Search

Engenharia de features é o termo utilizado para definir um conjunto de técnicas utilizado na criação e manipulação de features, tendo como objetivo melhorar o resultado dos algoritmos de machine learning. É um dos passos mais importantes na construção de um modelo. Contudo a engenharia de features não se trata de apenas selecionar as melhores features para um modelo, é um processo que abrange a transformação das features de forma a extrair o maior potencial possível bem como a criação de novas features. Neste trabalho é realizado um estudo sobre métodos de engenharia de features e é desenvolvido um novo método de engenharia de features (TILS) baseado em algoritmos de pesquisa local como o trepa colinas e o ILS – Iterated Local Search. O método desenvolvido é comparado com alguns métodos de engenharia de features existentes e testado com um dataset biológico real. O método desenvolvido tem como objetivo a seleção e criação de novas features para qualquer problema de forma a retirar o melhor proveito possível do dataset. A aplicação do TILS em comparação com os métodos de engenharia de features acabou por ser benéfica e resultou num resultado superior face aos métodos de comparação selecionados.

Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia Ao longo do tempo, descodificar o choro de bebé tem sido um desafio para os pais e, maisrecentemente, para investigadores da área de reconhecimento de padrões. Esta tese focase em fazer progressos no campo do reconhecimento de padrões, explorando a extraçãode features em amostras de áudio de choro de bebé, juntamente com técnicas de seleçãoe redução de features para avaliar que features são considerados mais úteis dentro deum conjunto, estudando o desempenho de abordagens tradicionais de machine learning etrabalhando na construção de uma base de dados de choro de bebé.Para atingir estes objetivos, foi realizada uma análise inicial para entender o estado daarte das abordagens de aprendizagem computacional utilizadas e o mercado atual de aplicações móveis, assim como estudar os features de áudio que tiveram maior impacto noprocesso de extração de features. Além disso, foi desenvolvida uma aplicação móvel emAndroid chamada "BabyCry", com a intenção de criar uma base de dados de choro debebé de tamanho considerável. A ideia era distribuí-la por pais interessados que a usariampara gravar e anotar o choro dos seus bebés e enviá-lo para uma base de dados na nuvem, chamada Firebase. No entanto, apesar de nossos árduos esforços de recrutamento,obtivemos apenas uma aquisição. Posta esta falta de dados, tivemos que utilizar bases dedados disponíveies publicamente, a base de dados Baby Chillanto, que contém 138 registosde choro de bebé, nas seguintes categorias: fome, dor, surdez e asfixia; das quais foramutilizadas apenas as amostras de fome e dor. Também foi utilizado outra base de dadosdenominada Donate-a-Cry, contendo choros de fome, dor, desconforto, cansaço e eructação, porém os resultados obtidos tiveram baixo impacto devido ao visível desequilíbriode classes. Das amostras dessas bases de dados, foram extraídas features de frequência,timbre e intensidade, que, após a aplicação de análise estatística, resultaram num totalde 882 features. Quanto à recolha de dados, o processo de distribuição não correu comoplaneado, devido à baixa adesão ao envio de amostras de áudio, o que levou a uma ligeiramudança de planos para este trabalho.Posteriormente, foram implementados vários classificadores, nomeadamente Support Vector Machines, K-Nearest Neighbours, Random Forest e Minimum Distance Classifier, eo seu desempenho foi comparado num conjunto de experiências, com o objectivo de inferir o classificador que poderia produzir os melhores resultados mais rapidamente. Nestetrabalho experimental foram aplicadas algumas técnicas de seleção de features, nomeadamente a remoção de features de baixa variância, a correlação de Pearson e o algoritmoMinimum Redundancy Maximum Relevance, assim como a técnica de redução de featuresdenominada Principal Component Analysis, com o objectivo de estudar seu impacto. Dasexperiências realizadas, o melhor resultado foi obtido pelo classificador SVM com um kernel RBF, alcançando uma exatidão de 78,08%±8,81% quando lhe foi fornecido 50 featuresextraídas e selecionadas da base de dados Baby Chillanto sem recorrer à PCA. Tambémse obtiveram bons resultados quando se usou o classificador K-NN quando lhe fornecido21 features extraídas, selecionadas e reduzidas pelo uso de PCA das amostras