Você está na página 1de 35

UNIVERSIDADE FEDERAL DE SERGIPE

PR-REITORIA DE PS-GRADUAO E PESQUISA


COORDENAO DE PESQUISA
Programa Institucional de Bolsas de Iniciao Cientfica (PIBIC) - PICVOL/UFS

Extrao de informao e tomada de deciso baseada em


Probabilidade
rea de Concentrao: (Cincia da computao/Modelos analticos e de
simulao)
Cdigo CNPq: (1.03.00.00-7/1.03.02.02-6)

Bolsista: Joel Alves de Oliveira


N Matrcula: 201010001010
Orientador(a): Dr. Carlos Alberto Estombelo Montesco
Departamento de Computao

Relatrio Parcial
Este projeto desenvolvido com bolsa de iniciao cientfica
PICVOL

RESUMO
O principal objetivo da pesquisa proposta pesquisar e desenvolver os Fundamentos
necessrios para analisar e caracterizar a Funo de Resposta Hemodinmica (FRH), para isso
sero usados imagens e/ou sinais funcionais de ressonncia magntica. A principio fez-se estudos
visando o entendimento e o funcionamento do crebro e como so obtidos os sinais de fMRI.
A fMRI tem sido uma das tcnicas de neuroimagens com grande evoluo ao longo das ltimas
dcadas, propiciando grandes benefcios aos estudos e aos tratamentos de patologias celebrais.
Isso porque suas imagens anatmicas permitem fazer uma localizao das reas de ativao
cerebral, ajudando no planejamento cirrgico e terpico.
Considerando-se que a quantidade de dados a ser processada alta, optou-se por realizar
uma modelagem do sistema e a partir desta gerar amostras com distribuio semelhantes aos
dados originais. A partir das amostras possvel fazer inferncias para obter uma aproximao do
padro a ser procurado. Para fazer as inferncias foram usadas as tcnicas de filtro de Kalman e
cadeias de Markov com o intuito de fazer um raciocnio probabilstico ao longo do tempo para
fazer o reconhecimento do padro de interesse.

PALAVRAS CHAVES: fMRI, cadeia de Markov, padres, Filtro de Kalman.

__________________________________________________________________

SUMRIO

1 INTRODUO
Atualmente muitas tcnicas no invasivas tm sido utilizadas em estudos de avaliao
do crebro humano (OLIVEIRA, 2011-2012). A maioria das tcnicas utilizadas nos estudos
apresentam os seguintes requisitos: boa resoluo espacial, boa resoluo temporal e o
objetivo de registrar a dinmica dos processos funcionais do crebro. Com isso essas
tcnicas apresentam um grande conjunto de dados, formado por diversas variveis (voxeis
ativos e inativos).
No contexto de mapeamento cerebral o principal objetivo ao utilizar-se das tcnicas
no invasivas a obteno do mapa de ativao referente ao estimulo aplicado
(OLIVEIRA, 2011-2012). Esse processo torna-se um processo complicado e desgastante
uma vez que o conjunto de dados apresenta um grande volume de dados e no sabe-se ao
certo o que essas variveis representam. Uma forma de tentar sanar esse problema a
utilizao de alguma tcnica de estatstica multivariada para ajudar no entendimento do
comportamento das variveis.
Para esse trabalho ser empregado a tcnica de cadeia de Markov, que tem como
objetivo realizar um raciocnio probabilstico ao longo do tempo sobre os dados para fazer
o reconhecimento do padro de interesse. Dessa forma, a tcnica ser empregada com o
intuito de reconhecer o padro de ativao (Funo de Resposta Hemodinmica - FRH).
2 REVISO DA LITERATURA
Hoje em dia existem vrias tcnicas no invasivas que tem como finalidade realizar
uma avaliao do crebro humano, algumas dessas tcnicas se preocupam com a avaliao
estrutural sem se importar com a dinmica dos processos, outras tcnicas tm como foco a
dinmica dos processos (geralmente consideram uma boa resoluo temporal, por exemplo,
eletroencefalografia), mas so limitadas na resoluo espacial (OLIVEIRA, 2011-2012).
Dessa forma se faz necessrio procurar tcnicas que permitam reunir os seguintes quesitos:
boa resoluo espacial, boa resoluo temporal e que tenha como objetivo registrar a
dinmica dos processos funcionais do crebro, neste caso especfico podem-se citar as
tcnicas de neuroimagens. De modo geral, essas tcnicas estudam as arquiteturas das

clulas cerebrais assim como as atividades do crebro que esto associadas s mudanas
hemodinmicas.

2.1- Imagem Funcional por Ressonncia Magntica (fMRI)


A fMRI (do ingls, Funtional Magnetic Resonance Imaging) trata-se de uma
tcnica, no-invasiva, que mapeia e estuda os processos fisiolgicos do crebro (ARAJO,
2001). Para isso podem ser utilizados diversos tipos de processos, mas o mais comum e
mais utilizado trata-se do BOLD (Blood Oxygen Level Dependent), sigla em ingls,
conhecida em portugus como contraste dependente no nvel de oxignio no sangue
(DNOS). A partir desse processo pode-se manipular o contraste das imagens para promover
o mapeamento cerebral.
O processo BOLD est ligado a uma relao de aumento do fluxo sanguneo durante
a realizao de atividade neural. Ao comear a realizar uma atividade o crebro requer uma
maior quantidade de oxignio, esse oxignio transportado pelo sangue gerando, assim, um
aumento do fluxo sanguneo, provocando uma diminuio da deoxi-hemoglobina (dHb) e
um aumento da oxi-hemoglobina (Hb02). Como a dHb possui caractersticas
paramagnticas e Hb02 diamagntica, a presena de substancias paramagnticas ir
alterar o contraste das imagens fazendo com que as reas que possuam atividade cerebral
apresente um maior brilho. Ento, nota-se que o contraste BOLD depende da quantidade de
deoxi-hemoglobina (dHb) presente nas regies cerebrais, que, por sua vez, dependem do
consumo e da quantidade de oxignio fornecido (STURZBECHER, 2006).
Nos exames de fMRI so adquiridas um conjunto de imagens, obtidas
sequencialmente no tempo enquanto o paciente realiza o protocolo passado, geralmente
formado por um intervalo de atividade e um intervalo de repouso. Dessa forma, ir ocorrer
uma evoluo temporal do BOLD, conhecida na literatura como FRH (Funo de Resposta
Hemodinmica).
A FRH (Fig.1) ir apresentar variaes de acordo com os estmulos passados ao
indivduo durante o exame, uma vez que ele encontra-se realizando uma atividade neural a
FRH apresentara um elevao em seu pico, o tempo da atividade neural ira determinar a

largura apresentada na FRH. No momento em que o individuo comea a executar o


estimulo correspondente ao repouso a curva que representa a atividade cerebral decai at
chegar zero.

Figura 1 Ilustrao da curva que representa uma resposta hemodinmica, visualizada em um voxel
da imagem (Figura retirada e modificada de ARAJO, 2001).

