Documente Academic
Documente Profesional
Documente Cultură
Relatrio Parcial
Este projeto desenvolvido com bolsa de iniciao cientfica
PICVOL
RESUMO
O principal objetivo da pesquisa proposta pesquisar e desenvolver os Fundamentos
necessrios para analisar e caracterizar a Funo de Resposta Hemodinmica (FRH), para isso
sero usados imagens e/ou sinais funcionais de ressonncia magntica. A principio fez-se estudos
visando o entendimento e o funcionamento do crebro e como so obtidos os sinais de fMRI.
A fMRI tem sido uma das tcnicas de neuroimagens com grande evoluo ao longo das ltimas
dcadas, propiciando grandes benefcios aos estudos e aos tratamentos de patologias celebrais.
Isso porque suas imagens anatmicas permitem fazer uma localizao das reas de ativao
cerebral, ajudando no planejamento cirrgico e terpico.
Considerando-se que a quantidade de dados a ser processada alta, optou-se por realizar
uma modelagem do sistema e a partir desta gerar amostras com distribuio semelhantes aos
dados originais. A partir das amostras possvel fazer inferncias para obter uma aproximao do
padro a ser procurado. Para fazer as inferncias foram usadas as tcnicas de filtro de Kalman e
cadeias de Markov com o intuito de fazer um raciocnio probabilstico ao longo do tempo para
fazer o reconhecimento do padro de interesse.
__________________________________________________________________
SUMRIO
1 INTRODUO
Atualmente muitas tcnicas no invasivas tm sido utilizadas em estudos de avaliao
do crebro humano (OLIVEIRA, 2011-2012). A maioria das tcnicas utilizadas nos estudos
apresentam os seguintes requisitos: boa resoluo espacial, boa resoluo temporal e o
objetivo de registrar a dinmica dos processos funcionais do crebro. Com isso essas
tcnicas apresentam um grande conjunto de dados, formado por diversas variveis (voxeis
ativos e inativos).
No contexto de mapeamento cerebral o principal objetivo ao utilizar-se das tcnicas
no invasivas a obteno do mapa de ativao referente ao estimulo aplicado
(OLIVEIRA, 2011-2012). Esse processo torna-se um processo complicado e desgastante
uma vez que o conjunto de dados apresenta um grande volume de dados e no sabe-se ao
certo o que essas variveis representam. Uma forma de tentar sanar esse problema a
utilizao de alguma tcnica de estatstica multivariada para ajudar no entendimento do
comportamento das variveis.
Para esse trabalho ser empregado a tcnica de cadeia de Markov, que tem como
objetivo realizar um raciocnio probabilstico ao longo do tempo sobre os dados para fazer
o reconhecimento do padro de interesse. Dessa forma, a tcnica ser empregada com o
intuito de reconhecer o padro de ativao (Funo de Resposta Hemodinmica - FRH).
2 REVISO DA LITERATURA
Hoje em dia existem vrias tcnicas no invasivas que tem como finalidade realizar
uma avaliao do crebro humano, algumas dessas tcnicas se preocupam com a avaliao
estrutural sem se importar com a dinmica dos processos, outras tcnicas tm como foco a
dinmica dos processos (geralmente consideram uma boa resoluo temporal, por exemplo,
eletroencefalografia), mas so limitadas na resoluo espacial (OLIVEIRA, 2011-2012).
Dessa forma se faz necessrio procurar tcnicas que permitam reunir os seguintes quesitos:
boa resoluo espacial, boa resoluo temporal e que tenha como objetivo registrar a
dinmica dos processos funcionais do crebro, neste caso especfico podem-se citar as
tcnicas de neuroimagens. De modo geral, essas tcnicas estudam as arquiteturas das
clulas cerebrais assim como as atividades do crebro que esto associadas s mudanas
hemodinmicas.
Figura 1 Ilustrao da curva que representa uma resposta hemodinmica, visualizada em um voxel
da imagem (Figura retirada e modificada de ARAJO, 2001).
reas de ativao. Esse processo costuma ser difcil, uma vez que manipular e analisar uma
grande quantidade de variveis fica invivel sem o auxilio de algumas ferramentas
(Estatstica, Computao).