da base dedados Baby Chillanto, alcançando uma exatidão de 78,03%±11,03 % e o melhor f1-scorede choro de dor de 73,34%±14,41%.Estudos anteriores obtiveram melhores resultados em termos de exatidão usando estesclassificadores. Isso pode ser justificado pelo fato de os referidos estudos possuírem umabase de dados privada maior, uma vez que a maioria coletou as próprias amostras. Aoutilizar a base de dados Donate-a-Cry, também foi demonstrado que os estudos tambémpodem inadvertidamente induzir em erro ao mostrar apenas os resultados de exatidão, umavez que bases de dados desequilibradas, como foi o caso, tendem a fornecer bons resultados de exatidão, mas se se usarem outras métricas, como o f1-score, pode-se observar que ummodelo pode ser treinado para apenas prever corretamente a classe em maioria. Throughout time, decoding baby cry has been a challenge for parents and, more recently,for researchers in the field of pattern recognition. This thesis focuses on making progresson the field of pattern recognition, by exploring feature extraction from audio samples ofbaby cry, along with feature selection and reduction techniques to assess which featuresare deemed most valuable to have in a feature set, studying the performance of traditionalmachine learning approaches and building a database of baby cry.To achieve these goals, an initial analysis was conducted to understand the state of theart regarding the machine learning approaches used and the current mobile applicationmarket, as well as studying the audio features that had a major impact in the featureextraction process. In addition, an Android mobile application named "BabyCry" wasdeveloped with the intent to create a sizeable annotated baby cry database. The idea wasto distribute it to interested parents who would use it to record and annotate the cry oftheir babies and send it to a cloud database, namely Firebase. However, despite our hardrecruitment efforts, we obtained only one acquisition. As such, we had to employ a publiclyavailable dataset, the Baby Chillanto database, which contains 138 recordings of baby cry,on the following categories: hunger, pain, deafness and asphyxia; from which only thesamples of hunger and pain were used. Another database named Donate-a-Cry was alsoused, containing cries of hunger, pain, discomfort, tiredness and eructation, however theresults obtained had a low impact due to the evident class imbalance. From the samplesof these databases, frequency, timbre and intensity features were extracted, which, afterapplying statistical analysis, resulted in a total of 882 features. As for the data collection,the distribution process did not go as planned due to a low adherence to the submissionof audio samples, which resorted in a slight shift in plans for this work.Afterwards, several classifiers were implemented, namely Support Vector Machines, KNearest Neighbours, Random Forest and Minimum Distance Classifier, and their performance was compared in a set of experiments, with the purpose of inferring the classifierthat could deliver the best results more swiftly. In this experimental work, some feature selection techniques were applied, namely the removal of low variance features, thePearson correlation and Minimum Redundancy Maximum Relevance algorithm, as well asthe feature reduction technique called Principal Component Analysis, with the purpose ofstudying their impact. From the experiments performed, the best result was obtained bythe SVM classifier with an RBF kernel, achieving a 78.08%±8.81% classification accuracywhen fed 50 features extracted and selected from the Baby Chillanto database withoutthe use of PCA. Similar good results were also obtained by the K-NN classifier when fed21 features extracted, selected and reduced by the use of PCA from the Baby Chillantodatabase, achieving a classification accuracy of 78.03%±11.03% and the highest f1-scoreof pain cry of 73.34%±14.41%.Previous studies have achieved better results in terms of accuracy using these classifiers.This can be justified by the fact that said studies had a larger private database, since theymostly conduct their own sample collection. When using the Donate-a-Cry database, iswas also shown that studies may also unknowingly mislead by only showing the accuracyresults, given that imbalanced datasets, as it was the case, tend to provide good accuracyresults, yet if other metrics, such as the f1-score, are used, it can be seen that a modelmight be trained to only predict the majority class correctly.

