Publicação
Learning from Biosignals. A Deep Neural Approach to Advanced Signal Processing
| datacite.subject.fos | Engenharia e Tecnologia::Outras Engenharias e Tecnologias | pt_PT |
| dc.contributor.advisor | Gamboa, Hugo | |
| dc.contributor.author | Dias, Mariana de Avelino Geraldo | |
| dc.date.accessioned | 2025-11-26T10:48:33Z | |
| dc.date.available | 2025-11-26T10:48:33Z | |
| dc.date.issued | 2025 | |
| dc.description.abstract | When it comes to biosignal processing, a practitioner must undergo a series of steps to prepare the data for analysis. These foundational tasks include assessing data integrity, executing cleansing protocols, standardizing measurements through normalization and unit conversion, and isolating features for the intended analysis. While there are pipelines that guide these procedures, these need to be customized in order to not only adjust to the different characteristics of each dataset but also to the information that is to be extracted. The customization relies on the practitioner’s know-how, underscoring the importance of expertise in transforming raw biosignals into meaningful conclusions. Meanwhile, Deep Learning (DL) frameworks for time-series have consistently demon- strated great potential in performing tasks such as classification and processing of biosig- nals. For that reason, the present work focuses on the application of DL methodologies for biosignals. We start by addressing specific tasks such as disease classification and noise removal in ECG signals. Various strategies are explored, including alternative data representations and architectural paradigms, with a focus on efficiency through reduced model complexity. Additionally, a custom data collection was conducted in industrial environments, and the resulting dataset was used to evaluate the generalization capacity of the noise removal model across different acquisition conditions. Given that a robust DL model needs to learn multiple signal features to, for instance, distinguish between normal and pathological states, leveraging this acquired knowledge across various processing tasks could potentially revolutionize our approach in biosignal analysis, making the case for a more integrated and versatile deployment of DL techniques. In this context, we developed NeuralLib, a framework that provides functionalities to train, reuse and access networks designed to perform biosignal processing functions, built on three key principles: modularity, efficiency, and generalization. These networks learn the fundamental characteristics of the signals, and by fine-tuning them for new tasks, it becomes possible to transfer prior knowledge, enabling not only faster convergence but also reducing the need for large annotated datasets. | pt_PT |
| dc.description.abstract | No processamento de biossinais, é necessário realizar uma série de etapas para preparar os dados para análise. Estas etapas fundamentais incluem a avaliação da integridade dos dados, a aplicação de protocolos de limpeza, a normalização e conversão dos sinais, bem como a extração de características relevantes para a análise pretendida. Embora haja procedimentos relativamente padronizados, estes necessitam frequentemente de ser adap- tados, tanto às particularidades de cada conjunto de dados, como ao tipo de informação que se pretende extrair. A análise de biossinais requer, por isso, alguma experiência e conhecimento acerca destes, para que se consiga transformá-los em informação relevante. Paralelamente, modelos de Aprendizagem Profunda (AP) para séries temporais têm demonstrado elevado potencial na resolução de tarefas como classificação e processamento de biossinais. O presente trabalho é, por isso, centrado na aplicação de metodologias de AP para biossinais. São desenvolvidas, inicialmente, tarefas específicas, como a classificação de doenças e a remoção de ruído a partir de sinais de ECG, sendo diversas estratégias exploradas - incluindo diferentes formatos de representação dos dados e diferentes arquiteturas - como ênfase na eficiência através da redução da complexidade dos modelos. Adicionalmente, foi realizada uma recolha de dados em contexto industrial, de forma a avaliar a capacidade de generalização do modelo de remoção de ruído em diferentes contextos de aquisição. Considerando que um modelo de AP robusto precisa de aprender múltiplas carac- terísticas do sinal para, por exemplo, distinguir entre estados normais e patológicos, a reutilização deste conhecimento adquirido em diferentes tarefas de processamento poderá transformar a abordagem atual de análise de biossinais, sustentando a importância de uma aplicação mais integrada e versátil das técnicas de AP. Neste contexto, desenvolvemos NeuralLib, um software que inclui as funcionalidades para treinar, reutilizar e aceder a redes neuronais para executar funções de processamento de biossinais, assente em três princípios fundamentais: modularidade, eficiência e generalização. Estas redes aprendem as características fundamentais dos sinais e, através de técnicas de retreino para novas tarefas, torna-se possível transferir conhecimento previamente adquirido, permitindo não só uma convergência mais rápida, como também a redução da necessidade de grandes volumes de dados anotados. | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10362/191340 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | Biosignals | pt_PT |
| dc.subject | Deep Learning | pt_PT |
| dc.subject | ECG | pt_PT |
| dc.subject | Modularity | pt_PT |
| dc.subject | Efficiency | pt_PT |
| dc.subject | Generalization | pt_PT |
| dc.title | Learning from Biosignals. A Deep Neural Approach to Advanced Signal Processing | pt_PT |
| dc.type | doctoral thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | doctoralThesis | pt_PT |
| thesis.degree.name | DOCTORATE IN BIOMEDICAL ENGINEERING | pt_PT |