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
A modelagem de processos de negócio é uma prática fundamental para organizações que buscam aprimorar suas estratégias e conquistar vantagens competitivas no mercado. Os modelos resultantes desempenham um papel crucial na documentação e comunicação entre as partes envolvidas, tornando essencial a busca por uma compreensão efetiva. No entanto, a compreensão desses modelos pode ser afetada por diversos fatores, incluindo a complexidade do modelo, a experiência dos projetistas e a notação de modelagem utilizada. Nesse contexto, esta pesquisa tem como objetivo analisar como diretrizes de boas práticas podem influenciar a compreensão de modelos de processos em BPMN, sub a perspectiva cognitiva. Para alcançar esse objetivo, foram mapeadas as diretrizes existentes na literatura que ainda não haviam sido validadas empiricamente. Em seguida, foi conduzido um quasi-experimento com a participação de 41 participantes, divididos em dois grupos. O primeiro grupo composto de 21 participantes, realizou tarefas de compreensão em modelos sem a aplicação das diretrizes. Utilizaram-se dispositivos biométricos, como rastreamento ocular e eletroencefalograma, para analisar seu comportamento cognitivo dos participantes. Essa análise permitiu a proposição de melhorias nas diretrizes existentes e identificação de oportunidades para criar novas diretrizes. Posteriormente, foi realizada a validação da eficácia cognitiva das diretrizes modificadas e adicionadas ao modelo com o restante dos participantes. Os resultados obtidos revelaram evidências estatisticamente significativas de que os participantes que interagiram com o modelo de processos contendo diretrizes obtiveram melhor desempenho em termos de acurácia, velocidade e facilidade de compreensão. Esses resultados indicam que a adoção de diretrizes nos modelos BPMN pode beneficiar a prática da modelagem de processos. Por fim, este estudo visa contribuir para a melhoria da prática da modelagem de processos, facilitando a adoção efetiva das diretrizes de boas práticas nos modelos BPMN. Isso, por sua vez, promoverá uma maior facilidade na compreensão e comunicação entre as partes envolvidas, melhorando a eficiência e eficácia das atividades relacionadas à modelagem de processos de negócio
Contexto: em determinadas situações, os dados aos quais um modelo de aprendizado de máquina treinado é submetido são significativamente diferentes dos dados de treinamento. Isso pode causar um problema conhecido como Desvio de Conceito (DC). Há uma grande quantidade de trabalhos sobre como detectar e avaliar DC.No entanto, a maior parte se concentra em detectores que fazem uso de um modelo base. Objetivo: desenvolver um detector e uma métrica de avaliação para DC que não necessite do uso de um modelo base. O detector proposto é o Background Check for Drift Detection (BCDD) e a métrica é a Detection Distance (DD) que serão aplicados em dados pontuais e simbólicos do tipo intervalo. Visão Geral: o método de detecção proposto segue a ideia de ajustar um modelo de densidade para definir as probabilidades a posteriori e identificar se há desvio. Quanto a métrica de avaliação, verifica-se quão distante é o ponto real do desvio em relação ao ponto que o detector alertou. Metodologia: são utilizados dados sintéticos com quatro tipos diferentes de velocidade de desvio: abrupto, gradual, incremental, recorrente. Também usa-se conjunto de dados reais com desvio em proporções diferentes nas variáveis explicativas. Usou-se a configuração experimental com três modelos base: Hoeffding Tree Regressor, Hoeffding Adaptive Tree Regressor, Online Sequential Extreme Learning Machine; e sete detectores de desvio da literatura: ADWIN, DMM, EDDM, HDDM_H, HDDM_W, PH, KSWIN. Ainda são testados os modelos sempre atualizando (Partial) e nunca sendo atualizado (No_Partial). Para o processo de detecção usou-se a abordagem treine-teste-treine: (i) os modelos base são treinados com os primeiros dados (ii) nos dados de teste a cada lote é verificado se há desvio, assim: (a) se existir desvio, é alertado, retornado o status de predição e o modelo é atualizado, (b) se não existir desvio, alerta, retorna o status de predição e o lote vai para área de esquecimento. O processo (ii) é repetido até o fim dos dados de teste. Além disso, é feita uma simulação de Monte Carlo com trinta iterações. Resultados: há influência no tipo de velocidade de desvio, dispersão dos dados e modelo base utilizado. Desse modo, o BCDD se mostrou mais adequado para desvio gradual e incremental em dados intervalares. Porém, nas outras velocidades teve semelhança com o KSWIN, que teve resultados adequados, na maioria dos conjuntos de dados pontuais e intervalares analisados. Conclusão: a tese apresenta como contribuição um novo detector de DC mais adequado para dados graduais e incrementais, uma nova métrica de avaliação de DC, metodologia de experimentação do processo de detecção e uma revisão sistemática da literatura. Além do uso de dados pontuais e intervalares no contexto de regressão. Assim, os resultados contribuirão para as diferentes áreas da sociedade e pesquisas em DC.