2.2 Probabilidade
P ( X|Y )
e duas incondicionais ( P (Y ) e P (X ) ).
( X|Y ) =
P ( X|Y ) P(Y )
(1)
P( X )
Uma rede Bayesiana captura relaes (que podem envolver incertezas, funes
estatsticas ou mesmo serem imprecisas) entre um grupo de variveis que so
relevantes para um problema. Essas relaes podem ser importantes porque elas
so observveis ou porque o seu valor necessrio para a tomada de uma deciso.
Tambm so importantes para justificar um resultado ou mesmo para ajudar a
expressar relacionamentos entre outras variveis.
10
11
retorne Verdadeiro.
Agora gerada uma amostra de P(Irrigador|Nublado = verdadeiro) = <0,1, 0,9>;
Assumindo que o retorno do tipo < Falso, Verdade > a amostra retorna verdadeiro.
Agora para a amostra de P(ChuvaNublado=verdadeiro)=0,8, 0,2> ; ento
a mostra retorna falso.
12
Para
amostra
de
ento
P( IrrigadorChuva=verdadeiro)
foi
feita 100 vezes (amostras). Em 52 dessas amostras tem-se que Chuva verdadeiro. Dessas
52, 9 tem Irrigador = verdadeira e 43 tem Irrigador = falso. Consequentemente,
9, 43>
P ( Irrigador|Chuva=verdadeiro ) Normalizar
13
w iniciado com 1.
A rede bayesiana varrida verificando se a varivel de evidncia:
o Se a varivel for de evidncia: O peso w alterado recebendo a
multiplicao entre o w anterior e a probabilidade de o evento estar
condizente com a evidncia dados seus pais.
o Se a varivel no for de evidncia: gerada uma amostra aleatria da
14
Na literatura esse algoritmo cita apenas exemplos com variveis booleanas, porm
como as variveis usadas no projeto so variveis discretas, o algoritmos foi implementado
de forma que execute utilizando variveis discretas.
2.3 Inferncias estatsticas em probabilidades
O mundo em que o agente est atuando sofre mudanas em cada instante de tempo, dessa
forma utiliza-se de uma varivel aleatria para cada aspecto do estado, ou seja, uma
varivel que vai assumir um determinado valor para cada instante de tempo.
O raciocnio probabilstico era conhecido at o momento para mundos estticos,
onde cada varivel possui um valor fixo. Agora a ideia utilizar-se de variveis que tem o
seus valores alterados de acordo que o tempo evolui. Esse processo de mudana
visualizado como uma sequncia de instantneos que descrevem o estado do mundo em um
instante especfico (RUSSELL NORVIG, 2003).
Cada fatia no tempo ir conter um conjunto de variveis, onde estas podem ser
observveis ou no. Como notao para as variveis adota-se que as variveis
conjunto das variveis no observveis no tempo t. J as variveis
conjunto das variveis observveis e as variveis
evidncia.
et
Xt , o
Et , formam o
15
como o estado evolui ao longo do tempo. Para os processos de Markov de segunda ordem a
forma como os estados evoluem no tempo so representados pela seguinte distribuio
condicional
16
estados tiveram os seus pais restringidos, as variveis de evidncia tambm passaro pelo
mesmo processo, fazendo com que as variveis de evidncia dependam apenas do estado
atual.
P ( Et| X 0 :t , E0 : t1 ) =P (Et X t )
(3)
2.3.2 Inferncia em modelos temporais
A inferncia pode ser dividida em tarefas diferentes, sendo estas, Filtragem,
Previso e Suavizao.
P(X t +k e1 : t ) .
P ( X k|e 1 :t ) .
(4)
17
onde f uma funo de avaliao recursiva. O clculo do valor futuro composto de duas
partes. A primeira parte a distribuio de estado atual projetado do tempo t para o tempo t
+ 1, e em seguida o valor obtido atualizado utilizando-se da nova evidncia e t+ 1 .
