• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Tesis Doctoral
DOI
https://doi.org/10.11606/T.55.2020.tde-27072020-173656
Documento
Autor
Nombre completo
Rodrigo Colnago Contreras
Dirección Electrónica
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
São Carlos, 2020
Director
Tribunal
Nonato, Luis Gustavo (Presidente)
Oliveira, Maria Cristina Ferreira de
Paiva, José Gustavo de Souza
Santos, Emanuele Marques dos
Título en portugués
Predição e análise visual de conjuntos de redes de conexões entre sinais suaves: aplicações em dados médicos de AVC
Palabras clave en portugués
Acidentes vasculares cerebrais
Análise visual de dados
Aprendizado baseado em grafos
Teoria dos conjuntos
Visualização
Resumen en portugués
Aprendizado baseado em grafos é uma vertente de apendizado profundo na qual tem-se como intenção estimar um grafo que descreva uma rede de conexões em que as arestas correspondem a relacionamentos entre os elementos mais semelhantes, representados pelos nós da rede. Técnicas de aprendizado baseado em grafos vêm sendo desenvolvidas nos últimos anos na seara de processamento de sinais em grafos. Entretanto, até onde sabemos, sua utilização em análise visual de dados ainda não foi explorada. Neste trabalho, propomos o uso de técnicas de aprendizado baseado em grafos em uma aplicação, na qual confecciona-se um elevado número de redes de conexões para facilitar a percepção de padrões presentes nestas redes através de uma nova ferramenta de análise visual, intitulada NE-Motion. O ferramental desenvolvido é aplicado em uma base de dados formada por milhares de séries temporais. A base de dados foi fornecida por profissionais da área médica da New York University, os quais são especialistas em estudos de pessoas que sofreram Acidente Vascular Cerebral (AVC). A metodologia e ferramenta de visualização propostas foram capazes de revelar informações presentes nos dados e apresentá-los de maneira intuitiva aos peritos, os quais atestaram a efetividade de nossa abordagem.
Título en inglés
Visual prediction and analysis of connection network sets between smooth signals: applications in medical stroke data
Palabras clave en inglés
Graph learning
Set theory
Strokes
Visual analytics
Visualization
Resumen en inglés
Graph learning is a branch of deep learning in which the intention is to estimate a graph that describes a network where the edges correspond to relationships between the most similar elements represented by the nodes of the network. Graph learning techniques have been developed in recent years by the most important researchers in the field of signal processing on graphs. However, to the best of our knowledge, its use in visual analytics has yet not been explored. In this work, we propose the use of graph learning methods in an application, in which a high number of networks are generated to facilitate the perception of patterns present in these networks, through a new visual analytics tool, called NE-Motion. The tool developed is applied to a database formed by thousands of time series. The database has been provided by medical professionals from New York University, who are specialists in studies of people who have had a stroke. The proposed methodology and visualization tool were able to reveal information present in the data while depicting it in an intuitive way to the experts, who attested to the effectiveness of our approach.
 
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
Fecha de Publicación
2020-07-27
 
ADVERTENCIA: Aprenda que son los trabajos derivados haciendo clic aquí.
Todos los derechos de la tesis/disertación pertenecen a los autores
CeTI-SC/STI
Biblioteca Digital de Tesis y Disertaciones de la USP. Copyright © 2001-2021. Todos los derechos reservados.