A curva ilustrada na Figura 1 representa a FRH em um voxel da imagem. Nela


podem-se considerar sete fases distintas: (i) linha de base, linha onde o sinal encontra-se
quando est em repouso. (ii) Em seguida o sinal decresce, pois durante a ativao neuronal,
ocorre uma extrao de oxignio antes do aumento do fluxo sanguneo, fazendo com que a
FRH tenha uma queda. Logo aps, com o aumento do fluxo sanguneo e o aumento da
relao oxi/deoxi-hemoglobina ocorre um (iii) aumento do sinal BOLD chegando assim, ao
(iv) pico do sinal BOLD, permanecendo nesse plat por poucos segundos. Aps o trmino
do estimulo, o sinal BOLD comea a decair (v), podendo apresentar uma nova depresso
em relao linha de base (vi), pois com o termino da atividade neural, o fluxo sanguneo
diminui de forma mais rpida que o volume sanguneo. Em seguida o volume sanguneo
retorna a seu estado normal, ento o sinal BOLD volta para a linha de base (vii)
(STURZBECHER, 2006) (MAZZOLA, 2009) (ARAJO, 2001).
O conjunto de dados de exames de fMRI apresentam um alto volume de dados. Ao
fazer um estudo destes (sinais de FRH e artefatos) deseja-se poder mapear e identificar as

reas de ativao. Esse processo costuma ser difcil, uma vez que manipular e analisar uma
grande quantidade de variveis fica invivel sem o auxilio de algumas ferramentas
(Estatstica, Computao).
2.2 Probabilidade

Existem eventos que no retornam de forma clara um resultado. Um bom exemplo


para um desses eventos seria um lanamento de um dado. Para melhor compreender e
entender o comportamento desses eventos utiliza-se do estudo da probabilidade, com o
intuito de conseguir inferir o que pode ocorrer (RUSSEL NORVIG, 2003). Isso ser feito
utilizando-se das informaes que esto disponveis.
Para melhor entender probabilidade, deve-se conhecer primeiro alguns conceitos de
probabilidades, como variveis aleatrias booleanas e discretas, e as probabilidade a priori
e condicional.
As variveis aleatrias so variveis que se referem a uma parte do mundo a qual
no se sabe o status dela. As Variveis aleatrias sempre iniciam com letras maisculas. As
variveis aleatrias booleanas podem assumir dois valores <verdadeiro, falso>. J as
variveis aleatrias com domnio discreto incluem as um domnio maior que <verdadeiro e
falso> das variveis booleanas. Como exemplo pode-se usar a varivel aleatria Tempo
que tem o domnio <ensolarado, chuvoso, nublado, nevoento>.

2.2.1 Probabilidade a Priori

Quando estamos a referenciar probabilidade a priori queremos expressar a


probabilidade de uma proposio ter ocorrido, dado que no existe nenhuma informao
anterior. A probabilidade P(a) de um evento a um nmero dentro do intervalo [0,1].
Por exemplo, considerando que Crie denota a proposio de que um paciente
em particular ter crie, ento: P(Crie) = 0.1, significa dizer que, na ausncia de
outra informao, o sistema assinalar a probabilidade 0.1 ao evento ter crie. Proposies
podem tambm incluir igualdades envolvendo variveis aleatrias. Por exemplo, caso
estejamos interessados em uma varivel aleatria, Tempo, poderamos considerar:

P(Tempo = Ensolarado) = 0.7


P(Tempo = Chuvoso) = 0.2
P(Tempo = Nublado) = 0.1
Quando as proposies assumem valores booleanos <verdadeiro, falso>, neste caso, a
expresso P(Crie) pode ser denotada como P(Crie = verdadeiro) e, analogamente,
P(no Crie) = P(Crie = falso). Para expressar todas as combinaes de valores de
duas probabilidades podemos utilizar P(Tempo, Crie), que pode ser vista como uma
tabela de probabilidades conjunta.
2.2.2 Probabilidade Condicional
A probabilidade Condicional ou a posteriori vai ser aplicada apenas quando as variveis
aleatrias apresentam evidncias, que antes no eram conhecidas. A notao usada para a
probabilidade condicional P(a|b) onde a e b so duas proposies quaisquer e pode ser lida da
seguinte forma, probabilidade de ocorrer a dado que se tm apenas as informaes de b.
Como exemplo tem-se, P(Crie|Dor) = 0.8, indica que caso um paciente esteja
com dor (de dente) e nenhuma outra informao esteja disponvel, ento, a
probabilidade de o paciente ter uma crie de 0.8. importante ressaltar que P(A|B)
pode ser utilizado apenas quando toda informao disponvel B.
Uma regra muito aplicada em probabilidade condicional a regra do produto, que
definida pela seguinte relao: P(a^b) = P(a|b)P(b), a interpretao dessa regra que para a
e b serem verdadeiras, necessrio que b seja verdadeira, e tambm que a seja verdadeira
dada b. O mesmo vale para o sentido inverso, P(b^a) = P(b|a)P(a).

2.2.3 Regra de Bayes


A regra de Bayes mostra como alterar as probabilidades a priori tendo em conta novas
evidncias de forma a obter probabilidades a posteriori (equao 1). Para aplicao
da regra de Bayes precisamos de trs termos: uma probabilidade condicional (

P ( X|Y )

e duas incondicionais ( P (Y ) e P (X ) ).

( X|Y ) =

P ( X|Y ) P(Y )
(1)
P( X )

Um exemplo muito usado para demostrar a aplicao da regra de bayes o de


diagnostico mdico: um mdico sabe que a meningite causa torcicolo P(T|M) em
50% dos casos. Porm, o mdico tambm conhece algumas probabilidades
incondicionais que dizem que, um caso de meningite (M) atinge 1/50000 pessoas e, a
probabilidade de algum ter torcicolo (T) de 1/20. Ento aplica-se a regra de bayes
para saber quantos pacientes com rigidez nos pescoo vai ter meningite: P(M|T) = P(T|
M).P(M)/P(T) = (0.5 x 1/50000)/(1/20) = 0.0002
Dessa forma, espera-se que apenas 1 em 5,000 pacientes com torcicolo tenha meningite.
Nota-se tambm, que mesmo torcicolo t e n d o uma alta probabilidade nos casos de
meningite (0.5), a probabilidade de um paciente ter meningite continua pequena,
devido ao fato de a probabilidade incondicional de torcicolo ser muito maior que a
probabilidade de meningite.
Nota-se que mesmo torcicolo tendo uma alta probabilidade nos casos em que ocorre
meningite (probabilidade de 0,5), a probabilidade de um paciente ter meningite continua
mnima, devido ao fato de a probabilidade a priori de ocorrer torcicolo (1/20) ser muito
maior que a probabilidade a priori de ocorrer meningite (1/50000).
2.2.4 Redes Bayesianas

Uma rede Bayesiana captura relaes (que podem envolver incertezas, funes
estatsticas ou mesmo serem imprecisas) entre um grupo de variveis que so
relevantes para um problema. Essas relaes podem ser importantes porque elas
so observveis ou porque o seu valor necessrio para a tomada de uma deciso.
Tambm so importantes para justificar um resultado ou mesmo para ajudar a
expressar relacionamentos entre outras variveis.