O procedimento utilizando-se das duas fazes pode melhor visualizados nas
representaes algbricas a seguir:
P ( X t +1e 1 :t +1 )=P( X t +1 ,e 1 :t ,e t +1)
O fator usado, trata-se de uma constante de normalizao, usada para garantir que a soma
dos resultados ir retornar um valor igual a 1. O procedimento de duas partes pode ser
visualizado da seguinte forma, o segundo termo da expresso,
P ( e1 : t +1| X t +1 ) ,
X t , podemos
(5)
sendo que no somatrio temos a representao do modelo de transio (primeiro fator) e a
distribuio do estado atual (segundo fator) (RUSSELL NORVIG, 2003).
2.3.4 Suavizao
O processo de suavizao trata-se do processo de calcular a distribuio de
probabilidade sobre os estados anteriores, levando-se em consideraes as evidencias at o
presente momento,
18
e a segunda utiliza-se as evidencias restantes (k+1 at t). Com isso temos as seguintes
relaes:
P ( X k e1 : t )=P (X k , e k , e k+1 : t )
P ( X k e1 : k ) P(X k+1 :t X k e 1 :k )
P ( X k e1 : k ) P ( e k+1 :t|X k )
=
(6)
onde temos duas funes, que calculam os valores suavizados, a primeira
f 1:k
faz o
calculo para frente, da mesma forma como feito no processo de filtragem, dessa forma
para essa parte pode-se usar o processo de filtragem estudado anteriormente. A segunda
parte ( bk +1 :t ) utiliza-se de uma funo recursiva para trs, partindo de t at
k+1.
Para essa
X k , ento obtemos a
seguinte relao:
P ( e k+1 :t X k )= P ( e k+1 : t X k , X k+1 ) P( X k+1 X k )
X k+ 1
X k+ 1
X k+ 1
ek +2 :t X k +1
e k+1 : t|X k +1 ) P( ) P(X k+1 X k )
=
P
(7)
X k+ 1
Da relao final obtida temos que o primeiro e o terceiro termo segue o modelo, ou seja,
P ( e k+1 :t X k+1 )
P( X k+1X k )
trata-se do
19
sistema ocorre de forma indireta, como funo probabilstica da transio entre os estados
definidos num espao de estados discreto e finito. Por mais que conheamos todos os
parmetros do modelo, continua oculta a evoluo do processo de Markov. Em outras
palavras, no se sabe qual o caminho ou sequncia de passos exatos que levaram a uma
determinada observao.
Para um modelo ser Oculto de Markov ele deve apresentar as seguintes
caractersticas:
1. Um espao de estados S =
S 1 , S2 , S 3 , , Sn
2. Um conjunto de observveis Y = Y 1 ,Y 2 , Y 3 , , Y n
3. Uma varivel estocstica Q a assumir valores do espao de estados S em diferentes
instantes de tempo
4. Uma varivel estocstica O a assumir valores do conjunto de observveis Y em
diferentes instantes de tempo
5. Uma distribuio de probabilidade inicial para cada estado
= { i } , tal que
q0=si
)
i=P
. Uma distribuio de probabilidade de transio entre estados
aij =P(qt =s iq t1 s i)
7. Uma distribuio de probabilidade de observao
oij ( k )=P( Ot= y k qt 1=si , qt =s i )
si
para o estado
sj .
2.4.1 Algoritmos Matriciais simplificados
Quando o sistema usado apresenta uma nica varivel de estado
podemos chegar a uma forma concreta para o modelo de transio e modelo de sensores a
partir de mensagens para frente e para trs. Assumindo que a varivel
X i , composta
por valores inteiros que variam de 1,..,S, onde S o nmero de estados disponveis,
obtemos a seguinte relao para o modelo de transio
conceito de matrizes.
P( X t X t1) , utilizando-se do
20
T ij =P ( X t= j| X t 1 =1 )
onde T ij a probabilidade de ocorrer uma transio i para o estado
Uma vez que os valores de evidncia
et
j .
e t , precisa-se
(8)
f 1 : t +1=O t+1 T f 1 :t
E a equao para trs definida por:
bk +1 :t =k +1 b k+2 : t
(9)
f t :t . E depois executa-se a para trs para b e f de uma nica vez. Com isso
obtm-se os valores das estimativas suavizadas para cada passo (RUSSELL NORVIG,
2003).
