@PhDThesis{Santos:2013:MéSiDi,
author = "Santos, Laurita dos",
title = "M{\'e}todos de Sistemas Din{\^a}micos e Minera{\c{c}}{\~a}o de
Dados para Interpreta{\c{c}}{\~a}o de Sinais N{\~a}o Lineares",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2013",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2013-07-08",
keywords = "Sinais n{\~a}o lineares, Sistemas din{\^a}micos,
Minera{\c{c}}{\~a}o de dados, S{\'e}ries temporais de vento
neutro, S{\'e}ries temporais de intervalos RR, nonlinear signals,
dynamics systems, data mining, wind time series, RR time series.",
abstract = "Neste trabalho analisamos grupos de s{\'e}ries temporais de
Variabilidade da Frequ{\^e}ncia Card{\'{\i}}aca de
indiv{\'{\i}}duos de diversas condi{\c{c}}{\~o}es
cl{\'{\i}}nicas, mas que podem apresentar semelhan{\c{c}}as em
termos de variabilidade; por exemplo, grupos de s{\'e}ries
temporais de rec{\'e}m-nascidos prematuros e de
rec{\'e}m-nascidos normais. Temos por objetivo principal
discriminar o comportamento de sistemas semelhantes atrav{\'e}s
dos grupos de s{\'e}ries temporais usando m{\'e}todos de
sistemas din{\^a}micos e minera{\c{c}}{\~a}o de dados. Os
m{\'e}todos de sistemas din{\^a}micos fornecem {\'{\i}}ndices
dos grupos de s{\'e}ries temporais e que s{\~a}o usados como
padr{\~o}es de entrada para as t{\'e}cnicas de
minera{\c{c}}{\~a}o de dados. As t{\'e}cnicas usadas s{\~a}o
os classificadores de {\'a}rvore de decis{\~a}o e m{\'a}quinas
de vetores de suporte. Para tal, usamos um conjunto de 514
s{\'e}ries temporais de intervalos RR oriundos de tr{\^e}s
diferentes bancos de dados. Uma pr{\'e}-classifica{\c{c}}{\~a}o
do conjunto de s{\'e}ries temporais {\'e} realizada clinicamente
por um m{\'e}dico especialista. Esse conjunto de s{\'e}ries
temporais {\'e} pr{\'e}-processado usando-se a filtragem
convencional (do especialista) e a filtragem adaptativa que
permite o pr{\'e}-processamento de um grande volume de dados.
Aplicamos o mesmo conjunto de m{\'e}todos em outro estudo de
caso, envolvendo tamb{\'e}m sinais n{\~a}o lineares. Esse
segundo estudo de caso {\'e} relacionado {\`a} compreens{\~a}o
do comportamento da alta atmosfera e para tal, usamos s{\'e}ries
temporais de vento neutro, oriundas do banco de dados do INPE.
Esse conjunto {\'e} constitu{\'{\i}}do de 47 s{\'e}ries
temporais e que s{\~a}o classificadas em dois grupos. As
principais contribui{\c{c}}{\~o}es deste trabalho est{\~a}o
relacionadas {\`a} filtragem adaptativa que {\'e} demonstrado
ser estatisticamente equivalente ao processo de filtragem
tradicional. Mostramos tamb{\'e}m que os m{\'e}todos s{\~a}o
capazes de detectar diferen{\c{c}}as entre os sistemas. Al{\'e}m
disso, verificamos que h{\'a} um grupo espec{\'{\i}}fico de
{\'{\i}}ndices (par{\^a}metros do mapa de primeiro retorno e
medida da tend{\^e}ncia central) que detectam diferen{\c{c}}as
entre os sistemas, conforme a compara{\c{c}}{\~a}o dos
v{\'a}rios grupos de s{\'e}ries temporais. ABSTRACT: One way to
study the dynamics of systems is to analyze time series obtained
from these systems. For example, to study the variation of the
nervous system of an individual, we can analyze the time series
related to the heart rate variability. However, we are interested
in the differences between systems that may exhibit similar
dynamics. In this study we aim to characterize the systems
dynamics with dynamics similar using time series methods for
dynamic systems and data mining. To solve this task, we propose a
methodology that links two areas of knowledge: dynamics systems
and data mining methods. In this methodology, the methods of
dynamics systems provide features of groups of time series. These
measures are used as input patterns to the data mining techniques
(decision tree classifiers and support vector machines). We
applied this methodology in 514 RR intervals time serie. This
methodology is employed in another case study, involving another
set of non-linear signals. This second case study is related to
understanding the dynamics of the upper atmosphere and for that,
we can use time series of neutral wind (from INPE database).
Neutral wind time series are detected in the upper atmosphere and
are related to the detection of meteors entering the atmosphere.
This case study consists of 47 series and are classified into two
groups according to location of the wind measuring data. In both
applications noted that the methods are capable of detecting
differences between the systems. Moreover, we verified that a
specific group of measures is able to detect differences between
the systems, according to the comparison of the various classes of
time series.",
affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)}",
committee = "Guimar{\~a}es, Lamartine Nogueira Frutuoso (presidente) and
Macau, Elbert Einstein Nehrer (orientador) and Castro, Joaquim
Jos{\'e} Barroso de (orientador) and Quiles, Marcos
Gon{\c{c}}alves and Godoy, Moacir Fernandes de and Aguirre, Luis
Ant{\^o}nio",
copyholder = "SID/SCD",
englishtitle = "Dynamical systems and data mining methods for interpreting
nonlinear signals",
language = "pt",
pages = "149",
ibi = "8JMKD3MGP7W/3E9TAEB",
url = "http://urlib.net/ibi/8JMKD3MGP7W/3E9TAEB",
targetfile = "publicacao.pdf",
urlaccessdate = "15 jun. 2024"
}