10

Quando uma rede Bayesiana construda, um nodo usado para cada


varivel. Os nodos so ento conectados atravs de enlaces direcionados (figura 2).
Se existe um link (enlace) que inicia a partir do nodo A e termina no nodo B, ento
o nodo A chamado de pai do nodo B, e este denominado filho de A.
Este conceito recursivo e aplica-se aos demais nodos da rede. Um link partindo
de A para B indica que A causa B, e que A parcialmente causa ou predispe B.

Figure 2 - Representao de uma rede bayesiana (RUSSEL NORVIG, 2003)

O estgio final de uma rede Bayesiana inclui relaes probabilsticas que


so fornecidas para cada nodo, as quais expressam as probabilidades de cada estado
do nodo assumir cada um dos valores, condicionado aos valores do nodo pai.
Aps a sua construo, uma rede Bayesiana pode ser aplicada a um caso
particular funcionando como um mecanismo inferencial. Para cada varivel que
saibamos o valor, este ir representar uma evidncia que produz uma inferncia
probabilstica para encontrar crenas para todas as outras variveis. Dependendo da
estrutura da rede e de quais nodos recebem evidncias ou mostram crenas,
possvel calcular valores para diagnstico, predio, classificao, clculos lgicos
ou aritmticos.
As crenas calculadas so chamadas de probabilidades a posteriori (uma vez
que as probabilidades a priori so aquelas que existiam antes de qualquer evidncia
ser apresentada a rede). Uma inferncia probabilstica que ocorra usando uma
rede Bayesiana chamada de atualizao de crenas. Na prtica, uma inferncia
probabilstica resulta em um conjunto de crenas para os valores de cada nodo. A

11

estrutura da rede Bayesiana no alterada.


Se as evidncias que foram fornecidas so exemplos verdadeiros, elas podem
dar alguma indicao de casos que poderiam ser vistos no futuro. Alm disso, essas
evidncias mudam a base de conhecimento na prxima vez que a rede for usada.
As probabilidades condicionais existentes entre os nodos da rede refletiro no
mundo real de forma mais acurada.

2.2.5 Inferncia em redes bayesianas.


Para proposies que no tem a resposta na tabela de probabilidade condicional, o
mtodo que utilizamos para respond-las a inferncia em redes bayesianas. O processo a
ser feito para qualquer sistema de inferncia calcular a distribuio de probabilidade
posterior para um determinado conjunto de variveis de consulta, dado um evento
observado (RUSSELL NORVIG, 2003). Existem dois tipos de inferncia comumente
usados em redes bayesianas, inferncia exata e inferncia aproximada. Para esse trabalho
foi escolhido trabalhar com a inferncia aproximada, ento nas sees seguintes ser feito
um maior detalhamento sobre este mtodo.
2.2.5.1 Inferncia aproximada em redes bayesianas.
Na inferncia aproximada as respostas obtidas so baseadas em amostragens
aleatrias. Para qualquer algoritmo de amostragem a base a gerao de amostras. O papel
principal do algoritmo de amostragem direta gerar amostras coerentes com a TPC (Tabela
de Probabilidade Condicional) da varivel a ser amostrada.
A seguir apresentamos o funcionamento do algoritmo passo a passo, utilizando-se
da rede bayesiana apresentada na figura 3.

Primeiramente gera-se uma amostra de

retorne Verdadeiro.
Agora gerada uma amostra de P(Irrigador|Nublado = verdadeiro) = <0,1, 0,9>;

Assumindo que o retorno do tipo < Falso, Verdade > a amostra retorna verdadeiro.
Agora para a amostra de P(ChuvaNublado=verdadeiro)=0,8, 0,2> ; ento
a mostra retorna falso.

P( Nublado)= 0,5, 0,5> ; Suponha que

12

Para

amostra

P(GramaMolhadaIrrigador =verdadeiro , Chuva=falso)= 0,1, 0,9>

de
ento

tem-se que ela retorna verdadeiro.

Figura 3 - Rede bayesiana (RUSSEL NORVIG, 2003).

A amostragem final ir retornar um evento do tipo [nublado, irrigador, ~chuva,


gramamolhada].
Existe outro mtodo que tambm usado para fazer a amostragem dos dados,
conhecido como amostragem de rejeio. Este mtodo produzir amostras a partir de uma
distribuio que no est presente na TPC, dada uma distribuio presente na TPC.
A amostragem de rejeio utiliza o algoritmo de amostragem direta para coletar
amostras. Aps o calculo de cada amostra, verificado se a mesma corresponde
evidencia. Caso isso no ocorra, a amostra descartada.
Por exemplo, ao supor que uma consulta

P( IrrigadorChuva=verdadeiro)

foi

feita 100 vezes (amostras). Em 52 dessas amostras tem-se que Chuva verdadeiro. Dessas
52, 9 tem Irrigador = verdadeira e 43 tem Irrigador = falso. Consequentemente,
9, 43>

P ( Irrigador|Chuva=verdadeiro ) Normalizar

Ao aumentar o nmero de amostras o

resultado vai se tornando mais coerente com a realidade.


Um problema com esta abordagem que quanto mais a consulta vai sendo refinada,
mais valores vo sendo rejeitados sendo necessrio executar um nmero bem maior de

13

amostras. Para solucionar este problema, utiliza-se do mtodo de ponderao de


probabilidade.
A ponderao de probabilidade ameniza o problema de rejeio gerando apenas
amostras condizentes com a evidncia. Isto acontece porque neste mtodo as variveis de
evidncia tm seus valores fixados, as nicas variveis amostradas so as ocultas e as de
consulta. Alm disso, calculado um peso para cada amostra que representa a
probabilidade de que o evento concorde com a evidncia.
O algoritmo de ponderao (figura 4) tem a sua execuo da seguinte forma,
executa a funo PONDERAO-DE-PROBABILIDADE onde so realizadas N
iteraes. Em cada iterao o algoritmo realiza dois passos:

Calcula tanto o evento x quanto o peso w do evento. Estas informaes

so retornadas da funo AMOSTRA-PONDERADA.


Modifica o vetor W somando o peso w ao ndice do vetor que
corresponde ao valor x da varivel de consulta. Por exemplo, suponha que
no evento retornado a varivel de consulta tenha valor Verdadeiro, logo

W [verdadeiro ]=W [ verdadeiro]+w .


Ao final das iteraes, os valores da varivel de consulta so normalizados fazendo
com que se somados resultem em 1.
A parte fundamental do algoritmo se encontra na funo AMOSTRAPONDERADA. A execuo desta funo realizada nos seguintes passos:

O evento x inicializado com dados coerentes com a evidncia e o peso

w iniciado com 1.
A rede bayesiana varrida verificando se a varivel de evidncia:
o Se a varivel for de evidncia: O peso w alterado recebendo a
multiplicao entre o w anterior e a probabilidade de o evento estar
condizente com a evidncia dados seus pais.
o Se a varivel no for de evidncia: gerada uma amostra aleatria da

varivel utilizando o mtodo de amostragem direta.


Finalmente os valores de x e w so retornados.

