Eficiência de diferentes redes neurais para discriminar dados de biomecânica / Efficiency of different neural networks algorithms to discriminate biomechanical data

Este estudo analisou a eficiência de diferentes algoritmos de máquina de vetor de suporte (SVM) para discriminar dados de diferentes sujeitos. Utilizou-se dados previamente coletados de idosos e jovens com 3 coletas por sujeito, em um estudo de controle postural na plataforma de força. Os dados foram analisados a partir da densidade espectral de potência (PSD) do centro de pressão sobre a qual foi aplicada a análise de componentes principais (PCA) para reduzir a dimensionalidade dos dados. A SVM recebeu a PCA com 90% de variância da PSD original e utilizando diferentes núcleos de produto interno calculou a eficiência de cada um para diferenciar grupos com características distintas.A SVM que obteve o melhor desempenho foi a de núcleo Polinomial, com uma eficiência de 90% aproximadamente, no entanto, o resultado é dependente dos dados a serem classificados, e se faz necessário então uma ferramenta que possa utilizar diferentes núcleos.

This study analyze the efficiency of different algorithms of support vector machine (SVM) to discriminate data from different subjects. It was used data previously collected from elderly and young people with 3 collectionsby subject, in a postural control study on a force plate. Data were analyzed from the power spectral density (PSD)of the center of pressure on which was applied principal component analysis (PCA) to reduce the dimensionality ofthe data. The SVM received the PCA with 90% of the variance of the original PSD and using different inner productkernels was calculated the efficiency of each one to differentiate between groups with different characteristics. TheSVM that have the best performances was the Polynomial with an efficiency of 90% approximately, however, the result depends on data to be classified and it is necessary then a tool that can use different cores.

Classificação de coloração imuno-histoquímica combinando cor e textura como descritor / Staining Immunohistochemistry classification blending color and texture as descriptor

O presente trabalho teve por objetivo demonstrar a melhora no desempenho da classificação de coloração imuno-histoquímica em imagens microscópicas, utilizando a abordagem de aprendizado supervisionada que emprega a projeção polinomial da distância de Mahalanobis. Foi definido um descritor de características híbrido, combinando core textura baseada no método Local Binary Pattern, proporcionado inicialmente um descritor 23-dimensional para cada píxel. Uma análise de componentes principais foi realizada e um segundo descritor 12-dimensional foi empregado na avaliação. Os testes foram realizados em imagens e metadados obtidos no The Human Protein Atlas, avaliando uma série de medidas de acerto e erro. Com os resultados encontrados percebeu-se que a utilização do descritor híbrido tornou o processo de classificação mais específico e restritivo nas predições positivas.

This study aimed to demonstrate the improvement in performance of immunohistochemical staining classification in microscopic images using a supervised learning approach that employs the polynomial projection of the Mahalanobis distance. A hybrid feature descriptor was defined by combining color and texture based on Local Binary Pattern method, initially provided a 23-dimensional descriptor, for each pixel. A principal component analysis was performed and a second 12-dimensional descriptor was used in the assay. The tests were performed on images and metadata, obtained on The Human Protein Atlas. With the results it can be seen that the use of hybrid descriptor has made the classification process more specific and restrictive on the positive predictions.

Técnica de mineração de dados: uma revisão da literatura / Técnica de mineración de datos: una revisión de la literatura / Data mining: a literature review

Este artigo teve como objetivo realizar uma revisão da literatura sobre a técnica de mineração de dados (Data Mining - DM) nas bases de dados abrangendo o Literatura Latino-Americana e do Caribe em Ciências da Saúde (LILACS), Scientific Eletronic Library Online (SCIELO) e alguns livros sobre o tema. Buscou-se uma coleta ampla utilizando as palavras data mining e mineração de dados, abrangendo o período de 1999 a 2008. Como critérios de exclusão foram utilizados os descritores: indústria mineira, minas, mineralogia; foram excluídos artigos que não esclareciam o método e as tarefas relacionadas à mineração de dados. Dos 123 artigos encontrados, 32 foram selecionados. Observou-se que o volume de dados armazenados é gigantesco e continua crescendo exponencialmente. Com isso o processo de Descoberta do Conhecimento em Bases de Dados e DM inclui tarefas e métodos para extração de conhecimento útil, interessante e indispensável na tomada de decisões rápidas nas mais diversas áreas de conhecimento.

The purpose of this study was to conduct a literature review on data mining (DM) technique in the LILACS and SciELO databases and specialized books. A broad data literature search using the words data mining (in English) and/or "mineração de dados" (in Portuguese) and limited to publications between 1999 and 2008, was conducted. The exclusion criteria were the keywords mining industry, mines, mineralogy, and publications that did not describe the methods and the tasks related to data mining. Of 123 publications retrieved, 38 were selected to review. Findings suggest that the existent amount of stored data is titanic and it continue to increase considerably. Thus, the process of knowledge discovery in databases and DM have developed tasks and methods for the retrieval of useful knowledge that may be of interest and necessary for just-in-time decision making in different areas of knowledge.

En este artículo se tuvo como objetivo realizar una revisión de la literatura sobre la técnica de mineración de datos (Data Mining - DM) en las bases de datos que abarcaban la Literatura Latino-Americana y del Caribe en Ciencias de la Salud (LILACS), Scientific Eletronic Library Online (SCIELO) y algunos libros sobre el tema. Se buscó una recolección amplia utilizando las palabras data mining y mineración de datos, en el período comprendido entre 1999 a 2008. Como criterios de exclusión fueron utilizados los descriptores: industria minera, minas, mineralogía; se excluyeron artículos que no aclaraban el método y las tareas relacionadas a la mineración de dados. De los 123 artículos encontrados, 32 fueron seleccionados. Se observó que el volumen de datos almacenados es gigantesco y continúa creciendo exponencialmente. Con eso el proceso de Descubrimiento del Conocimiento en Bases de Datos y DM incluye tareas y métodos para la extracción del conocimiento útil, interesante e indispensable para la toma de decisiones rápidas en las más diversas áreas del conocimiento.