Beruflich Dokumente
Kultur Dokumente
Previsão de picos em
sinais aleatórios
utilizando MLP
Sumário
Introdução.
Materiais e Métodos.
Resultados.
Conclusão.
Referências.
2
INTRODUÇÃO
Introdução
Cenário
4
MATERIAIS E
MÉTODOS
Materiais e Métodos
Simulação do Sinal STN
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.
𝜕𝐽 𝜕𝑒 2
= = −2𝑒𝑓(𝑢 𝑥𝑖 (3
𝜕𝑤𝑖 𝜕𝑤𝑖
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.
Métricas de Desempenho.
Sensibilidade = TP/TP+FN
Especificidade = TN/TN+FP
Acurácia = TP+TN/TP+FP+TN+FN
11
RESULTADOS
Resultados
Erro Quadrático Médio
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
[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).
21
Agradecimentos
Obrigad
22
o!