Banca de QUALIFICAÇÃO: ABNER LUCAS ALVES PEREIRA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: ABNER LUCAS ALVES PEREIRA
DATA: 21/07/2022
HORA: 09:30
LOCAL: Google Meets : meet.google.com/dpv-mvhq-gxy
TÍTULO:

DEEP LEARNING NA PREDIÇÃO DESÉRIES TEMPORAIS DE POTENCIAIS EVOCADOS VISUAIS ASSOCIADOS AO GRAU DEINTELIGÊNCIA ESPACIAL

PALAVRAS-CHAVES:

Aprendizado profundo.Eletroencefalograma. Potenciais relacionados à eventos. Predição. Sériestemporais

PÁGINAS: 35
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Sistemas de Informação
RESUMO:

Os testes de avaliação neuropsicológicos, realizados através da aplicação individual de instrumentos clínicos, como os testes não verbais de inteligência, são os principais meios que auxiliam para o entendimento do funcionamento cognitivo em uma janela do tempo de vida de um sujeito, como a sua capacidade intelectual. Entretanto, tal abordagem é bastante questionada com argumentos que a associa à vieses culturais, e como a neurociência a cada dia busca descrever melhor o comportamento humano por soluções mais assertivas em problemas, como os de predição em dados de EEG, técnicas como o aprendizado profundo tem sido amplamente utilizada tornando viável a implementação de modelos para processamento automático de biosinais. Nesse sentido, o presente trabalho propõe desenvolver modelos de predição de séries temporais de potenciais evocados visuais extraídos de exames não invasivo (eletroencefalograma)com o intuito de extrair padrões em assinaturas de ERP para associar ao grau de inteligência espacial de um sujeito e distinguir o grupo ao qual pertence (controle ou superdotado) a partir das regiões frontal e parietal do cérebro humano, capaz de contribuir com uma abordagem de diagnóstico automatizado de inteligência em alternativa aos testes de QI tradicionais baseados em tarefas como um biomarcador comportamental e eletrofisiológico associados à capacidade visual espacial, por meio do emprego das técnicas de aprendizado profundo utilizando redes neurais artificiais com arquiteturas de rede direta totalmente conectada profunda (Deep Feedforward) e recorrente(LSTM) em dados de adolescentes intelectualmente superdotados em comparação com adolescentes controles coletados durante a realização de uma tarefa clássica de rotação mental tridimensional. Será apresentado uma visão da literatura atual e os principais conceitos trabalhados na temática, assim como os resultados da etapa de pré-processamento da base de dados utilizada e simulações para análise das saídas do pré-processamento com modelos de redes MLP, e demais etapas metodológicas a serem adotadas no desenvolvimento da solução final.

MEMBROS DA BANCA:
Presidente - 2272363 - LIDIO MAURO LIMA DE CAMPOS
Interno - 3132807 - REGINALDO CORDEIRO DOS SANTOS FILHO
Externo ao Programa - 1734253 - GIVAGO DA SILVA SOUZA