O projeto “Transformadas wavelet e aplicações em análise de sinais”, de autoria dos professores Alice de Jesus Kozakevicius (coordenadora) e pelos professores Cesar Ramos Rodrigues (PPGI/GMICRO/UFSM), Alex Schmidt (LANA/UFSM) e Renata Reiser (PPG Computação-UFPel, foi aceito no Edital Pesquisador Gaúcho (PqG) da Fapergs na Faixa B. O projeto foi selecionado pelo comitê assessor da área Matemática, Estatística e Computação.
Este projeto tem por objetivo o desenvolvimento de algoritmos rápidos, paralelizáveis, vetorizáveis quando possível e em versões intervalares para aumentar a eficiência na resolução de problemas em análise de sinais cerebrais, na resolução numérica de equações diferenciais e no desenvolvimento de versões intervalares para as transformadas wavelet com base na família de funções ortonormais de Daubechies. Espera-se através dos resultados deste projeto contribuir de forma significativa para a área de análise de sinais via transformadas wavelets, além de contribuir para o desenvolvimento de uma nova linha de pesquisa no Brasil, que integre a matemática intervalar a problemas envolvendo transformadas wavelet.
Resumo
Além de auxiliarem no desenvolvimento de métodos adaptativos para a resolução numérica de EDP’s (Bürger e Kozakevicius 2007), as transformadas wavelet (Kozakevicius e Schmidt 2013) têm destaque na análise de sinais e imagens. As aplicações usuais empregam estas transformadas para compressão (Istepanian et al. 2001) e filtragem de dados (Kozakevicius et al. 2005; Perin e Kozakevicius 2009, Bayer e Kozakevicius 2010), considerando muitas vezes metodologias similares às utilizadas em resoluções de EDP’s (Bürger e Kozakevicius 2006, Bürger, Kozakevicius e Sepulveda 2007) . No entanto, quando associada a métodos estatísticos, as transformadas wavelet conseguem tanto otimizar procedimentos para análise de séries temporais (Tapani e Kozakevicius 2012), quanto auxiliar de forma significativa na classificação de padrões em imagens (Foster 2009). Essas transformadas produzem também uma alternativa eficiente na detecção de anomalias em sinais de rede (Mozzaquatro et al. 2012, Perlin, Nunes e Kozakevicius 2011) e no reconhecimento de propriedades específicas de sinais cerebrais, como por exemplo no reconhecimento de padrões associados à sonolência (Silveira, Kozakevicius e Rodrigues 2012, Hashemi, Asadzadeh e Kozakevicius 2012).