14

Figura 4 - Algoritmo de Ponderao de Probabilidade

Na literatura esse algoritmo cita apenas exemplos com variveis booleanas, porm
como as variveis usadas no projeto so variveis discretas, o algoritmos foi implementado
de forma que execute utilizando variveis discretas.
2.3 Inferncias estatsticas em probabilidades
O mundo em que o agente est atuando sofre mudanas em cada instante de tempo, dessa
forma utiliza-se de uma varivel aleatria para cada aspecto do estado, ou seja, uma
varivel que vai assumir um determinado valor para cada instante de tempo.
O raciocnio probabilstico era conhecido at o momento para mundos estticos,
onde cada varivel possui um valor fixo. Agora a ideia utilizar-se de variveis que tem o
seus valores alterados de acordo que o tempo evolui. Esse processo de mudana
visualizado como uma sequncia de instantneos que descrevem o estado do mundo em um
instante especfico (RUSSELL NORVIG, 2003).
Cada fatia no tempo ir conter um conjunto de variveis, onde estas podem ser
observveis ou no. Como notao para as variveis adota-se que as variveis
conjunto das variveis no observveis no tempo t. J as variveis
conjunto das variveis observveis e as variveis
evidncia.

et

Xt , o

Et , formam o

formam o conjunto das variveis de

15

2.3.1 Processos estacionrios de Markov


Uma vez que j se conhece o conjunto de variveis para um determinado problema,
o prximo passo a ser executado determinar quais so as dependncias existentes entre as
variveis. Uma escolha sensata para isso seria optar por ordenar as variveis em sua ordem
temporal natural, pois assim adicionamos as variveis de acordo com o efeito-causa.
Ao organizar as variveis dessa forma encontramos um problema, o conjunto de
variveis ilimitado, incluindo as variveis de estado e evidncia para cada fatia de tempo.
Isso faz com que ocorram os seguintes problemas, necessrio especificar um numero
ilimitado de tabelas de probabilidade condicional, o que invivel, e o outro que cada
varivel pode conter um numero ilimitado de pais (RUSSELL NORVIG, 2003).
O problema referente ao ilimitado nmero de tabelas resolvido utilizando-se do
conceito que as mudanas nos estados se do por meio de processo estacionrios, ou seja,
as mudanas que ocorrem de um estado para outro definida por leis que no se alteram ao
longo do tempo, dessa forma sempre vai existir uma nica tabela de probabilidade
condicional para todas as mudanas de estados.
O segundo problema tem a sua soluo garantida pela hiptese de Markov, a qual
define que o estado atual depende apenas de um histrico finito de estados anteriores. Essa
hiptese satisfeita pelos processos de Markov, que esto divididos em dois, processo de
Markov de primeira ordem e processo de Markov de segunda ordem. No processo de
Markov de primeira ordem o estado atual depende apenas do estado anterior. Com isso
podemos afirmar que a independncia condicional declara que, para todo t,
P ( X t| X 0 :t 1 )=P( X t X t1 )
(2)
As leis que determinam o modelo de transio de um processo de Markov de
primeira ordem so definidas pela distribuio condicional

P( X t X t1) , por definirem

como o estado evolui ao longo do tempo. Para os processos de Markov de segunda ordem a
forma como os estados evoluem no tempo so representados pela seguinte distribuio
condicional

P( X t X t2 , X t1) (RUSSELL NORVIG, 2003).

A forma como as variveis de evidncia se comportam esto diretamente


relacionadas ao comportamento das variveis de estado, dessa forma, como as variveis de

16

estados tiveram os seus pais restringidos, as variveis de evidncia tambm passaro pelo
mesmo processo, fazendo com que as variveis de evidncia dependam apenas do estado
atual.
P ( Et| X 0 :t , E0 : t1 ) =P (Et X t )
(3)
2.3.2 Inferncia em modelos temporais
A inferncia pode ser dividida em tarefas diferentes, sendo estas, Filtragem,
Previso e Suavizao.

Filtragem trata-se da tarefa de poder calcular a distribuio posterior sobre o


estado atual, utilizando-se de o histrico de evidncia existente at o momento,
P( X t e 1 :t ) .

Previso a tarefa de calcular uma distribuio posterior sobre um estado futuro


usando-se de todas as evidencias existentes at o momento,

P(X t +k e1 : t ) .

Suavizao tarefa responsvel por calcular a distribuio posterior sobre um


estado j passado, usando-se de todas evidencias disponveis,

P ( X k|e 1 :t ) .

O trabalho desenvolvido at o momento utiliza-se da tarefa de previso, por isso ser


dado um enfoque maior para essa tarefa (RUSSELL NORVIG, 2003).

2.3.3 Filtragem e Previso


A previso pode ser feita de forma simples, uma vez que se tem uma filtragem dos
dados at o tempo t. Com os resultados obtidos na filtragem calcula-se de forma fcil o
resultado para o tempo t+1 a partir da nova evidncia,

e t+ 1 . Podemos representar esse

conceito na forma algbrica da seguinte forma,


P ( X t +1|e 1: t +1 )=f (e t +1 , P( X te 1 :t ))

(4)

17

onde f uma funo de avaliao recursiva. O clculo do valor futuro composto de duas
partes. A primeira parte a distribuio de estado atual projetado do tempo t para o tempo t
+ 1, e em seguida o valor obtido atualizado utilizando-se da nova evidncia e t+ 1 .
O procedimento utilizando-se das duas fazes pode melhor visualizados nas
representaes algbricas a seguir:
P ( X t +1e 1 :t +1 )=P( X t +1 ,e 1 :t ,e t +1)

(repartindo as evidncias em duas)

P (e1 : t +1X t +1 , e1 : t )P( X t+ 1e 1: t )


P ( e1 : t+1|X t+1 ) P ( X t +1|e 1 :t )

(aplicando-se a regra de Bayes)

(Aplicando a evidncia de Markov)

O fator usado, trata-se de uma constante de normalizao, usada para garantir que a soma
dos resultados ir retornar um valor igual a 1. O procedimento de duas partes pode ser
visualizado da seguinte forma, o segundo termo da expresso,

P(X t +1e1 : t ) , representa

uma previso para o prximo estado, enquanto o primeiro termo,

P ( e1 : t +1| X t +1 ) ,

responsvel por atualizar o resultado obtido de acordo com a nova evidncia.


Aplicando-se agora um condicionamento sobre o estado atual,

X t , podemos

chegar a seguinte expresso:


P ( X t +1e 1 :t +1 )=P(e1 : t+1 X t +1) P ( X t +1X t , e1 +t ) P(X t e 1 :t )
Xt

P (e1 : t +1X t +1 ) P ( X t +1 X t ) P( X te1 : t)


Xt

(5)
sendo que no somatrio temos a representao do modelo de transio (primeiro fator) e a
distribuio do estado atual (segundo fator) (RUSSELL NORVIG, 2003).
2.3.4 Suavizao
O processo de suavizao trata-se do processo de calcular a distribuio de
probabilidade sobre os estados anteriores, levando-se em consideraes as evidencias at o
presente momento,

P ( X k|e 1 :t ) , considerando que k assume entre 1 e t. O processo de

suavizao calculado em duas partes, onde a primeira utiliza-se das evidencias de 1 at k

18

e a segunda utiliza-se as evidencias restantes (k+1 at t). Com isso temos as seguintes
relaes:
P ( X k e1 : t )=P (X k , e k , e k+1 : t )

(repartindo as evidncias em duas)

P ( X k e1 : k ) P(X k+1 :t X k e 1 :k )
P ( X k e1 : k ) P ( e k+1 :t|X k )

(aplicando-se a regra de Bayes)

(Aplicando a independncia condicional)


f 1 :k b k+1 :t

=
(6)
onde temos duas funes, que calculam os valores suavizados, a primeira

f 1:k

faz o

calculo para frente, da mesma forma como feito no processo de filtragem, dessa forma
para essa parte pode-se usar o processo de filtragem estudado anteriormente. A segunda
parte ( bk +1 :t ) utiliza-se de uma funo recursiva para trs, partindo de t at

k+1.

