Search

Conselho Nacional de Desenvolvimento Científico e Tecnológico The study aimed to evaluate the yield, chemical composition, yield and morphological characterization of seeds of annual ryegrass (Lolium multiflorum Lam) with two nitrogen sources: urea (nitrogen source most widely used and in Brazil, mainly in the south) and ammonium sulfate (source little used by producers, with virtually no loss by volatilization of nitrogen applied dressing), the nitrogen rate of zero, 100, 200, 300 and 400 kg ha- ¹, the agricultural year of 2009. Each treatment received one to three fresh cuts before the deferral for seed production in order to simulate a grazing situation, for ratings of productivity and chemical composition of pasture. The experimental design was randomized blocks. Based on the results did not differ between the sources used for the variables total dry matter, crude protein, acid detergent fiber, neutral detergent fiber, seed yield, number of spikelets per ear, ear length and spikelet number of seeds and length of seeds in three sections. The dose that gave the best response for most of the variables was 400 kg ha-¹ independent of nitrogen source used and the use of pasture with up to three cuts shows no decrease in quality and productivity of the same, but significantly affects the components of seed yield. Based on the variables may be concluded that there was no difference between the applied sources, then the ammonium sulfate had a similar response to urea can then be used as an alternative source of nitrogen. O trabalho teve por finalidade avaliar a produtividade, composição bromatológica, rendimento e caracterização morfológica de sementes da forragem de azevém anual (Lolium multiflorum Lam.), com duas fontes de nitrogênio: uréia (fonte de nitrogênio mais difundida e utilizada no Brasil, principalmente no Sul do país) e sulfato de amônio (fonte pouco utilizada pelos produtores, com perda praticamente nula por volatilização de nitrogênio aplicado em cobertura), nas doses de nitrogênio (N) de zero, 100, 200, 300 e 400 Kg ha-¹, no ano agrícola de 2009. Cada tratamento recebeu de um a três cortes na matéria fresca antes do diferimento para a produção de sementes, a fim de simular uma situação de pastejo. O delineamento experimental adotado foi blocos ao acaso, seno quatro blocos e três repetições. Com base nos resultados obtidos não houve diferença estatística significativa entre as fontes de nitrogênio utilizadas para as variáveis: matéria seca total, proteína bruta, fibra detergente ácida, fibra detergente neutro, rendimento de sementes, número de espiguetas por espiga, comprimento de espiga e espigueta, número de sementes e comprimento de sementes. Em relação às doses, a dose de 400 Kg ha-¹ apresentou a melhor resposta para a maioria das variáveis estudadas e a utilização da pastagem com até três cortes não apresenta decréscimos na qualidade e produtividade da mesma, porém afeta significativamente os componentes do rendimento de sementes.

Este artigo apresenta uma proposta de sistema computacional automático para detecção e classificação de transientes epileptogênicos em eletroencefalograma, visando auxiliar no diagnóstico de Epilepsia. Devido à grande variabilidade das morfologias destes eventos, ferramentas convencionais de reconhecimento de padrões não são capazes de distinguir entre a atividade normal e a epileptogênica, e a análise visual é uma tarefa bastante demorada. Então, as ferramentas e métodos normalmente utilizados para detectar estes eventos tentam imitar o procedimento e o raciocínio de especialistas humanos. As detecções falso-positivas representam um grande impedimento para o uso extensivo de sistemas automáticos, por parte de eletroencefalografistas. O sistema proposto aplica Transformada Wavelet para extrair apenas as características epileptogênicas dos sinais de EEG, e um grupo de Redes Neurais Artificiais (RNAs) para distinguir entre eventos tipo espícula e onda aguda da atividade normal de fundo. Duas RNAs são usadas em conjunto, permitindo maior flexibilidade no ajuste da sensibilidade e da especificidade do sistema, como forma de aumentar o desempenho deste. Quando os valores de sensibilidade e especificidade são igualados, o desempenho do sistema atinge 80%. This paper presents an automatic computational system to detect and classify epileptogenic transients in electroencephalogram (EEG), to aid Epilepsy diagnosis. Due to great variability on the morphology of these events, conventional tools of pattern recognition are not able to distinguish between normal and epileptogenic activity, and visual detection is a very time-consuming task. So, tools and methods normaly used to detect these events try to imitate human expertise. False positive detection represents considerable impediment to extensive use of automatic systems by EEG readers. The proposed system applies Wavelet Transform to extract only epileptogenic features from the EEG signals, and a group of specialized Artificial Neural Networks (ANNs) to distinguish spike and sharp wave events from normal background activity. Two ANNs are used cooperatively, allowing greater flexibility in adjusting system's sensibility and specificity, to improve performance. When sensibility and specifity are set to be equal, system's performance achieves 80%.