Return to search

Um filtro adaptativo de alto desempenho instaciado do algoritmo GAADT para o processamento de sinais de eletrocardiograma

Submitted by Irene Nascimento (irene.kessia@ufpe.br) on 2016-11-08T18:59:31Z
No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
TESE_IMPRESSÃO_ANDRILENE_VFINAL_bib.pdf: 10222135 bytes, checksum: e23334e08daf26aa1743055d338fbea5 (MD5) / Made available in DSpace on 2016-11-08T18:59:31Z (GMT). No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
TESE_IMPRESSÃO_ANDRILENE_VFINAL_bib.pdf: 10222135 bytes, checksum: e23334e08daf26aa1743055d338fbea5 (MD5)
Previous issue date: 2015-09-09 / A implementação dos algoritmos genéticos (AGs) inspirados no modelo de Holland em
hardware para filtrar sinais visa acelerar o tempo de convergência desses algoritmos
através da implementação dos módulos considerados um gargalo para uma
implementação em software. Porém estes módulos apresentam os mesmos problemas
com a representação do cromossomo, a dependência dos operadores genéticos e a
representação adotada para o cromossomo e a população, e a perda de cromossomos
com características relevantes para a solução do problema ao qual o AG está sendo
aplicado. Esta tese apresenta um filtro adaptativo que adota o algoritmo genético
baseado em tipos de dados abstratos (GAADT), para o processamento de sinais de ECG,
denominado de CGAADT, na plataforma GPU/CUDA. O CGAADT desenvolvido
apresenta uma solução de alto desempenho. A escolha por este modelo de algoritmo
genético justifica-se pelo fato do GAADT ter sido definido com o intuito de evitar os
problemas dos modelos de AG até então encontrados na literatura de computação
evolucionária. O GAADT trabalha com uma arquitetura aberta que considera a dinâmica
do ambiente o qual os cromossomos estão inseridos, ou seja, a função de adaptação do
GAADT busca o cromossomo da população mais adaptado ao ambiente, se este
ambiente mudar então a busca realizada pelo GAADT será redirecionado para o
cromossomo mais adaptado ao ambiente atual, em tempo de execução, sem a
necessidade de interromper a execução atual do GAADT. O resultado obtido pelo
GAADT é de melhor qualidade do que os outros modelos de AGs uma vez que este
trabalha a definição de gene dominante, que são as informações presentes nos
cromossomos relevantes para a solução do problema. Provocando uma explosão
exponencial na população do GAADT, na busca por um cromossomo mais adaptado que
contenha a maior quantidade possível de genes dominantes, o que pode levar meses de
processamento até a coleta de dados em arquiteturas de CPUs convencionais. Um estudo
comparativo entre a qualidade dos resultados obtidos ao filtrar os sinais de ECG de
pacientes com arritmias sinusal, flutter atrial e fibrilação atrial do CGAADT com outros
modelos é apresentado. As experiências avaliadas neste estudo indicam que o CGAADT
apresenta uma versão otimizada do GAADT, que permite que todo o processamento do
algoritmo genético, seja realizado na GPU, o que resultou em um ganho no tempo total
médio do processamento do algoritmo em 17,43% na seleção, 1,39% no cruzamento,
1,12% na mutação, 9,02% na reprodução, 15,11% no processo de inserção de
descendentes na população. Tais índices representam um ganho de tempo de
processamento de 73,6% relacionado ao algoritmo genético de Holland. / The implementation of genetic algorithms (GAs) inspired by Holland model in
hardware to filter signals aims to speed up convergence time of these algorithms by
implementing the modules considered a bottleneck for a software implementation.
However, these modules have the same problems with the representation of the
chromosome, dependence on genetic operators, representation adopted for the
chromosome and population, and the loss of chromosomes with relevant features for the
solution of the problem to which the AG has being applied. This thesis presents an
adaptive filter that takes a genetic algorithm based on abstract data types (GAADT) for
processing ECG signals, called CGAADT, the GPU /CUDA plataform. The compact
genetic algorithm based on abstract data types (CGAADT) developed presents a
solution for high performance of genetic algorithms based on abstract data types. The
choice of this genetic algorithm model is justified by the fact that the GAADT have
been define with the purpose of avoid the problems of models AG until then found of
evolutionary computation literature. The GAADT works with an open architecture that
considers the dynamics of the environment to which the chromosomes are inserted, that
is, GAADT adaptation function search the most suitable chromosome population to the
environment, if this environment change, then the search will be performed by GAADT
will be redirected to the chromosome more adapted to the current environment, at
runtime, without need to interrupt the current run of GAADT. The result obtained by
GAADT has better quality than others AG models, since this works the definition of
dominant gene, which are the information provided in the relevant chromosomes to
solve the problem. Causing an exponential explosion in GAADT population, in the
search for a more suitable chromosome containing the maximum amount of dominant
genes, which can take months of processing to data collection in architectures over
traditional CPUs. A comparative study of the quality of the results obtained by filtering
the ECG signals from patients with sinus arrhythmia, atrial flutter and atrial fibrillation
CGAADT with other models is presented. Experiences assessed in this study indicate
that CGAADT shows an optimized version of GAADT, which allows all processing of
the genetic algorithm is performed on the GPU, which resulted in a gain in the average
total processing time of the algorithm in 17,43%selection, 1,39% in crossover, 1,12% in
mutation, 9,02% in reproduction, 15,11% in the process of inserting descendants in the
population. Such percentage represent a 73,6% enhancement processing gain related to
genetic algorithm Holland. Finally, they are made some relevant considerations on the
CGAADT and suggested some interesting questions for future work.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/18044
Date09 September 2015
CreatorsMACIEL, Andrilene Ferreira
Contributorshttp://lattes.cnpq.br/4235825596747458, LIMA, Manoel Eusébio de, LOPES, Roberta Vilhena Vieira
PublisherUniversidade Federal de Pernambuco, Programa de Pos Graduacao em Ciencia da Computacao, UFPE, Brasil
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis
Sourcereponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE
RightsAttribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess

Page generated in 0.0033 seconds