Para essa

segunda parte tem o seguinte desenvolvimento.


Primeiro aplica-se o condicionamento sobre o estado

X k , ento obtemos a

seguinte relao:
P ( e k+1 :t X k )= P ( e k+1 : t X k , X k+1 ) P( X k+1 X k )
X k+ 1

P ( e k+1 : t X k+1 ) P(X k+1 X k )

P ( e k+1 : t , e k+2 :t X k+1 ) P (X k +1X k)

X k+ 1

(por independncia condicional)

X k+ 1

ek +2 :t X k +1
e k+1 : t|X k +1 ) P( ) P(X k+1 X k )
=
P

(7)

X k+ 1

Da relao final obtida temos que o primeiro e o terceiro termo segue o modelo, ou seja,
P ( e k+1 :t X k+1 )

o modelo de transio de evidncia e

P( X k+1X k )

trata-se do

modelo de transio de estados. O termo do meio trata-se do modelo de recurso, ou seja,


responsvel por fazer as chamadas recursivas (RUSSELL NORVIG, 2003).
2.4 Modelos Ocultos de Markov
O Modelo Oculto de Markov um modelo probabilstico temporal no qual o estado
do processo descrito por uma nica varivel aleatria. A observao da evoluo do

19

sistema ocorre de forma indireta, como funo probabilstica da transio entre os estados
definidos num espao de estados discreto e finito. Por mais que conheamos todos os
parmetros do modelo, continua oculta a evoluo do processo de Markov. Em outras
palavras, no se sabe qual o caminho ou sequncia de passos exatos que levaram a uma
determinada observao.
Para um modelo ser Oculto de Markov ele deve apresentar as seguintes
caractersticas:
1. Um espao de estados S =

S 1 , S2 , S 3 , , Sn

2. Um conjunto de observveis Y = Y 1 ,Y 2 , Y 3 , , Y n
3. Uma varivel estocstica Q a assumir valores do espao de estados S em diferentes
instantes de tempo
4. Uma varivel estocstica O a assumir valores do conjunto de observveis Y em
diferentes instantes de tempo
5. Uma distribuio de probabilidade inicial para cada estado

= { i } , tal que

q0=si
)
i=P
. Uma distribuio de probabilidade de transio entre estados

={aij } , tal que

aij =P(qt =s iq t1 s i)
7. Uma distribuio de probabilidade de observao
oij ( k )=P( Ot= y k qt 1=si , qt =s i )

={oij (k )} ,, tal que

associada a transies do estado

si

para o estado

sj .
2.4.1 Algoritmos Matriciais simplificados
Quando o sistema usado apresenta uma nica varivel de estado

X i , sendo est discreta,

podemos chegar a uma forma concreta para o modelo de transio e modelo de sensores a
partir de mensagens para frente e para trs. Assumindo que a varivel

X i , composta

por valores inteiros que variam de 1,..,S, onde S o nmero de estados disponveis,
obtemos a seguinte relao para o modelo de transio
conceito de matrizes.

P( X t X t1) , utilizando-se do

20

T ij =P ( X t= j| X t 1 =1 )
onde T ij a probabilidade de ocorrer uma transio i para o estado
Uma vez que os valores de evidncia

Et , tambm denotado por

apenas fazer com que as probabilidades que denotam


utiliza-se uma matriz

et

j .
e t , precisa-se

ficarem evidentes. Para isso

Ot onde as suas entradas diagonais so dadas pelos valores

P ( et|X t =i ) e as demais entradas so 0.


Com o modelo de transio e de sensores j definidos, pode-se a partir de vetores colunas
fazer uma representao das mensagens para frente e para trs, responsveis por fazerem o
clculo dos valores futuros. Com isso a equao para frente tem o seguinte formato:
T

(8)

f 1 : t +1=O t+1 T f 1 :t
E a equao para trs definida por:
bk +1 :t =k +1 b k+2 : t

(9)

O algoritmo de suavizao tambm pode utilizar-se do conceito de matrizes em seu


funcionamento. Para isso executa-se primeiro uma passagem da mensagem para frente para
calcular

f t :t . E depois executa-se a para trs para b e f de uma nica vez. Com isso

obtm-se os valores das estimativas suavizadas para cada passo (RUSSELL NORVIG,
2003).
2.4.2 Filtros de Kalman
O filtro de Kalman um conjunto de equaes matemticas que oferece uma
eficiente soluo computacional para estimar os estados de um sistema linear dinmico
perturbado por rudo gaussiano branco. O filtro age de forma a minimizar o erro mdio
quadrado, que a diferena entre o estado predito e o atual. Dado um valor inicial, o filtro
prediz o prximo estado e, baseado na leitura do estado, atualiza a predio e minimiza o
erro em cada atualizao.
Para a utilizao do filtro de Kalman necessrio que se tenha densidades
condicionais adequadas, a fim de obter-se uma boa representao dos modelos de sensores
e de transio. Para isso so usadas as distribuies gaussianas lineares, que possuem
como caracterstica principal a distribuio gaussiana multivariada. Onde est, possui
media

para um conjunto de d variveis e uma matriz de covarincia d x d .

21

2.4.2.1 Caso Geral


O filtro de Kalman trata-se de um modelo dinmico de sistema que representado
por um vetor de estados que varia medida que o filtro processado, ou seja, a cada nova
interao do filtro um novo estado gerado (VINHAL - 2013). O modelo que representa o
conjunto de estados dado pela seguinte relao:
x ( k )=F ( k , k 1 ) x ( k 1 )+ w( k )
onde x(k) representa o vetor de estados,

F ( k , k 1 )

(12)

trata-se da matriz de transio de

estado, a qual mostra como ocorre a transio do estado k-1 para o estado k, w(k) um
rudo do sistema e o k o fator de interao do filtro de Kalman.
O filtro de Kalman tambm trabalha com um conjunto de dados observados (vetor
de medio), conhecidos como sensores, esse conjunto de dados mapeado a partir da
seguinte relao:
y ( k )=h ' ( k ) x ( k1 ) +e ( k )

(13)

onde y(k) representa o vetor de medio dos sinais analticos, h(k) a funo que relaciona
os vetores de estados com os sinais analticos e o e(k) trata-se do rudo de medio. Uma
importante ratificao a ser feita que os rudos w(k) e e(k) so normalmente distribudos
com mdia zero e covarincia Q e R respectivamente. Uma vez que a concentrao dos
analitos no variar no tempo a covarincia do sistema considerada nula, ento Q = 0
(VINHAL, 2013) (CRDENAS, 2013).
O algoritmo do filtro de Kalman tem o seu desenvolvimento baseado em duas
etapas, predio e atualizao, na fase de predio o estado atual estimado com base no
estado anterior. Na fase de atualizao o estado predito atualizado de a acordo com a
leitura do estado em tempo real. Como forma de ajustar o vetor de estado predito e o
atualizado utilizado o ganho de Kalman dado por:
g ( k )=P ( k 1 ) h ( k ) [h' ( k ) P ( k 1 ) k ( k ) +r (k )]1

