente em ambientes com escassez de dados rotulados. Baseando-se no trabalho de Leite et al. (2022), este estudo abrangente envolve duas abordagens investigativas principais: inicialmente, empregando modelos de detecção de anomalias treinados em dados normais para identificação de falhas, e, em seguida, introduzindo uma organização inovadora de conjuntos de dados para aprimorar a eficácia da detecção. A pesquisa demonstra a eficiência destes modelos na detecção de falhas e seu potencial em auxiliar no processo de rotulação de condições anormais. Descobertas notáveis incluem a capacidade dos modelos em suportar a rotulação de novas condições de falhas e a viabilidade de reduzir as taxas de amostragem sem comprometer o desempenho. Este trabalho contribui significativamente para o campo de detecção de falhas industriais, destacando a adaptabilidade e eficiência da detecção de anomalias em cenários com dados limitados, e fornece insights sobre metodologia, métricas de avaliação e direções para pesquisas futuras.
Divulgação - DEFESA DE TESE DE DOUTORADO Nº 11
Aluno: Maíra Araújo de Santana
Título: “Arquiteturas de redes profundas para interfaces musicais humano-máquina para reconhecimento de emoções em sinais eletroencefalográficos e de voz como apoio à musicoterapia”
Orientador: Wellington Pinheiro dos Santos - (PPGEC)
Examinadora Externa: Giselle Machado Magalhães Moreno - (UFPE)
Examinadora Externa: Juliana Carneiro Gomes - (UFPE)
Examinador Externo: Nivaldo Antonio Portela de Vasconcelos - (UFPE)
Examinador Interno: Byron Leite Dantas Bezerra - (PPGEC)
Data-hora: 19 de Dezembro de 2023, às 15:00h.
Local:Formato Remoto – Google Meet
Resumo:
Com a diminuição da taxa de natalidade e o aumento da expectativa de vida no Brasil ao longo das últimas décadas, observam-se mudanças significativas no perfil demográfico. Um fenômeno correlato é o aumento da população idosa, que por sua vez está associado ao crescimento da incidência de doenças relacionadas à senescência, tais como osteoporose, hipertensão e demências. Destacam-se, entre estas últimas, a Doença de Alzheimer e a isquemia cerebrovascular como as principais causas. Estudos evidenciam que a musicoterapia apresenta potencial para retardar a progressão de demências por meio de estímulos musicais e educação musical, promovendo a ativação de áreas cerebrais relacionadas à memória, mediadas pelas emoções. Contudo, a eficácia da musicoterapia está intrinsecamente associada ao habilidoso reconhecimento e estímulo de emoções por parte do terapeuta. Recentes avanços nas áreas de inteligência artificial e processamento de sinais propiciaram a aplicação de redes neurais artificiais profundas para resolver problemas complexos, minimizando a necessidade de pré-processamento. Este projeto se concentrou na construção de uma arquitetura de rede neural artificial profunda para o reconhecimento de emoções em sinais eletroencefalográficos (EEG) e de voz. Propôs-se uma abordagem que emprega a Transformada de Wavelet para converter os sinais em imagens, utilizadas como entrada para uma arquitetura híbrida baseada em redes convolucionais pré-treinadas, visando a extração de atributos por meio da aprendizagem por transferência. Algoritmos clássicos foram então empregados para a classificação dos estados emocionais nesses dados. Para avaliar a capacidade do método em interpretar dados emocionais de pessoas idosas, especialmente aquelas com demências, foi construída uma base de dados composta por informações multimodais, incluindo EEG, voz, expressão facial, dados demográficos e de diagnóstico de 39 participantes. Dessa amostra, 21 pertecem ao grupo de indivíduos cognitivamente saudáveis, enquanto 18 são do grupo de pessoas com demência em estágio leve a moderado. Experimentos computacionais foram conduzidos para o reconhecimento automático dos estados emocionais positivo, negativo e neutro a partir dos sinais simultâneos de EEG e voz, além de dados categóricos de idade, gênero e diagnóstico. A aplicação do método proposto resultou em acurácias em torno de 71 e 73% ao utilizar uma arquitetura de LeNet pré-treinada com MNIST para extração de atributos, associada a uma Random Forest com 450 árvores para classificação. A arquitetura desenvolvida servirá como núcleo para uma interface musical humano-máquina destinada ao biofeedback, com a capacidade de investigar as emoções despertadas por estímulos musicais específicos. Essa tecnologia pode ser empregada como suporte à personalização de musicoterapia e outras abordagens terapêuticas.
Divulgação - DEFESA DE TESE DE DOUTORADO Nº 10
Aluno: José Antonio Alves de Menezes
Título: “Classificação Baseada em Representação Esparsa na Identificação de Imagética Motora em Aplicações de Interface Cérebro Máquina”
Orientador: Wellington Pinheiro dos Santos - (PPGEC)
Examinador Externo: Hugo Valadares Siqueira - (UTFPR)
Examinadora Externa: Giselle Machado Magalhães Moreno - (UFPE)
Examinadora Externa: Juliana Carneiro Gomes Cassemiro - (UFPE)
Examinador Interno: Bruno José Torres Fernandes - (PPGEC)
Data-hora: 07 de Novembro de 2023, às 14:00h.
Local:Formato Remoto – Google Meet
Resumo:
A natureza não estacionária do sinal EEG apresenta desafios para a classificação de imagética motora em sistemas de Interface Cérebro-Máquina. A Classificação baseada em Representação Esparsa (SRC) surge como uma alternativa para classificação de condições não treinadas e, portanto, útil em problemas de imagética motora. Métodos adaptativos de tempo-frequência, como Decomposição de Modo Empírico (EMD) e banco de filtros, apoiam a extração de atributos de sinais dessa natureza. Métodos: Neste trabalho propomos ajustar o SRC combinando-o com métodos adaptativos tempo-frequência. Aplicamos em problemas de classificação multiclasse e binário, comparando-os com métodos convencionais, como MLP. Também avaliamos uma abordagem híbrida para classificação de representações esparsas com MLP (RSMLP). Métodos de seleção de recursos foram usados para selecionar os mais significativos, especificamente Random Forest e Particle Swarm Optimization. Resultados: Em relação ao primeiro conjunto de dados, observamos que os classificadores que utilizam representação esparsa apresentam resultados equivalentes entre si, mas superam o modelo MLP convencional. SRC e SRMLP alcançam acurácias de até 91, 43% e 90, 44% respectivamente, enquanto o MLP alcança 86, 82%. Na média a abordagem híbrida representa um ganho de 11% em relação ao MLP. No segundo conjunto de dados, não observamos os mesmos resultados. Os modelos baseados em representação esparsa (SRC, SRMLP, etc.) apresentam em média um desempenho próximo de outros modelos convencionais, mas sem superá-los. Os melhores modelos esparsos alcançam uma precisão média de 95, 43% entre os sujeitos da base, enquanto outros modelos atingem 98, 33%. Conclusão: SRC com métodos adaptativos tempo-frequência se mostrou promissor na classificação de imagética motora. O aprimoramento de mecanismos auto-adaptativos que respondam eficientemente ao contexto do usuário é uma boa maneira de obter melhorias em aplicações de imagética motora. Outros cenários devem ser investigados, uma vez que resultados distintos foram observados nos conjuntos de dados experimentados. Ainda há espaço para melhorias, como a otimização do dicionário de representação esparsa no contexto da imagética motora. O investimento no aumento da base também é importante para reduzir os custos e tornar as soluções mais acessíveis aos usuários
O Programa