2.4.2 Filtros de Kalman
O filtro de Kalman um conjunto de equaes matemticas que oferece uma
eficiente soluo computacional para estimar os estados de um sistema linear dinmico
perturbado por rudo gaussiano branco. O filtro age de forma a minimizar o erro mdio
quadrado, que a diferena entre o estado predito e o atual. Dado um valor inicial, o filtro
prediz o prximo estado e, baseado na leitura do estado, atualiza a predio e minimiza o
erro em cada atualizao.
Para a utilizao do filtro de Kalman necessrio que se tenha densidades
condicionais adequadas, a fim de obter-se uma boa representao dos modelos de sensores
e de transio. Para isso so usadas as distribuies gaussianas lineares, que possuem
como caracterstica principal a distribuio gaussiana multivariada. Onde est, possui
media
21
F ( k , k 1 )
(12)
estado, a qual mostra como ocorre a transio do estado k-1 para o estado k, w(k) um
rudo do sistema e o k o fator de interao do filtro de Kalman.
O filtro de Kalman tambm trabalha com um conjunto de dados observados (vetor
de medio), conhecidos como sensores, esse conjunto de dados mapeado a partir da
seguinte relao:
y ( k )=h ' ( k ) x ( k1 ) +e ( k )
(13)
onde y(k) representa o vetor de medio dos sinais analticos, h(k) a funo que relaciona
os vetores de estados com os sinais analticos e o e(k) trata-se do rudo de medio. Uma
importante ratificao a ser feita que os rudos w(k) e e(k) so normalmente distribudos
com mdia zero e covarincia Q e R respectivamente. Uma vez que a concentrao dos
analitos no variar no tempo a covarincia do sistema considerada nula, ento Q = 0
(VINHAL, 2013) (CRDENAS, 2013).
O algoritmo do filtro de Kalman tem o seu desenvolvimento baseado em duas
etapas, predio e atualizao, na fase de predio o estado atual estimado com base no
estado anterior. Na fase de atualizao o estado predito atualizado de a acordo com a
leitura do estado em tempo real. Como forma de ajustar o vetor de estado predito e o
atualizado utilizado o ganho de Kalman dado por:
g ( k )=P ( k 1 ) h ( k ) [h' ( k ) P ( k 1 ) k ( k ) +r (k )]1
(14)
22
Uma vez que a matriz de covarincia do sistema j foi atualizada e o ganho de Kalman
identificado, faz-se a atualizao do vetor de estados pela relao a seguir:
x ( k )=x ( k1 ) + g ( k ) [ y ( k )h' ( k ) x(k1)]
(15)
r (1)
h ( 1 ) h(1)
'
23
em
vrios
contextos
problemas
devido
suas
vantagens.
24
comportamento das tcnicas usadas. Para isso calculou-se a rea abaixo da curva ROC, e
o valor encontrado, define se a tcnica teve um comportamento satisfatrio de acordo com
a Tabela 1.
Tabela 1- Valores de rea abaixo da curva ROC associado as respectivas qualidades [Cabella, 2008].
Qualidade
Pssima
Ruim
Regular
Boa
Excelente
4 - RESULTADOS
Os resultados desenvolvidos at o momento encontram-se dispostos em duas partes,
sendo a primeira os dados de fMRI gerados a partir de simulao e os resultados obtidos
com a implementao dos modelos de inferncia probabilstica.
Para os dados de fMRI primeiramente, realizou-se simulaes referentes ao sinal
(FRH) e ao rudo, separadamente, e aps isso juntou-se os dois sinais para formar as series
temporais. Ao simular a FRH pode-se constatar a teoria que retrata a FRH como uma
funo representativa do aumento da atividade neuronal. Onde a sua forma esta associada
ao grau de atividade neural, ou seja, se a intensidade da atividade neural aumenta tambm
ira ocorrer um aumento na altura do valor de pico do sinal BOLD da FRH, e da mesma
25
1
0.8
Ampltude
0.6
0.4
0.2
0
-0.2
-0.4
10
20
30
Tempo (seg)
40
50
60
1
0.8
Ampltude
0.6
0.4
0.2
0
-0.2
-0.4
10
20
30
40
Pontos no Tempo
50
60
70
26
Rede Crie
Dordedente
~dordedente
Botico
~botico
Botico
~botico
Crie
0,108
0,012
0,072
0,008
~crie
0,016
0,064
0,144
0,576
Os
resultados
obtidos
no
processo
de
execuo
para
uma
consulta
Nmero de iteraes
Resultado
100
0,3277
1.000
0,3752
10.000
0,3702
100.000
0,3650
Como forma de comprovar o que os resultados obtidos com o algoritmo tm uma
boa
preciso,
calculou-se
qual
seria
valor
terico
para
consulta
P ( dordedente|botico )=
P(dordedente botico)
P (botico)
(2)
Como resultado terico foi obtido o seguinte valor.