Submitted by Ana Rebelo (amsr@isep.ipp.pt) on 2020-04-02T15:13:24Z No. of bitstreams: 1 DM_PauloRodrigues_2020_MEEC.pdf: 41708665 bytes, checksum: c39c00791789fb184a3b0d7e1cda6601 (MD5) Approved for entry into archive by Ana Rebelo (amsr@isep.ipp.pt) on 2020-04-02T15:14:11Z (GMT) No. of bitstreams: 1 DM_PauloRodrigues_2020_MEEC.pdf: 41708665 bytes, checksum: c39c00791789fb184a3b0d7e1cda6601 (MD5) Made available in DSpace on 2020-04-02T15:14:11Z (GMT). No. of bitstreams: 1 DM_PauloRodrigues_2020_MEEC.pdf: 41708665 bytes, checksum: c39c00791789fb184a3b0d7e1cda6601 (MD5) Previous issue date: 2020

Dissertação de Mestrado em Bioquímica apresentada à Faculdade de Ciências e Tecnologia Devido à relevância das interações proteicas nas diferentes funções celulares, é importante conseguir detetar a existência das mesmas. Como os métodos computacionais conseguem lidar com um grande número de dados de forma rápida, têm sido muito usados na previsão das interações proteína-proteína. Dessa forma esta tese pretende, com o recurso a novas features, desenvolver um método que melhore a performance da previsão de interações proteicas num dataset aleatório. O resultado destas pesquisas foram três novas abordagens de extração de features sendo elas o recurso a bases de dados de inibidores, o recurso a redes de co-expressão génica e o recurso a módulos de reconhecimento peptídico. Destas três, devido à maior simplicidade e praticabilidade, desenvolveu-se estudos usando a última abordagem enunciada, recorrendo nomeadamente aos domínios SH3, SH2, PDZ, WW e LRR. Para saber se estes domínios são uma boa fonte de features e que podem ser usados utilizando qualquer dataset, analisaram-se os mesmos na deteção de novas interações entre proteínas que não os possuem. Assim no decorrer do trabalho desta tese foram criadas três estratégias, a primeira baseava-se na extração de features pelo software PyDPI (fazendo uso dos descriptors AAC, CTD, Moranauto, QSO, SOCN e CT) e na avaliação da performance dos datasets por descriptor; a segunda estratégia recorreu às mesmas features mas avaliou a performance em datasets com todos os descriptors; a terceira estratégia avaliou a performance como a segunda estratégia mas usando features criadas para o artigo “A Sequence-Based Mesh Classifier for the Prediction of Protein-Protein Interactions". As duas primeiras estratégias foram postas de parte devido a metodologia incorreta e a valores pouco significativos. A terceira estratégia apesar de ter sido efetuada de uma forma bastante controlada também resultou em valores pouco significativos, pelos que se aconselha ao prosseguimento do estudo desta abordagem com novas estratégias e features. Due to the relevance of protein interactions in different cellular functions, it is important to be able to detect their existence. Because computational methods can handle large numbers of data quickly, they have been widely used in predicting protein-protein interactions. Thus, this thesis intends, with the use of new features, to develop a method that improves the predictive performance of protein interactions in a random dataset. The results of these researches were three new approaches of extraction of features, being: the use of databases of inhibitors, the use of gene co-expression networks and the use of peptide recognition modules. Of these three, due to the greater simplicity and practicality, studies were developed using the last approach enunciated, resorting in particular to the SH3, SH2, PDZ, WW and LRR domains. In order to know if these domains are a good source of features and that can be used using any dataset, they were analyzed in the detection of new interactions between proteins that do not possess them. Thus, in the course of the work of this thesis three strategies were created, the first one was based on the extraction of features by the software PyDPI (making use of descriptors AAC, CTD, Moranauto, QSO, SOCN and CT) and in the performance evaluation of datasets by descriptor ; the second strategy resorted to the same features but evaluated the performance in datasets with all descriptors; the third strategy evaluated performance as the second strategy but using features created for the article "The Sequence-Based Mesh Classifier for the Prediction of Protein-Protein Interactions." The first two strategies were set aside due to incorrect methodology and poor values. The third strategy, despite being carried out in a very controlled manner, also resulted in insignificant values, for which it is advisable to continue the study of this approach with new strategies and features.

