Métodos de Sistemas Dinâmicos e Mineração de Dados para Interpretação de Sinais Não Lineares

• Ano de defesa: 2013
• Autor(a) principal: Laurita dos Santos
• Orientador(a): Elbert Einstein Nehrer Macau, Joaquim José Barroso de Castro
• Banca de defesa: Marcos Gonçalves Quiles, Moacir Fernandes de Godoy, Luis Antônio Aguirre
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Computação Aplicada
• País: BR
• Resumo em Inglês: One way to study the dynamics of systems is to analyze time series obtained from these systems. For example, to study the variation of the nervous system of an individual, we can analyze the time series related to the heart rate variability. However, we are interested in the differences between systems that may exhibit similar dynamics. In this study we aim to characterize the systems dynamics with dynamics similar using time series methods for dynamic systems and data mining. To solve this task, we propose a methodology that links two areas of knowledge: dynamics systems and data mining methods. In this methodology, the methods of dynamics systems provide features of groups of time series. These measures are used as input patterns to the data mining techniques (decision tree classifiers and support vector machines). We applied this methodology in 514 RR intervals time serie. This methodology is employed in another case study, involving another set of non-linear signals. This second case study is related to understanding the dynamics of the upper atmosphere and for that, we can use time series of neutral wind (from INPE database). Neutral wind time series are detected in the upper atmosphere and are related to the detection of meteors entering the atmosphere. This case study consists of 47 series and are classified into two groups according to location of the wind measuring data. In both applications noted that the methods are capable of detecting differences between the systems. Moreover, we verified that a specific group of measures is able to detect differences between the systems, according to the comparison of the various classes of time series.
• Link de acesso: http://urlib.net/sid.inpe.br/mtc-m19/2013/06.12.18.15

Neste trabalho analisamos grupos de séries temporais de Variabilidade da Frequência Cardíaca de indivíduos de diversas condições clínicas, mas que podem apresentar semelhanças em termos de variabilidade; por exemplo, grupos de séries temporais de recém-nascidos prematuros e de recém-nascidos normais. Temos por objetivo principal discriminar o comportamento de sistemas semelhantes através dos grupos de séries temporais usando métodos de sistemas dinâmicos e mineração de dados. Os métodos de sistemas dinâmicos fornecem índices dos grupos de séries temporais e que são usados como padrões de entrada para as técnicas de mineração de dados. As técnicas usadas são os classificadores de árvore de decisão e máquinas de vetores de suporte. Para tal, usamos um conjunto de 514 séries temporais de intervalos RR oriundos de três diferentes bancos de dados. Uma pré-classificação do conjunto de séries temporais é realizada clinicamente por um médico especialista. Esse conjunto de séries temporais é pré-processado usando-se a filtragem convencional (do especialista) e a filtragem adaptativa que permite o pré-processamento de um grande volume de dados. Aplicamos o mesmo conjunto de métodos em outro estudo de caso, envolvendo também sinais não lineares. Esse segundo estudo de caso é relacionado à compreensão do comportamento da alta atmosfera e para tal, usamos séries temporais de vento neutro, oriundas do banco de dados do INPE. Esse conjunto é constituído de 47 séries temporais e que são classificadas em dois grupos. As principais contribuições deste trabalho estão relacionadas à filtragem adaptativa que é demonstrado ser estatisticamente equivalente ao processo de filtragem tradicional. Mostramos também que os métodos são capazes de detectar diferenças entre os sistemas. Além disso, verificamos que há um grupo específico de índices (parâmetros do mapa de primeiro retorno e medida da tendência central) que detectam diferenças entre os sistemas, conforme a comparação dos vários grupos de séries temporais.