(14)

onde P(k) a matriz de covarincia do sistema e r(k) a varincia do rudo de medio. Ao


calcular o ganho de Kalman o resultado ideal que esse valor convirja para zero, porm o
que de fato acontece na realidade que esse valor converge para um valor prximo de zero
(CRDENAS, 2013). Uma vez que determinou-se o ganho de Kalman deseja-se obter a

22

matriz de covarincia do sistema de forma atualizada, isso obtido a partir da seguinte


relao:
k1
)
P ( k )=[ I g ( k 1 ) h ( k ) ] P ( k 1 ) [ I g ( k 1 ) h' ( k ) ]+ g ( k 1 ) r ( k ) g '
'

Uma vez que a matriz de covarincia do sistema j foi atualizada e o ganho de Kalman
identificado, faz-se a atualizao do vetor de estados pela relao a seguir:
x ( k )=x ( k1 ) + g ( k ) [ y ( k )h' ( k ) x(k1)]

(15)

Um ponto de suma importncia no algoritmo de filtro de Kalman a determinao


dos valores iniciais do vetor de estado e matriz de covarincia, uma vez que no momento da
inicializao no existem valores anteriores (VINHAL, 2013). Par o vetor de estados
assume-se que x(0) = 0 e o valor inicial para a matriz de covarincia pode ser determinada
pela relao abaixo:
P ( 0 )=Ia

r (1)
h ( 1 ) h(1)
'

Figura 5 - Esquema do funcionamento do filtro de Kalman (VINHAL, 2013)

Na figura ilustrada acima pode-se notar de forma clara como se d o processo do


filtro de Kalman, primeiramente feita a determinao dos valores iniciais para o vetor de
estado e a matriz de covarincia, em seguida determina-se o novo valor para o vetor de
estado (predio), aps a predio, calcula-se o ganho de Kalman e faz a atualizao para a

23

matriz de covarincia e para o vetor de estado na fase de atualizao, voltando a comear


um novo ciclo a partir da fase de predio.
3 METODOLOGIA
O trabalho desenvolvido, utiliza-se de dados de fMRI, e para fazer o processamento
desses dados so utilizadas tcnicas de probabilidades (cadeias de Markov e filtro de
Kalman). Inicialmente foram feitas revises na literatura relacionadas ao comportamento
dos dados de fMRI e aos conceitos de probabilidades.
Em relao aos dados de fMRI, foi feita uma reviso literria buscando um melhor
entendimento sobre o comportamento da FRH. Para melhor entendimento dos conceitos de
probabilidades, revisou-se conceitos como inferncia probabilstica, independncia e
independncia condicional para chegar a conhecida regra de bayes muito utilizada e
aplicada

em

vrios

contextos

problemas

devido

suas

vantagens.

Uma abordagem de interesse aqui utilizar as cadeias de Markov Monte e filtro de


Kalman para determinar os padres de ativao em um conjunto de dados de fMRI.
At o momento foram desenvolvidas as seguintes atividades, como sugerem o plano
de trabalho:

Analisar e caracterizar os dados multivariados


Pesquisar sobre os modelos de inferncia estatstica e implementar alguns desses

modelos (cadeia de Markov e filtro de Kalman)


Gerar dados artificiais segundo os modelos pesquisados na literatura
Utilizar os algoritmos implementados para fazer o reconhecimento de padres
Utilizar tcnicas estatsticas para a anlise dos resultados e caracterizao dos
padres encontrados
A implementao de funes comuns ao modelo teve o seu desenvolvimento

baseado na implementao do algoritmo de ponderao de probabilidade que engloba os


principais aspectos de inferncia probabilstica esperados.
Dentre os algoritmos desenvolvidos, encontra-se o algoritmo de Ponderao de
Probabilidade disponvel na figura 4 e o algoritmo de filtro de Kalman disponvel na figura
5.

24

No decorrer do processo de extrao calculou-se a correlao entre o sinal extrado


e cada varivel pertencente a serie temporal (voxel) com o intuito de observar o grau
de associao. A partir dos coeficientes de correlao obtidos estimou-se a FDP (funo
que caracteriza os sinais seguindo leis de probabilidade) do sinal extrado e do sinal
rudo. Posteriormente encontraram-se os vetores 1-Especificidade e Sensibilidade para
gerar a Curva ROC. Os vetores 1-Especificidade e Sensibilidade so obtidos a partir do
teste de hiptese, sendo que o vetor sensibilidade traz os valores verdadeiros positivos,
ou seja, as probabilidades da hiptese ser rejeitada quando de fato ela falsa e o vetor 1especificidade traz as probabilidades de falsos positivos, ou seja, concluir que sinal
sendo na verdade

rudo [Cabella, 2008]. Atravs da curva pde-se qualificar o

comportamento das tcnicas usadas. Para isso calculou-se a rea abaixo da curva ROC, e
o valor encontrado, define se a tcnica teve um comportamento satisfatrio de acordo com
a Tabela 1.

Tabela 1- Valores de rea abaixo da curva ROC associado as respectivas qualidades [Cabella, 2008].

rea abaixo da Curva ROC


0.5 0.6
0.6 0.7
0.7 0.8
0.8 0.9
0.9 1

Qualidade
Pssima
Ruim
Regular
Boa
Excelente

4 - RESULTADOS
Os resultados desenvolvidos at o momento encontram-se dispostos em duas partes,
sendo a primeira os dados de fMRI gerados a partir de simulao e os resultados obtidos
com a implementao dos modelos de inferncia probabilstica.
Para os dados de fMRI primeiramente, realizou-se simulaes referentes ao sinal
(FRH) e ao rudo, separadamente, e aps isso juntou-se os dois sinais para formar as series
temporais. Ao simular a FRH pode-se constatar a teoria que retrata a FRH como uma
funo representativa do aumento da atividade neuronal. Onde a sua forma esta associada
ao grau de atividade neural, ou seja, se a intensidade da atividade neural aumenta tambm
ira ocorrer um aumento na altura do valor de pico do sinal BOLD da FRH, e da mesma

25

forma, se aumentar a durao da atividade neural a largura da FRH tambm sofrer um


aumento. (Sturzbecher, 2006) (Mazzola, 2009). Fato que pode ser constatado na fig. 6, pois
quando se atinge o pico, o individuo encontra-se recebendo um estmulo, e quando se
encontra abaixo, ou ento prximo ao ponto 0 do eixo x, o individuo encontra-se em
repouso.
Funo FRH

1
0.8

Ampltude

0.6
0.4
0.2
0
-0.2
-0.4

10

20

30
Tempo (seg)

40

50

60

Figura 6 - Funo FRH simulada no MatLab

A srie temporal FRH apresentada na fig. 6 foi gerada, artificialmente. Levando-se


em considerao que as simulaes experimentais so constitudas de um paradigma
experimental em bloco, onde o individuo passou por uma atividade composta de seis blocos
de repouso alternados com cinco blocos de estmulos, obteve-se uma sequncia de FRH no
tempo (figura 7).
Simulao de um experimento com FRH

1
0.8

Ampltude

0.6
0.4
0.2
0
-0.2
-0.4

10

20

30
40
Pontos no Tempo

50

60

70

Figura 7 - Simulao de um experimento usando a funo FRH

Como os dados de fMRI apresenta um grande volume de dados e rudos, o sinal


FRH foi usado para construir um grande volume de dados, sendo este composto pelo sinal
de interesse e sinais de rudo (series temporais).