Submitted by Diogo Barreiros (diogo.barreiros@ufba.br) on 2017-06-02T17:34:16Z No. of bitstreams: 1 template-msc.pdf: 7779839 bytes, checksum: 3727636ba3903e44e4de17aefcf68481 (MD5) Approved for entry into archive by Uillis de Assis Santos (uillis.assis@ufba.br) on 2017-06-07T18:25:00Z (GMT) No. of bitstreams: 1 template-msc.pdf: 7779839 bytes, checksum: 3727636ba3903e44e4de17aefcf68481 (MD5) Made available in DSpace on 2017-06-07T18:25:00Z (GMT). No. of bitstreams: 1 template-msc.pdf: 7779839 bytes, checksum: 3727636ba3903e44e4de17aefcf68481 (MD5) O câncer de mama é considerado a segunda neoplasia responsável por mais mortes em mulheres no mundo. Para a prevenção e redução desse número, a mamografia de screening é o exame mais utilizado para detecção de nódulos em estágios iniciais. A partir desse exame, o radiologista pode analisar as anomalias e a partir disso desenvolver um diagnóstico. Para aumentar a acurácia dos resultados obtidos a partir das imagens de mamografia, estão sendo desenvolvidos softwares de auxílio à diagnóstico computer-aided diagnosis capazes de automatizar o processo de análise da imagem e extrair informações relevantes para a classificação dos nódulos presentes nos exames. Esse trabalho apresenta duas novas metodologias para extração de features e classificação de massas e não-massas,s a partir da Entropia de Tsallis extraídas através da matriz de co-ocorrência (GLCM) e através da matriz de valores singulares (SVD) da imagem de mamografia, alcançando uma acurácia máxima de 91.3% Breast cancer has been considered the second neoplasia responsible for women’s death in the last few years. To prevent and to reduce these statistics, screening mammography has been used as the most important exam to detect nodules on initial stages. From this exam, the radiologist can analyze anomalies and to provide some diagnostic. To improve the results accuracy rate from mammography images, computer-aided diagnosis softwares have been developed with the ability to automate the image analyses processing and to extract relevant information for mass classifications on screening exams. This work presents two new methodologies for feature extraction for mass and non-mass classification, based on Tsallis entropy calculated from gray level cooccurrence matrix (GLCM) and from singular value decomposition (SVD), reaching the best accuracy rate of 91.3%.

Submitted by Diogo Barreiros (diogo.barreiros@ufba.br) on 2017-06-02T17:34:16Z No. of bitstreams: 1 template-msc.pdf: 7779839 bytes, checksum: 3727636ba3903e44e4de17aefcf68481 (MD5) Approved for entry into archive by Uillis de Assis Santos (uillis.assis@ufba.br) on 2017-06-07T18:25:00Z (GMT) No. of bitstreams: 1 template-msc.pdf: 7779839 bytes, checksum: 3727636ba3903e44e4de17aefcf68481 (MD5) Made available in DSpace on 2017-06-07T18:25:00Z (GMT). No. of bitstreams: 1 template-msc.pdf: 7779839 bytes, checksum: 3727636ba3903e44e4de17aefcf68481 (MD5) O câncer de mama é considerado a segunda neoplasia responsável por mais mortes em mulheres no mundo. Para a prevenção e redução desse número, a mamografia de screening é o exame mais utilizado para detecção de nódulos em estágios iniciais. A partir desse exame, o radiologista pode analisar as anomalias e a partir disso desenvolver um diagnóstico. Para aumentar a acurácia dos resultados obtidos a partir das imagens de mamografia, estão sendo desenvolvidos softwares de auxílio à diagnóstico computer-aided diagnosis capazes de automatizar o processo de análise da imagem e extrair informações relevantes para a classificação dos nódulos presentes nos exames. Esse trabalho apresenta duas novas metodologias para extração de features e classificação de massas e não-massas,s a partir da Entropia de Tsallis extraídas através da matriz de co-ocorrência (GLCM) e através da matriz de valores singulares (SVD) da imagem de mamografia, alcançando uma acurácia máxima de 91.3% Breast cancer has been considered the second neoplasia responsible for women’s death in the last few years. To prevent and to reduce these statistics, screening mammography has been used as the most important exam to detect nodules on initial stages. From this exam, the radiologist can analyze anomalies and to provide some diagnostic. To improve the results accuracy rate from mammography images, computer-aided diagnosis softwares have been developed with the ability to automate the image analyses processing and to extract relevant information for mass classifications on screening exams. This work presents two new methodologies for feature extraction for mass and non-mass classification, based on Tsallis entropy calculated from gray level cooccurrence matrix (GLCM) and from singular value decomposition (SVD), reaching the best accuracy rate of 91.3%.

