Statistical Model

A Figura 1 ilustra o modelo para estimação do percentual de gordura corporal. O

vetor de entrada xi, (i =1, 2, . . . n), corresponde aos exemplos que formam a amostra (no

nosso caso, n=618), onde cada exemplo xij (j =1, 2, . . . m) será um atributos (m=9). Logo,

teremos o vetor: xi = [xi1, xi2, xi3, xi4,...xim]T. Cada exemplo xij terá um valor de BPF di

obtido através da bioimpedância, nosso objetivo é estimar o valor de di através de xi,

utilizando um filtro linear, cujos pesos serão adaptados através de um modelo de

regressão linear múltipla.. Ou seja, xi será ponderado por um vetor peso wi = [wi1, wi2,

wi3, wi4,...wim]T, de forma que 𝑦𝑖 = 𝐱𝑖 𝐓 𝐰𝑖 seja uma estimação do sinal di (22, 23). A

regressão linear multipla permite otimizar wi, atingindo assim o menor erro possível

entre di e yi.

Figure 1. Schematic diagram of model. Descrever de novo aqui

Adapted: [22]

The output will be

𝑦𝑖 = 𝐱𝑖 𝐓 𝐰𝑖 (1)

We also definimos the error as,

𝑒 = 𝑑 −𝑦 . (2)

Let us make the following assumptions:

 ● Each input column vector 𝐱𝒌 is statistically independent of all previous input

vectors 𝐱 , 𝑖 < 𝑘;

● All variables have probability distributions which are not necessarily Gaussian;

● The weight vector coefficients are statistically independent of the reference

input.

The filtering task is accomplished by changing the weights of the filter 𝐰 to

reduce the error signal.

The optimum vector 𝐰 ∗ that minimizes the MSE is the weight vector, given by

𝐰∗ = 𝐑 𝐩 , (3)

where 𝐑 = 𝐸[𝐱𝑖 𝐱𝑖 𝑇 ], is the input correlation matrix, 𝐩 = 𝐸[𝑑 𝐱 ], is the cross-

correlation vector and E[.] stands for the expectation (22, 23).