26

Uma vez disponibilizados os resultados provenientes das simulaes de sinais


fMRI, agora sero apresentados os resultados obtidos com o desenvolvimento dos
algoritmos de inferncia probabilstica. Para avaliar os algoritmos implementados foi
utilizada a rede de Bayes, Crie, disponibilizada em anexo, (retirada de RUSSEL NORVIG,
2003). A seguir tem-se a tabela de distribuio conjunta total desta.
Tabela 2 - distribuio conjunta total da rede Crie

Rede Crie

Dordedente

~dordedente

Botico

~botico

Botico

~botico

Crie

0,108

0,012

0,072

0,008

~crie

0,016

0,064

0,144

0,576

Os

resultados

obtidos

no

processo

de

execuo

para

uma

consulta

P ( dordede nte|botico ) foram os seguintes:

Tabela 3 - Resultados obtidos na consulta

P ( dordedente|botico ) , usando o algoritmo de inferncia.

Nmero de iteraes

Resultado

100

0,3277

1.000

0,3752

10.000

0,3702

100.000

0,3650
Como forma de comprovar o que os resultados obtidos com o algoritmo tm uma

boa

preciso,

calculou-se

qual

seria

valor

terico

para

consulta

P ( dordedente|botico ) , utilizando-se da relao a seguir e dos valores da distribuio


conjunta total.

P ( dordedente|botico )=

P(dordedente botico)
P (botico)

(2)
Como resultado terico foi obtido o seguinte valor.

27

P ( dordedente|botico )=

0,124
=0,3647
0,34

Com o valor terico obtido nota-se que o algoritmo consegue obter resultados
prximos ao resultado ideal a medida que o numero de interaes aumenta. Para melhor
comprovar essa ideia foram feitas algumas outras execues utilizando-se novas consultas,
e os resultados obtidos esto ilustrados na tabela 4.
Tabela 4 - Comparao dos resultados tericos e obtidos a partir do algoritmo para algumas consultas
diferentes.

Consulta

Valor Real

Programa

P ( carie|dordedente )

0,6

0,5986

P ( carie|botic o )

0,529

0,5295

P ( dordedente|carie )

0,6

0,6008

P ( dordedente|botic o )

0,365

0,3646

P ( botic o|carie )

0,9

0,9011

P ( botic o|dordedente )

0,62

0,6211

Para encontrar esses resultados o algoritmo executou com 100.000 interaes, ou


seja, um alto numero de interaes. Percebe-se que os resultados obtidos pelo algoritmo
esto prximos do ideal, o que salienta que o algoritmo tem uma boa preciso para
trabalhar com redes de Bayes usando variveis discretas.
A outra tcnica em questo, filtro de Kalman teve o seu algoritmo desenvolvido e
como forma de teste foi usado um sinal FRH atrelado a rudo (fig. 8), como forma de
entrada para o algoritmo, com o intudo de verificar o comportamento da tcnica. Como o
algoritmo tem o seu funcionamento baseado na construo do vetor de estados, ento ele
procura reconstruir o sinal de entrada, de acordo com as informaes a priori (condies
iniciais). Os resultados provenientes dos testes feitos so apresentados nas figuras 9-a e 9-b,
onde o sinal em azul corresponde ao sinal FRH + rudo e o sinal em vermelho corresponde
ao sinal reconstrudo a partir do filtro de Kalman.

28

Figura 8 - Sinal FRH atrelado a rudo

Figura 9 - a) Resultado retornado pelo filtro de Kalman usando um rudo de medio de 1dB e b)
usando um rudo de 0.1 dB.

Nos resultados obtidos observa-se que quando o rudo de medio prximo zero,
o filtro de Kalman tem um resultado timo (na prtica os nveis de rudo so elevados),
para um rudo mais elevado o algoritmo consegue reconstruir o sinal com uma preciso
satisfatria. Uma vez que os resultados obtidos, pelas tcnicas em questo, foram

29

satisfatrios espera-se que o mesmo comportamento prossiga quando usado dados reais
como entrada.
Os dados de fMRI so formados por um grande volume de informaes, como
disponibilizado na fig. 10-a. Esses dados so formados por variveis pertencentes a serie
temporal (voxel). Ao aplicar o filtro de Kalman a cada uma das variveis que formam a
serie temporal obteve-se o sinal apresentado na fig. 10-b.
O resultado obtido a partir do filtro de Kalman foi submetido a um processo de
correlao (correlao entre as variveis da serie temporal e o sinal a priori, a varivel com
maior correlao foi escolhida como sinal padro), com o intuito de obter a varivel da
serie que apresenta a melhor correlao com o sinal de HRF a priori.

Figura 10 - a) Serie temporal de fMRI e b) serie temporal depois da aplicao do filtro de


Kalman

O sinal padro obtido apresentado na fig. 11. Observando-se o resultado obtido


nota-se que o sinal extrado apresenta a mesma forma do sinal HRF a priori, porm
apresenta grandes deformaes, ou seja, a tcnica em questo conseguiu realizar a extrao
do sinal, porm a eficcia muito baixa e no satisfatria.

30

Figura 11 - Sinal extrado a partir da tcnica filtro de Kalman

Esse fato pode tambm ser observado quando comparado a PDF e a curva ROC
para os dados em questo, apresentado na fig. 12-a e 12-b. Ao observar a PDF, fig. 12-a,
nota-se que existe uma pequena relao sinal rudo (o sinal azul encontra-se pouco
entrelaado com o sinal vermelho), ou seja, a quantidade de rudo que est a perturbar o
sinal muito baixa, dessa forma esperava-se um melhor comportamento da tcnica em
questo. Porm ao observar a curva ROC, percebe-se que o resultado foi muito ruim, pois a
curva ROC encontra-se em um formato de uma reta, sendo que quanto maior for a
curvatura da curva melhor a qualificao da tcnica.

Figura 12 - a) PDF dos dados e b) curva ROC do sinal extrado

Outra maneira de qualificar a tcnica calculando a rea abaixo da curva ROC e


qualificando de acordo com a tabela 1. A rea encontrada para o processo usando o filtro de
Kalman foi de 0.50, ou seja, a tcnica obteve um comportamento pssimo no processo de
extrao do sinal padro.