Este estudo tem como objetivo identificar atividades diárias de diferentes pessoas com recurso a métodos de classificação supervisionados. Neste sentido, começou-se por analisar várias tecnologias associadas à captura e análise do movimento humano, tais como sensores (e.g., inertial measurement unit) e câmaras de filmar (e.g., RGB, infravermelhos e time-of-flight). A revisão da literatura indica claramente que, contrariamente ao uso das câmaras de filmar, a tecnologia wearable tende a ser mais adequada para a análise cinemática de movimentos desportivos. Este tipo de tecnologia permite ainda obter uma estimativa da orientação e produção de movimento dos membros superiores e inferiores com elevado nível de precisão e exatidão, bem como imunidade a ângulos mortos, aumentando deste modo a quantidade e qualidade da informação obtida. Tendo isto presente, este trabalho apresenta uma metodologia para classificar atividades diárias do movimento humano com recurso a um fato sensorial (wearable), Ingeniarius FatoXtract. O desempenho da solução proposta é ainda comparado com a utilização de uma câmara time-of-flight, Microsoft Kinect v2. A metodologia proposta considera a integração probabilística de três classificadores: o Naïve Bayes, as Redes Neuronais Artificiais e as Máquinas de Vetor de Suporte. Com vista a alcançar um desempenho superior na classificação geral do movimento, foram consideradas diversas features no domínio do tempo (e.g., velocidade) e no domínio da frequência (e.g., Transformada Rápida de Fourier), combinado com as tradicionais features geométricas (e.g., posição angular das juntas). Realizou-se a aquisição de dados de cinco atividades comuns do dia-a-dia, realizadas por seis participantes com repetições de 20 ensaios cada, usando o FatoXtract e o Kinect v2. O conjunto de dados foi projetado para ser extremamente desafiador, uma vez que a duração das atividades varia drasticamente e algumas atividades são muito semelhantes (e.g., lavar os dentes e acenar).

Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia da Universidade de Coimbra The world of Internet grows up every day. There are a large number of web pages actives at this moment and more are released every day. It is impossible to perform the web page classification manually. It was already developed several approaches in this area. Most of them only use the text information contained in the web pages, ignoring the visual content of them. This work shows that the visual content can improve the accuracies of the classifications that only use the text. It was extracted the text features of the web pages using the term frequency inverse document frequency method. As well, it was also extracted two different types of visual features: the low-level features and the local SIFT ones. Since the amount of the SIFT features is extremely high, it was created a dictionary using the “Bag-of-Words” method. After this extraction the features were merged, using all the types of combinations of them. It was also used the Chi-Square method that selects the best features of a vector. In the classification it was used four different classifiers. It was implemented a multi-label classification, for which we gave unknown web pages to the classifiers, so they could predict the main topic of the web page. It was also implemented a binary classification, for which we used only visual features to verify if a web page was a blog or non-blog. It was obtained good results that shows that adding the visual content to the text the accuracies improve. The best classification it was obtained using only four different categories, where was achieved 98% of accuracy. Later it was developed a web application, where the user can find out the main topic of a web page only inserting the web page URL. It can be accessed in ”http://scrat.isr.uc.pt/uniprojection /wpc.html”. O mundo da internet cresce a cada dia que passa. Existe um enorme numero de p´aginas web activas neste preciso momento e muitas mais s˜ao lan¸cadas a cada dia que passa. E impossivel ´ realizar uma classifica¸c˜ao manual destas p´aginas web. J´a foram realizados diversos trabalhos nesta ´area. A maioria delas apenas utiliza a informa¸c˜ao do texto da p´agina web, ignorando o conte´udo visual das mesmas. Neste trabalho mostramos que o conte´udo visual melhora as precis˜oes dos classificadores que utilizavam apenas texto. Para isso foram extra´ıdas caracter´ısticas de texto das p´aginas web utilizando o m´etodo term frequency-inverse document frequency. Foram extra´ıdos dois tipos de caracter´ısticas visuais: as caracter´ısticas low-level e as caracter´ısticas locais SIFT. Sendo que o n´umero de caracter´ısticas SIFT ´e extremamente alto, foi criado um dicion´ario utilizando o m´etodo “Bag-of-Words”. Depois de exta´ıdas, foram feitas todas as combina¸c˜oes poss´ıveis entre estes trˆes tipos de caracter´ısticas. Foi utilizado tamb´em o m´etodo Chi-Square que seleciona as melhores caracter´ısticas. Na classifica¸c˜ao, foram utilizados quatro classificadores diferentes. Foi realizada uma classifica¸c˜ao multi-label, onde introduzindo p´aginas web desconhecidas pelos classificadores, os mesmos previam o t´opico principal dessa p´agina. Foi tamb´em realizada uma classifica¸c˜ao bin´aria onde apenas foram utilizadas as features visuais para verificarem se uma p´agina web ´e um blog. Foram obtidos bons resultados que mostram que realmente adicionando o conte´udo visual ao texto, as precis˜oes dos classificadores melhoram. A melhor classifica¸c˜ao foi obtida quando utilizadas apenas quatro categorias diferentes, onde foi obtida uma precis˜ao de 98%. Posteriormente foi desenvolvida uma aplica¸c˜ao web com o objectivo de um utilizador conseguir descobrir qual o t´opico principal de uma p´agina web apenas inserindo o seu URL. Pode ser acedida em “http://scrat.isr.uc.pt/uniprojection/wpc.html”.