Redes neurais artificiais dinâmicas aplicadas a detecção automática de eventos comportamentais

Repositório institucional da UFSC

A- A A+

Redes neurais artificiais dinâmicas aplicadas a detecção automática de eventos comportamentais

Mostrar registro completo

Título: Redes neurais artificiais dinâmicas aplicadas a detecção automática de eventos comportamentais
Autor: Canena, Ângeluz da Costa
Resumo: Registros comportamentais realizados de forma automatizada reduzem a influência de erros causados por fadiga e alerta sob os quais um observador humano está sujeito. O método de registro automático estudado em (CRISPIM, 2011) apresentou-se eficiente, embora não diferencie a ordem temporal de posturas a formar padrões de comportamento e suas diferentes durações. Neste trabalho investigamos o uso de uma rede neural artificial anteroalimentada com atrasos de tempo focados na entrada, através da qual foi possível observar o efeito de diferentes atrasos na detecção das diferentes categorias de comportamento (I - Imobilidade, L - Locomoção, V - Exploração vertical e A - Auto-limpeza). Além disso, foi feita uma comparação entre a detecção automática pelos classificadores treinados e a classificação por observadores humanos. Exceto pelo desempenho na detecção da categoria "A", os valores médios deste foram altos (Índices Kappa >0,75 e AUC >0,8) no conjunto de amostras de validação (pré-processadas - balanceadas e sem transições). Já no teste uma grande redução no desempenho foi observada, especialmente no índice Kappa. Neste os maiores desempenhos médios Kappa/AUC foram 28,4/68,7% na categoria "I" (comprimento de memória - sessenta unidades), 30,7/71,5% para categoria "L" (comprimento de memória - quinze unidades), 23,8/75,4% na categoria "V" (comprimento de memória - trinta unidades) e 2,7/48,9% na categoria "A" (comprimento de memória - quinze unidades). Estes resultados apresentaram diferenças estatisticamente significantes com p<0,05 entre desempenhos de comprimentos de memória para as categorias "I" e "L", não tendo sido encontrada tal diferença entre memória nas categorias "E" e "A". A confiabilidade computada para observadores humanos foi muito superior com valores médios do índice Kappa intra/inter observador de 78,9/78,9% categoria "I", 62,3/52,1% para categoria "L", 80,9/74,1% para categoria "E" e 89,4/91,2% para "A". Diferenças estatisticamente significantes para p<0,05 foram encontradas nos desempenhos inter-observador entre todas as categorias comportamentais, apontando maior acerto em relação à categoria "A" e maior dificuldade de registro na categoria "L". Estes resultados demonstram que tal rede neural dinâmica é útil à classificação de padrões comportamentais, mas são necessárias adaptações no método a fim de possibilitar um sistema mais confiável em relação aos humanos. Além disto, a categoria comportamental em que foi encontrado o maior desempenho por observadores humanos, foi a qual a rede neural desempenhou pior. Já a que a rede neural teve maior desempenho foi a qual observadores humanos tiveram seu pior. O que demonstra significante diferença entre as informações recebidas e processamento destas por cada um destes. Também foi demonstrado que para nas categorias "I" e "L" há influência da profundidade da memória de curto-prazo sobre o desempenho de detecção.Behavioral records done by some automatic method have reduced influence of errors by tiredness and awareness about what humans are liable. The automatic recording method studied in (CRISPIM, 2011) showed efficient results, besides it could not differentiate temporal order of poses that form a pattern of behavior and its duration. At this work we investigate the use of a focused time lagged feedforward neural network, through what became able to observe the influence of different delays on the detection of the various categories of behavior (I - Immobility, L - Locomotion, V - Vertical exploration and A - Grooming). Not just that, we made a comparison between the automatic detection made by the trained classifiers and the one made by humans. Except by the detection performance on the category "A", the mean values of it was high (Kappa >0,75 and AUC >0,8 index) on the validation set (preprocessed - balanced and without transitions). On the test set otherwise, a great reduction in the performance was noticed, especially on Kappa index. The biggest mean values of Kappa/AUC indexes was 28,4/68,7% at category "I" (memory depth - sixty units), 30,7/71,5% for the "L" category (memory depth - fifteen units), 23,8/75,4% on category "V" (memory depth - thirty units) and 2,7/48,9% for "A" category (memory depth - fifteen units). These results demonstrated significant statistical difference for p<0,05 between performances of memory depths for the categories "I" and "L", but not for the other ones. The reliability computed for human observers was quite superior with mean values of Kappa index intra/inter observer of 78,9/78,9% category "I", 62,3/52,1% for category "L", 80,9/74,1% for "E" and 89,4/91,2% for "A". Significant statistical difference for p<0,05 was found at inter-observer performances between all behavioral categories, pointing a greater hit for "A" category and hardness at "L" category record. Accordingly to these results this neural network is useful to behavioral pattern classification, but it is still necessary adaptations on the method to allow a more reliable system. Beyond it, the behavioral category where was found the best performance by humans, was the worst for the neural network. On the other hand, the category where the neural network got his best performance was the worst for the humans. This shows significant difference between the received information and processing between both human and machine. For the categories "I" and "L" was demonstrated influence of the short- term memory depth at the detection performance.
Descrição: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica.
URI: http://repositorio.ufsc.br/xmlui/handle/123456789/100401
Data: 2012


Arquivos deste item

Arquivos Tamanho Formato Visualização
307986.pdf 2.354Mb PDF Visualizar/Abrir

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro completo

Buscar DSpace


Navegar

Minha conta

Estatística

Compartilhar