31

Em trabalhos anteriores, OLIVEIRA 2012-2013, foram empregadas as tcnicas ACP


Analise Principal de Componentes e AF - Analise Fatorial, onde os resultados
encontrados foram satisfatrios. As tcnicas em questo fazem uma anlise de muitas
variveis diferentes, retornando caractersticas comuns nas variveis presentes no conjunto
de dados, reduzindo ou simplificando a estrutura de um conjunto de dados tornando-o
mais fcil de ser interpretado. Ambas as tcnicas possuem a propriedade de medir o quanto
os dados esto afastados em relao mdia, ou seja, a partir da varincia.
O filtro de Kalman trabalha com dados que so descritos como sistemas dinmicos
lineares, ou seja, se fazem necessrios um modelo de sistema dinmico e uma relao entre
o estado e as medidas que so expressos a partir de equaes lineares.
O conjunto de dados fMRI apresenta um grande nmero de variveis e estas
variveis apresentam uma varincia alta entre si, o que explica o fato das tcnicas PCA e
AF obterem um bom desempenho. difcil mapear uma funo de linearidade entre os
dados de fMRI, algo que pode ser considerado para o baixo desempenho apresentado pelo
filtro de Kalman.
Outra justificativa para esse desempenho do filtro de Kalman seria a existncia de
desvantagens do filtro de Kalman no contexto de dados discretos em relao a dados
contnuos. Porm segundo, PINTO 2008, o filtro de Kalman discreto apresenta as mesmas
operaes bsicas do filtro de Kalman continuo, dessa forma no existem desvantagens
significativas para considerar essa hiptese.
OBS : A parte em vermelho, deve fazer parte dos resultados ou da concluso?

5 - CONCLUSES
O conjunto de simulaes realizadas a partir dos modelos levantados na literatura
mostrou que o volume de dados de fMRI possui uma grande quantidade de rudos o que
dificulta no processo de extrao do sinal de interesse, FRH. Por serem grandes volumes de
dados os dados de fMRI apresentam algumas outras dificuldades relacionada ao

32

processamento dos dados, fazendo necessrio a utilizao de tcnicas multivariaveis para


auxiliar no processo de extrao do sinal padro de interesse.
As tcnicas estudadas com o intuito de auxiliar no processo de extrao do padro
apresentaram bons resultados nos testes preliminares. Porm ao aplicar essas tcnicas nos
dados de fMRI o resultado obtido no foram os esperados. Obtiveram-se resultados ruins
quando comparado com outras tcnicas j empregadas no mesmo conjunto de dados.
Perante todas as dificuldades e resultados apresentados pela tcnica filtro de
Kalman durante o processo de extrao do sinal padro da FRH, conclui-se que o filtro de
Kalman no apresenta bom desempenho e dessa forma, no se recomenda o seu uso para
trabalhar com esse tipo de dados (fMRI).

6 REFERNCIAS BIBLIOGRFICAS

STUART, R., PETER N., Inteligncia Artificial: Uma abordagem moderna. 2a. Ed.
Elsevier Editora. 2003
BORGES, J. P. V.; PADILHA, T. P. P.. Modelagem do Processo de Aprendizado
Colaborativo Atravs de Redes Bayesianas. In: VII ENCONTRO DE ESTUDANTES
DE INFORMTICA DO ESTADO DO TOCANTINS, 2005, Palmas. Anais Palmas:
2005.
MINGOTI, S. A.. Anlise de Dados de Mtodos de Estatstica. UFMG, 2007.
JOLLIFER, I.T.. Principal Component Analysis. 2 ed.Spring Verlag, New York, 2005.
MANLY, B. J. F.. Mtodos Estatsticos Multivariados. Traduo de Sara Ianda Correa
Carmona. Porto Alegre: Bookman, 2005.

CRUZ, M. O. da. Anlise Fatorial para a Caracterizao de Dados. Aracaju, 2011-2012.


Iniciao Cientfica, apoiado pelo Programa Especial de Incluso em Iniciao Cientfica
PIIC. Universidade Federal de Sergipe.

33

VICINI, L.. Anlise multivariada da teoria pratica. Santa Maria, 2005: UFSM, CCNE.
CABELLA, B. C. T.. Inferncia Estatstica em Mtodos de Analise de Ressonncia
Magntica Funcional. Ribeiro Preto, 2008. Dissertao (Mestrado: Fsica Aplicada
Medicina e Biologia). Programa de Ps-Graduao em Fsica Aplicada Medicina e
Biologia. Faculdade de Filosofia, Cincias e Letras de Ribeiro Preto da Universidade de
So Paulo.
COSTA, G. G. de O.. Um procedimento inferencial para anlise fatorial utilizando as
tcnicas Bootstrap e Jackknife: construo de intervalos de confiana e testes de
hipteses. Rio de Janeiro, 2006. Tese (Doutorado: Engenharia Eltrica). Programa de PsGraduao em Engenharia Eltrica do Departamento de Engenharia Eltrica da PUC-Rio.
Pontifcia Universidade Catlica - PUC.
ARAJO, D. B.. fMRI e MEG. So Paulo, 2001. Dissertao (Doutorado: Fsica aplicada
medicina e Biologia). Departamento de Fsica e Matemtica. Universidade Federal de So
Paulo.
STURZBECHER, M. J.. Deteco e caracterizao da resposta hemodinmica pelo
desenvolvimento de novos mtodos de processamento de Imagens Funcionais por
Ressonncia Magntica. Ribeiro Preto, 2006. Dissertao (Mestrado: Fsica aplica
Medicina e Biologia). Faculdade de Filosofia, Cincias e Letras de Ribeiro Preto da USP.
OLIVEIRA, J. A. de. Anlise e Caracterizao do rudo em sinais fMRI. Aracaju, 20112012. Iniciao Cientfica, apoiado pelo Programa Institucional de Bolsas de Iniciao
Cientifica PIBIC/FAPITEC. Universidade Federal de Sergipe.
MAZZOLA, A. A.. Ressonncia magntica: princpios de formao da imagem e
aplicaes em imagem funcional. Revista Brasileira de Fsica Mdica. Rio Grande do
Sul, 2009; 3(1): 117-29.
VINHAL, G. S.. Filtragem e melhoramento de espectros com filtro de Kalman, Revista
ABAKS. Belo Horizonte MG, 2013, v. 1, n. 2, p. 32-44.

34

CRDENAS, J. A. C.. Anlisis y aplicacin del filtro de Kalman a uma seal com ruido
aleatorio. Revista Scientia et Technica Ao XVIII. Pereira-Colmbia, v. 18, n. 1, Abril de
2013.
PINTO, F. P.V.F.. Aplicao do filtro de kalman na auto-localizao de um sistema
robtico autnomo. Porto, 2008. Dissertao (Mestrado: Engenharia Eletrotcnica e de
Computao). Departamento de Engenharia Eletrotcnica e de Computao da Faculdade
do Porto.
NASCIMENTO, J. E. M.. Anlise de Componentes Principais para Classificar
Componentes em Dados fMRI. So Cristvo, 2011-2012. Iniciao Cientfica, apoiado
pelo Programa Institucional de Bolsa de Iniciao Cientfica PIBICVOL/UFS.
OLIVEIRA, J. A. de. Fundamentos para Anlise e Caracterizao de sinais fMRI. So
Cristvo, 2012-2013. Iniciao Cientfica, apoiado pelo Programa Institucional de Bolsa
de Iniciao Cientifica PIBICVOL/UFS.

Anexo
Rede Bayesiana Crie, retirada e alterada de RUSSELL NORVIG, 2003.

35

Rede Bayesiana Educao, retirada de BORGES, 2005.

Você também pode gostar