27
P ( dordedente|botico )=
0,124
=0,3647
0,34
Com o valor terico obtido nota-se que o algoritmo consegue obter resultados
prximos ao resultado ideal a medida que o numero de interaes aumenta. Para melhor
comprovar essa ideia foram feitas algumas outras execues utilizando-se novas consultas,
e os resultados obtidos esto ilustrados na tabela 4.
Tabela 4 - Comparao dos resultados tericos e obtidos a partir do algoritmo para algumas consultas
diferentes.
Consulta
Valor Real
Programa
P ( carie|dordedente )
0,6
0,5986
P ( carie|botic o )
0,529
0,5295
P ( dordedente|carie )
0,6
0,6008
P ( dordedente|botic o )
0,365
0,3646
P ( botic o|carie )
0,9
0,9011
P ( botic o|dordedente )
0,62
0,6211
28
Figura 9 - a) Resultado retornado pelo filtro de Kalman usando um rudo de medio de 1dB e b)
usando um rudo de 0.1 dB.
Nos resultados obtidos observa-se que quando o rudo de medio prximo zero,
o filtro de Kalman tem um resultado timo (na prtica os nveis de rudo so elevados),
para um rudo mais elevado o algoritmo consegue reconstruir o sinal com uma preciso
satisfatria. Uma vez que os resultados obtidos, pelas tcnicas em questo, foram
29
satisfatrios espera-se que o mesmo comportamento prossiga quando usado dados reais
como entrada.
Os dados de fMRI so formados por um grande volume de informaes, como
disponibilizado na fig. 10-a. Esses dados so formados por variveis pertencentes a serie
temporal (voxel). Ao aplicar o filtro de Kalman a cada uma das variveis que formam a
serie temporal obteve-se o sinal apresentado na fig. 10-b.
O resultado obtido a partir do filtro de Kalman foi submetido a um processo de
correlao (correlao entre as variveis da serie temporal e o sinal a priori, a varivel com
maior correlao foi escolhida como sinal padro), com o intuito de obter a varivel da
serie que apresenta a melhor correlao com o sinal de HRF a priori.
30
Esse fato pode tambm ser observado quando comparado a PDF e a curva ROC
para os dados em questo, apresentado na fig. 12-a e 12-b. Ao observar a PDF, fig. 12-a,
nota-se que existe uma pequena relao sinal rudo (o sinal azul encontra-se pouco
entrelaado com o sinal vermelho), ou seja, a quantidade de rudo que est a perturbar o
sinal muito baixa, dessa forma esperava-se um melhor comportamento da tcnica em
questo. Porm ao observar a curva ROC, percebe-se que o resultado foi muito ruim, pois a
curva ROC encontra-se em um formato de uma reta, sendo que quanto maior for a
curvatura da curva melhor a qualificao da tcnica.
31
5 - CONCLUSES
O conjunto de simulaes realizadas a partir dos modelos levantados na literatura
mostrou que o volume de dados de fMRI possui uma grande quantidade de rudos o que
dificulta no processo de extrao do sinal de interesse, FRH. Por serem grandes volumes de
dados os dados de fMRI apresentam algumas outras dificuldades relacionada ao
32
6 REFERNCIAS BIBLIOGRFICAS
STUART, R., PETER N., Inteligncia Artificial: Uma abordagem moderna. 2a. Ed.
Elsevier Editora. 2003
BORGES, J. P. V.; PADILHA, T. P. P.. Modelagem do Processo de Aprendizado
Colaborativo Atravs de Redes Bayesianas. In: VII ENCONTRO DE ESTUDANTES
DE INFORMTICA DO ESTADO DO TOCANTINS, 2005, Palmas. Anais Palmas:
2005.
