Processos estocásticos estruturados e análise de dados funcionais para a avaliação de aprendizagem motora em indivíduos normais e patológicos

• Processo: 16/22053-7
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de fevereiro de 2017
• Data de Término da vigência: 31 de março de 2021
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística
• Pesquisador responsável: Jefferson Antonio Galves
• Beneficiário: Noslen Hernández González
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 13/07699-0 - Centro de Pesquisa, Inovação e Difusão em Neuromatemática - NeuroMat, AP.CEPID
• Assunto(s): Reconhecimento de padrões Aprendizado computacional Processos estocásticos Aprendizagem motora Cadeias de Markov Análise multivariada
• Palavra(s)-Chave do Pesquisador: Análise de Dados Funcionais | Aprendizagem de Maquina | processos estocásticos | Reconhecimento de gestos | Reconhecimento estatistico de padroes

Resumo

Neuromat é um centro de pesquisa cujo objetivo é o desenvolvimento de uma Teoria do Cérebro. Resultados recentes envolvem a definição de um novo tipo de processo estocástico chamado processo estocástico impulsionado por modelos de árvore de contexto. Esses processos permitem o design, modelagem e análise de experimentos neurofisiológicos com estímulos estruturados. Os processos estocásticos impulsionados por modelos de árvore de contexto têm mostrado ser uma ferramenta útil para abordar a hipótese de que o cérebro recupera regularidades estatísticas a partir de estímulos. Os primeiros resultados nesta direção são apresentados num artigo de Duarte et al. (ArXiv: 1602,00579) onde foi mostrado que os dados EEG codificam a estrutura de estímulos a qual os sujeitos foram submetidos. Um problema aberto é se essa descoberta também poderia ser corroborada em respostas comportamentais, especificamente na execução de movimentos. O principal objetivo do presente projeto é desenvolver e aplicar métodos para dar resposta a essa questão baseado na definição matemática geral que acabamos de mencionar. Em particular, os métodos propostos serão destinados a contribuir no estudo do funcionamento cerebral na execução de movimentos na reabilitação dos pacientes, e o jogo do goleiro. Para isso, processos estocásticos impulsionados por Cadeias de Markov estruturadas precisam ser considerados em uma variedade de espaços, incluindo respostas categóricas, e respostas que são dados funcionais (tais como curvas de movimentos). Isso também trouxe uma série de desafios a serem tratados na representação, processamento computacional e reconhecimento de padrões de sinais complexas gravadas correspondentes aos gestos, posturas e movimentos. O projeto está estruturado em duas linhas de pesquisa principais: 1) processos estocásticos impulsionados por Cadeias de Markov estruturadas para a avaliação da aprendizagem motora e 2) análise de dados funcionais de curvas de movimento. Na primeira linha de pesquisa, vários sub-problemas desafiadores serão estudados como o design de experimentos adequados para avaliar as evidencias sobre a aprendizagem de regularidades estatísticas; o mapeamento de dados brutos a características relevantes da resposta e; inferência. Na segunda linha de pesquisa, ferramentas modernas de análise de dados funcionais serão aplicadas em uma série de situações concretas sobre cinemática de comportamento, onde vários aspectos relevantes da resposta dos indivíduos podem ser representados por dados funcionais. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

HERNANDEZ, NOSLEN; DUARTE, ALINE; OST, GUILHERME; FRAIMAN, RICARDO; GALVES, ANTONIO; VARGAS, CLAUDIA D.. Retrieving the structure of probabilistic sequences of auditory stimuli from EEG data. SCIENTIFIC REPORTS, v. 11, n. 1, FEB 10 2021. (16/22053-7, 13/07699-0, 16/17791-9, 16/17789-4)