Made available in DSpace on 2014-06-12T16:00:34Z (GMT). No. of bitstreams: 2 arquivo6687_1.pdf: 2452068 bytes, checksum: 64fe79a5e425455b86006bb69bd356e4 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / A Depressão Alastrante (DA) é um fenômeno que ocorre no tecido neural no qual, após a aplicação de um estímulo, uma onda de supressão da atividade elétrica neuronal espontânea se propaga a partir do ponto estimulado em direção às regiões vizinhas. Uma característica que se destaca na DA é a propagação de uma onda de variação lenta de voltagem concomitante à supressão da atividade elétrica. O fenômeno foi primeiramente descrito em 1944, pelo professor Aristides A. P. Leão e desde então tem sido extensamente estudado, no entanto, diversos de seus aspectos ainda não foram completamente compreendidos. Atualmente a DA tem sido estudada com o auxílio de modelos matemáticos e computacionais que procuram reproduzir suas principais características observadas no tecido neural e têm sido utilizados para propor e verificar hipóteses a respeito dos mecanismos de sua deflagração e propagação. O modelo de Almeida et al.(2004), em particular, foi o primeiro capaz de exibir a propagação da onda de potencial extracelular em uma representação tridimensional da retina de galinha. Por este motivo, este modelo foi escolhido como base na construção de um modelo modificado para uma dimensão o qual foi implementado e estudado neste trabalho. Uma característica em comum entre os modelos para a DA é a grande quantidade de parâmetros biológicos que precisam ser ajustados antes de executar uma simulação. Este ajuste não é uma tarefa simples, já que na maioria das vezes a faixa de valores dentro da qual cada parâmetro produz resultados biologicamente plausíveis não está determinada. Tendo isto em vista, este trabalho apresenta uma metodologia para realizar estudo paramétrico destes modelos e como estudo de caso, esta metodologia foi aplicada à versão modificada do modelo de Almeida et al. para verificar as suas capacidades e limitações ao representar a DA em um tipo diferente de tecido: o córtex cerebral de rato. A análise realizada mostrou que o modelo desenvolve um comportamento plausível na reprodução de diversas características da DA em córtex de rato. No entanto, a representação da forma da onda de potencial extracelular da DA apresentada pelo modelo, não é suficientemente precisa em alguns aspectos. Porém, com o estudo realizado foi possível identificar precisamente os pontos deficientes do modelo e maneiras de aprimorá-lo foram sugeridas

Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-02-21T12:37:16Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação - Pierre V. Dantas.pdf: 2603862 bytes, checksum: 2b203ea2bbd3a5c21421914f4f10b9fb (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-02-21T12:37:33Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação - Pierre V. Dantas.pdf: 2603862 bytes, checksum: 2b203ea2bbd3a5c21421914f4f10b9fb (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-02-21T12:37:57Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação - Pierre V. Dantas.pdf: 2603862 bytes, checksum: 2b203ea2bbd3a5c21421914f4f10b9fb (MD5) / Made available in DSpace on 2017-02-21T12:37:57Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação - Pierre V. Dantas.pdf: 2603862 bytes, checksum: 2b203ea2bbd3a5c21421914f4f10b9fb (MD5) Previous issue date: 2016-06-29 / The identification by decomposition of electricity consumption signals tech- nique, we estimate the consumption of devices that form a power consumption signal. This technique, that can be called disaggregation or nonintrusive load monitoring, is important because it makes possible obtain information about the individual energy consumption of devices, allowing other approaches like power management, use in smart grids and Internet of Things (IoT). Energy disaggregation problem can be approached through dictionaries techniques, which summarize the most significant characteristics of the signals involved to signal disaggregation. In our proposal, we highlight two contributions. In the first, we modify the steady-state identi- fication (SSI) algorithm to deal with signals with variable dimensions and, then, we conducted a parameter analysis that changes the dictionaries and consequently produces different performances of disaggregation. Second, we propose a disaggrega- tion methodology using principal component analysis (PCA). The experiments were made using REDD database [1] and they demonstrate that the proposal produces results with higher accuracy when compared with other techniques. / Na técnica de identificação por decomposição de sinais de consumo de energia elétrica, inferimos o consumo dos dispositivos que compõem um sinal de consumo de energia elétrica. Essa técnica, também denominada de desagregação ou moni- toramento não intrusivo, é relevante porque viabiliza obtermos informação sobre o consumo energético individualizado de dispositivos, o que permite outras abordagens sobre o gerenciamento energético, viabiliza uso em redes inteligentes (smart grids) e internet das coisas (IoT). O problema de desagregação de energia pode ser tra- tado através de técnicas por dicionários onde extraímos representatividades de um conjunto de dados de consumo de energia elétrica e realizamos a desagregação. Em nossa proposta, podemos destacar duas contribuições. Na primeira, modificamos o algoritmo steady-state identification (SSI) para contemplar sinais com dimensões variáveis e, a seguir, realizamos uma análise de parâmetros que influenciam na for- mação dos dicionários e, por consequência, produzem diferentes desempenhos de desagregação. Na segunda, propomos uma metodologia de desagregação por análise de componentes principais. Os experimentos realizados, utilizando a base de dados REDD [1], demonstram que a proposta produz resultados de desagregação de maior acurácia, quando comparado com outras técnicas.