MINGOTI, S. A.. Anlise de Dados de Mtodos de Estatstica. UFMG, 2007.
JOLLIFER, I.T.. Principal Component Analysis. 2 ed.Spring Verlag, New York, 2005.
MANLY, B. J. F.. Mtodos Estatsticos Multivariados. Traduo de Sara Ianda Correa
Carmona. Porto Alegre: Bookman, 2005.
33
VICINI, L.. Anlise multivariada da teoria pratica. Santa Maria, 2005: UFSM, CCNE.
CABELLA, B. C. T.. Inferncia Estatstica em Mtodos de Analise de Ressonncia
Magntica Funcional. Ribeiro Preto, 2008. Dissertao (Mestrado: Fsica Aplicada
Medicina e Biologia). Programa de Ps-Graduao em Fsica Aplicada Medicina e
Biologia. Faculdade de Filosofia, Cincias e Letras de Ribeiro Preto da Universidade de
So Paulo.
COSTA, G. G. de O.. Um procedimento inferencial para anlise fatorial utilizando as
tcnicas Bootstrap e Jackknife: construo de intervalos de confiana e testes de
hipteses. Rio de Janeiro, 2006. Tese (Doutorado: Engenharia Eltrica). Programa de PsGraduao em Engenharia Eltrica do Departamento de Engenharia Eltrica da PUC-Rio.
Pontifcia Universidade Catlica - PUC.
ARAJO, D. B.. fMRI e MEG. So Paulo, 2001. Dissertao (Doutorado: Fsica aplicada
medicina e Biologia). Departamento de Fsica e Matemtica. Universidade Federal de So
Paulo.
STURZBECHER, M. J.. Deteco e caracterizao da resposta hemodinmica pelo
desenvolvimento de novos mtodos de processamento de Imagens Funcionais por
Ressonncia Magntica. Ribeiro Preto, 2006. Dissertao (Mestrado: Fsica aplica
Medicina e Biologia). Faculdade de Filosofia, Cincias e Letras de Ribeiro Preto da USP.
OLIVEIRA, J. A. de. Anlise e Caracterizao do rudo em sinais fMRI. Aracaju, 20112012. Iniciao Cientfica, apoiado pelo Programa Institucional de Bolsas de Iniciao
Cientifica PIBIC/FAPITEC. Universidade Federal de Sergipe.
MAZZOLA, A. A.. Ressonncia magntica: princpios de formao da imagem e
aplicaes em imagem funcional. Revista Brasileira de Fsica Mdica. Rio Grande do
Sul, 2009; 3(1): 117-29.
VINHAL, G. S.. Filtragem e melhoramento de espectros com filtro de Kalman, Revista
ABAKS. Belo Horizonte MG, 2013, v. 1, n. 2, p. 32-44.
34
CRDENAS, J. A. C.. Anlisis y aplicacin del filtro de Kalman a uma seal com ruido
aleatorio. Revista Scientia et Technica Ao XVIII. Pereira-Colmbia, v. 18, n. 1, Abril de
2013.
PINTO, F. P.V.F.. Aplicao do filtro de kalman na auto-localizao de um sistema
robtico autnomo. Porto, 2008. Dissertao (Mestrado: Engenharia Eletrotcnica e de
Computao). Departamento de Engenharia Eletrotcnica e de Computao da Faculdade
do Porto.
NASCIMENTO, J. E. M.. Anlise de Componentes Principais para Classificar
Componentes em Dados fMRI. So Cristvo, 2011-2012. Iniciao Cientfica, apoiado
pelo Programa Institucional de Bolsa de Iniciao Cientfica PIBICVOL/UFS.
OLIVEIRA, J. A. de. Fundamentos para Anlise e Caracterizao de sinais fMRI. So
Cristvo, 2012-2013. Iniciao Cientfica, apoiado pelo Programa Institucional de Bolsa
de Iniciao Cientifica PIBICVOL/UFS.
Anexo
Rede Bayesiana Crie, retirada e alterada de RUSSELL NORVIG, 2003.
35