Navegando por Palavras-chave "Redução de Dimensionalidade"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Emprego da análise de componentes de grupo relacionadas à tarefa na decomposição de potenciais relacionados a eventos
    (Universidade Federal de São Paulo, 2023-08-16) Couto, Bruno Andry Nascimento [UNIFESP]; Casali, Adenauer Girardi [UNIFESP]; http://lattes.cnpq.br/1928873015717140; http://lattes.cnpq.br/1955823300418515
    Este estudo tem como objetivo explorar a eficácia do método de Análise de Componentes de Grupo Relacionadas à Tarefa (gTRCA) na extração de componentes reprodutíveis a partir de dados de Potenciais Relacionados a Eventos (ERPs) e na interpretação da natureza complexa das formas de onda dos ERPs. O estudo é conduzido em três fases, cada uma focando em um aspecto diferente da aplicação do método. A primeira fase consiste na análise e validação da gTRCA usando conjuntos de dados simulados, revelando detalhes sobre o funcionamento do método e sua robustez em vários cenários. Nesta etapa, um novo teste estatístico, implementado a partir do deslocamento circular dos sinais de cada indivíduo, também foi introduzido para medir a reprodutibilidade a nível de grupo das componentes, provando-se útil na análise dos ERPs. A segunda fase envolve a aplicação da gTRCA a conjuntos de dados reais de ERPs, obtidos de 40 indivíduos submetidos a um protocolo de Mismatch Negativity (MMN) auditivo passivo do tipo oddball. O objetivo era investigar o potencial do método na implementação de classificadores para tipos de potenciais distintos: padrão e desviante. A terceira fase estende a aplicação a outro conjunto de dados reais de 16 sujeitos submetidos a um protocolo de Estimulação Magnética Transcraniana (TMS) no córtex motor esquerdo, visando caracterizar os Potenciais Evocados por TMS (TEPs). Como resultado, na primeira fase mostramos - em dados simulados - que o método é capaz de identificar as componentes que são reprodutíveis intra e entre sujeitos desde que seja combinado a técnicas estatísticas apropriadas. Na segunda fase, encontramos que a gTRCA foi capaz de extrair componentes dos potenciais auditivos MMN de forma a discriminar os diferentes tipos de estímulo com alta acurácia (mediana de 90%). Finalmente, mostramos que a técnica identifica múltiplas componentes reprodutíveis em nível de grupo em TEPs motores e que possuem características nos domínios do espaço, tempo e frequência coerentes com a literatura descrevendo tais potenciais. Deste modo, esta investigação multifacetada não só aprofunda nossa compreensão dos ERPs como ferramentas de investigação em neurociências, mas também destaca o potencial de técnicas de aprendizado de máquina como a gTRCA na análise de ERPs. Os resultados deste trabalho ilustram a robustez e aplicabilidade da gTRCA, posicionando-a como uma ferramenta valiosa na análise e interpretação de ERPs.