IGOR ALEXANDRE PEREIRA GAMA

Idiomas

Áreas de atuação

Participação em eventos

Produções bibliográficas

• GAMA, I. A. P. ; SANTOS, O. J. M. ; SIRAVENHA, A. C. Q. . Avaliação da análise espectral de Holo-Hilbert na tarefa de classificação de episódios convulsivos. In: IX Congresso Latino-Americano de Engenharia Biomédica (CLAIB) e o XXVIII Congresso Brasileiro de Engenharia de Engenharia Biomédica (CBEB), 2022, Florianópolis. ProceedingsCLAIB&CBEB2022, 2022. v. 28.

• GAMA, I. A. P. . Data augmentation aplicada à dados de EEG: como a propriedade de equipartição assintótica fraca pode contribuir para a aplicação de dados artificiais na caracterização de episódios convulsivos. 2022. (Apresentação de Trabalho/Seminário).

• GAMA, I. A. P. ; Andrade, K. ; Villacorta, A. ; Carneiro, H. ; Campos, L. . Introdução às ferramentas do Lean. 2021. (Curso de curta duração ministrado/Outra).

Projetos de pesquisa

• 2022 - 2023

  Avaliando diferentes estratégias para aumento de dados aplicada à dados de eletroencefalografia para a caracterização de episódios convulsivos, Descrição: Os trabalhos descritos na literatura que envolvem EEG e episódios epiléticos possuem configurações particulares o que faz com que a união de diferentes bases de dados seja, muitas vezes inviável. O uso de diferentes equipamentos, com variação da quantidade de eletrodos ou no sistema de coordenadas em que eles são dispostos, variação na taxa de amostragem do sinal, presença de ruídos durante a coleta, são algumas das divergências que podem inviabilizar essa construção.Assim, uma parte importante do estudo com bases de dados de EEG é a expansão da base de dados, seja por modelos automáticos ou por estratégias não baseadas em ML. O tema abordado no presente plano de trabalho está concentrado no estudo e implementação de uma estrutura para aumento de dados (data augmentation) para a classificação de episódios convulsivos.Além da geração, a avaliação da usabilidade desses sinais deve ser observada ao longo desse novo período, seja por modelos estatísticos, seja por modelos baseados na detecção de não-linearidade dos dados gerados. O desafio tecnológico desse projeto é patente ao explorar técnicas de propósitos diversos em razão da caracterização de episódios convulsivos.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) / Doutorado: (1) . , Integrantes: Igor Alexandre Pereira Gama - Integrante / Ana Carolina Quintão Siravenha - Coordenador.

• 2021 - 2022

  Data augmentation aplicada à dados de eletroencefalografia: como a propriedade de equipartição assintótica fraca pode contribuir para a aplicação de dados artificiais na caracterização de episódios convulsivos, Descrição: A neurociência é uma área que abrange um conjunto enorme de desafios que, cada vez mais, exige, inovação na utilização de técnicas de processamento de sinais. O registro eletrofisiológico de eletroencefalografia (EEG), são susceptíveis à ruídos, possuem alta dimensionalidade e requerem um custo elevado em termos de software e hardware, devido a limitação do número de amostras. Esses fatores, associados aos avanços tecnológicos, tem direcionado as aplicações para o uso de técnicas de aprendizado de máquina (machine learning - ML) e em particular técnicas de aprendizado profundo (deep learning - DL). Ademais, a disponibilidade de bancos de dados públicos disponibilizados por diversas instituições vem permitindo a implementação e a solução de desafios na engenharia. A identificação de padrões no sinal de EEG através de inspeção visual é uma tarefa demorada e exaustiva, mesmo para para profissionais da área. Assim, a identificação desses padrões de forma automática tornou-se um importante desafio. Neste projeto, é proposto o estudo de modelos de redes adversárias gerativas (Generative Adversarial Networks - GANs) sob a ótica da geração de dados artificiais de EEG. O objetivo principal é verificar como uma GAN aprende o dado de eletroencefalografia de pacientes em episódio convulsivo. O propósito das GANs é oferecer, com confidência, a expansão de base de dados, inclusive de séries temporais, permitindo que modelos de aprendizado profundo não sofram com a falta de dados suficientes para sua generalização. Não obstante, deseja-se investigar a propriedade de equipartição assintótica fraca (Weak Asymptotic Equipartition Property - WAEP) dessas sequências geradas artificialmente. Relacionando tanto dado EEG quanto o dado gerado pela GAN com essa propriedade, poder-se-á caracterizar essas sequências, garantindo a usabilidade desses dados artificiais em aplicações que exijam uma quantidade maior de dados que a disponível originalmente.. Situação: Em andamento; Natureza: Pesquisa.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (2) / Doutorado: (1) . , Integrantes: Igor Alexandre Pereira Gama - Integrante / Otavio Jonas Magalhaes dos Santos - Integrante / Ana Carolina Quintão Siravenha - Coordenador.