INF-202 FILTRAGEM ADAPTATIVA:

PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO

Previsão de picos em
sinais aleatórios
utilizando MLP
 Sumário

 Introdução.
 Materiais e Métodos.
 Resultados.
 Conclusão.
 Referências.

2
INTRODUÇÃO
 Introdução
Cenário

 MLP (do inglês, Multi-Layer Perceptron).

 Previsão de ocorrência de Picos em um sinal aleatório.
 Beta Burst e DBS (do Inglês, Deep Brain Stimulation).
 DBS adaptativo.
 Desenvolvimento de uma rede neural multicamadas.
 Duas camadas.
 Variando os nós da camada intermediaria.

4
MATERIAIS E
MÉTODOS
 Materiais e Métodos
Simulação do Sinal STN

 Geração do ruído rosa para gerar o sinal aleatório [3].

 Filtro Passa faixa, banda Beta 13-35Hz. Utilizando um filtro
FIR de 102 coeficientes.
 Envelopamento do sinal para utilizar para o treino da rede
neural.

Figura 1

6
 Materiais e Métodos
Dados de Treino

Quantidade de Objetos
 5 sessões de 30 segundos cada.
 Taxa de amostragem de 422 amostras por segundo.
 Cada objeto contendo 420 atributos totalizando em 12239
objetos por sessão.
 Total de 61195 objetos para o treino da rede neural.
Classificação dos Objetos
 Classe 1: Haverá um Burst daqui 4,7 milissegundos.
 Classe 0: Não haverá um burst daqui 4,7 milissegundos.

7
 Materiais e Métodos
Algoritmo MLP.

Critério de Otimização dos Pesos

𝑚𝑖𝑛,𝑤 𝐽 = 𝑒(𝑖 2 = 𝑑(𝑖 − 𝑦(𝑖 2 (1

𝑖 𝑖

Regra Geral de Atualização dos pesos

𝜕𝐽
𝑤𝑖 = 𝑤𝑖 − 𝜂 (2
𝜕𝑤𝑖
Gradiente do critério de Otimização

𝜕𝐽 𝜕𝑒 2
= = −2𝑒𝑓(𝑢 𝑥𝑖 (3
𝜕𝑤𝑖 𝜕𝑤𝑖

Última Camada Intermediária

camada
𝑒 = 𝑑(𝑖 − 𝑦(𝑖 𝑒 𝑖𝑛𝑡 = 𝑤 𝑇 𝛿

𝛿 = −2𝑒𝑓(𝑢 (4 𝛿 𝑖𝑛𝑡 = 𝑓(𝑢 𝑖𝑛𝑡

𝑒 𝑖𝑛𝑡 (5
𝑤𝑖 = 𝑤𝑖 − 𝜂𝛿𝑥𝑖 𝑤𝑖 𝑖𝑛𝑡 = 𝑤𝑖 𝑖𝑛𝑡 − 𝜂𝛿 𝑖𝑛𝑡 𝑥𝑖 𝑖𝑛𝑡

8
 Materiais e Métodos
Algoritmo MLP.

Rede Neural.

y0
w1 1
y1
u1
Sigmoid
w2
1 1
u2 y2
Sigmoid Sigmoid

1
Sigmoid

Figura 2

9
 Materiais e Métodos
Algoritmo MLP.

Algoritmo
 Procedimento em [4].
 Os valores dos bias b foi mantido fixo em 1.
Inicializar w1 com valores pequenos e aleatórios, dimensão (Número de nós da camada intermediária x 420).
Inicializar w2 com valores pequenos e aleatórios, dimensão (1 x Número de nós da camada intermediária).
Definir valor de neta, constante referente ao passo de adaptação do algoritmo.
Definir número de épocas de treinamento
FOR j = 1 até Número de épocas //Atualização dos Pesos
FOR i = 1 até Número de Objetos w1 = w1 - neta*Delta1*y0;
//Forward propagation w2 = w2 - neta*Delta2*y1';
y0 = x(i,:); J(j)=J(j)+abs(e)^2;
u1 = w1*y0'+1; END FOR
y1 = Sigmoid(u1); MSE = J(j)/Número de Objetos;
u2 = w2*y1+1; END FOR
y2 = Sigmoid(u2);
e= d(i)-y2;
//Back propagation
F1 = diag(y1.*(1-y1)); Onde x representa os objetos de entrada, d o valor
F2 = diag(y2.*(1-y2)); desejado, w1 e w2 os pesos de treinamento da rede
Delta2 = -2*F2*e; neural e F1 e F2 estão relacionadas a derivada da
Delta1 = F1*w2'*d2 ;
função Sigmoid.

10
 Materiais e Métodos
Métricas de Desempenho.

 Tabelas de Contingência.

FP = Falso Positivo TP= Verdadeiro Positivo

TN = Verdadeiro Negativo FN= Falso Negativo

 Métricas de Desempenho.

Sensibilidade = TP/TP+FN
Especificidade = TN/TN+FP
Acurácia = TP+TN/TP+FP+TN+FN

11
RESULTADOS
 Resultados
Erro Quadrático Médio

 Quantidade dos nós da camada intermediária, 10, 50, 100, 150,

200.

Figura 3

13
 Resultados
Previsão de Picos do sinal aleatório

Figura 3 Figura 4

14
 Resultados
Previsão de Picos do sinal aleatório

Figura 5 Figura 6

15
 Resultados
Previsão de Picos do sinal aleatório

Figura 7

16
 Resultados
Métricas de Desempenho

Figura 8 Figura 9

17
CONCLUSÃO
 Conclusão
Principais pontos

 Sensibilidade baixa.
 Acurácia e Especificidade acima de 98% em todos os
casos.
 Resultado que não seria satisfatório para a
implementação do DBS adaptativa.
 Considerações sobre o tamanho das amostras de treino.
 Existe um grande caminho para aperfeiçoar a rede
neural multicamadas para o propósito deste trabalho.
 Aumentar a quantidade de dados para treino.
 Aumentar a quantidade de camadas intermediária.

19
REFERÊNCIAS
 Referências

[1] LOFREDI, Roxanne et al. Beta bursts during continuous movements

accompany the velocity decrement in Parkinson's disease patients.
Neurobiology of disease, v. 127, p. 462-471, 2019.

[2] Tinkhauser, Gerd, et al. "The modulatory effect of adaptive deep brain
stimulation on beta bursts in Parkinson’s disease." Brain 140.4 (2017):
1053-1067.

[3] Anderson, Ross W., et al. "A Novel Method for Calculating Beta Band
Burst Durations in Parkinson's Disease Using a Physiological Baseline."
bioRxiv (2020).

[4] Notas de Aula. ECEAula03MLPeBackPropagation. INF-317 Tópicos em

Inteligência Artificial: Aprendizado de Máquina 2020.1. Prof. André Kazuo
Takahata e Prof. Ricardo Suyama.

[5] Notas de Aula. ML_aula3. INF-317 Tópicos em Inteligência Artificial:

Aprendizado de Máquina 2020.1. Prof. André Kazuo Takahata e Prof. Ricardo
Suyama

21
 Agradecimentos

Obrigad
22
o!