REGISTRO DOI: 10.5281/zenodo.7963651
Alexsander Pandolfi da Silva Oliveira
Anderson Henrique de Araújo
Carlos Monteiro Silva
Allan Kardec Gurgel do Amaral
Chimene kuhn Nobre
Resumo
O presente artigo tem como objetivo, realizar uma revisão sistemática e retrospectiva na literatura existente, sobre a aplicação de RNAs em processamento de sinais elétricos e digitais, buscando identificar as principais tendências, avanços e desafios ocorridos nesse importante campo. Metodologicamente realizou-se uma revisão sistemática de estudos primários que avaliaram as principais técnicas de RNAs para o melhoramento de sinais elétrico digital e inteligência artificial voltada para transmissão de sinais elétricos. O levantamento dos desfechos foi conduzido nas bases de dados IEEE Xplore, ScienceDirect e Google Scholar. A revisão identificou, que apesar dos avanços consideráveis, ainda há desafios a serem superados na aplicação das RNAs em processamento de sinais elétricos e digitais, tais como, a seleção adequada da arquitetura da rede neural, interpretação e análise crítica dos resultados obtidos e a necessidade de grandes quantidades de dados para treinamento. A revisão sistemática da literatura existente pode contribuir para o avanço do conhecimento na área, fornecendo uma base sólida para o desenvolvimento de novas pesquisas e aplicações práticas. Além disso, a identificação dos principais desafios e tendências na utilização de RNAs em processamento de sinais elétricos e digitais, que pode auxiliar no desenvolvimento de estratégias mais eficazes para lidar com problemas reais, como a detecção de falhas em sistemas e equipamentos, o reconhecimento de padrões em imagens médicas e a melhoria na qualidade da comunicação em sistemas de telecomunicações.
Palavras-chave: Redes Neurais Artificiais; Processamento de Sinais; Desafios.
Abstract
This article aims to carry out a systematic and retrospective review of the existing literature on the application of ANNs in electrical and digital signal processing, seeking to identify the main trends, advances and challenges in this important field. Methodologically, a systematic review of primary studies was carried out that evaluated the main ANN techniques for the improvement of digital electrical signals and artificial intelligence focused on the transmission of electrical signals. The outcome survey was conducted in the IEEE Xplore, ScienceDirect and Google Scholar databases. The review identified that despite considerable advances, there are still challenges to be overcome in the application of ANNs in electrical and digital signal processing, such as the proper selection of neural network architecture, interpretation and critical analysis of the results obtained and the need large amounts of data for training. The systematic review of the existing literature can contribute to the advancement of knowledge in the area, providing a solid basis for the development of new research and practical applications. In addition, the identification of the main challenges and trends in the use of ANNs in electrical and digital signal processing, which can help in the development of more effective strategies to deal with real problems, such as the detection of faults in systems and equipment, the recognition of standards in medical imaging and improving the quality of communication in telecommunications systems.
Keywords: Artificial neural networks; Signal Processing; Challenges.
1. INTRODUÇÃO
A utilização de Redes Neurais Artificiais (RNAs) para processamento de sinais elétricos e digitais é uma área de pesquisa amplamente explorada na literatura científica atual. Estudos mostram que as RNAs têm se mostrado uma ferramenta promissora para análise de sinais complexos em diversas aplicações, tais como, reconhecimento de fala, análise de imagens médicas e detecção de falhas em sistemas e equipamentos e dentre outras. Além disso, a crescente demanda por soluções de processamento de sinais mais precisos e eficientes tem impulsionado a pesquisa em torno dessa temática.
Ainda, é um campo de atuação essencial para engenharia elétrica, haja vista, está presente em diversas aplicações como automação industrial, telecomunicações e medicina. Com o surgimento de novas tecnologias, os sinais se tornaram cada vez mais complexos e variáveis, exigindo técnicas mais avançadas e precisas para lidar com a quantidade de dados envolvidos. Nesse contexto, as técnicas de inteligência artificial, especialmente as redes neurais artificiais (RNAs), vem ganhando destaque, como uma solução promissora para o processamento de sinais.
No entanto um dos principais entraves é entender como as RNAs podem ser aplicadas de forma mais eficiente e eficaz no processamento de sinais elétricos e digitais, identificando os principais desafios que precisam ser superados, e acima de tudo, avaliando as melhores práticas para a seleção adequada da arquitetura da rede neural, e por fim, a interpretação dos resultados obtidos.
Apesar do progresso na aplicação de RNAs em processamento de sinais elétricos e digitais, ainda há desafios a serem superados na área. Problemas como a seleção adequada da arquitetura da rede neural e a interpretação e análise crítica dos resultados obtidos, bem como, a necessidade de grandes quantidades de dados para treinamento das RNAs, são algumas das questões que precisam ser endereçadas (SRIVASTAVA et al., 2014).
Dessa forma, o presente trabalho tem como escopo, realizar uma revisão sistemática e retrospectiva na literatura existente, sobre a aplicação de RNAs em processamento de sinais elétricos e digitais, buscando identificar as principais tendências, avanços e desafios ocorridos nesse importante campo.
Apesar dos desafios o uso de RNAs em processamento de sinais elétricos e digitais continua a crescer, impulsionado pelo aumento da capacidade computacional, pela disponibilidade de grandes quantidades de dados e pelas aplicações emergentes em áreas como, Internet das Coisas – IoT e inteligência artificial – IA. Com a superação dos desafios técnicos e teóricos, espera-se que as RNAs continuem a desempenhar um papel cada vez mais importante em aplicações de processamento de sinais elétricos e digitais no futuro.
A aplicação de RNAs em processamento de sinais elétricos e digitais tem grande relevância para a engenharia elétrica e para outras áreas relacionadas, uma vez que oferece uma solução eficiente e precisa para a análise de sinais complexos.
2. MATERIAL E MÉTODOS
A pesquisa foi realizada através de uma revisão sistemática da literatura de estudos publicados, buscando fontes de dados com alto nível de credibilidade no ambiente científico, sobre o uso de redes neurais artificiais em processamento de sinais elétricos e digitais. A revisão sistemática processou-se numa análise qualitativa em que foi elaborado um protocolo com a questão que se pretende estudar, os principais objetivos do estudo e os critérios de inclusão e exclusão. Em seguida, foram realizadas buscas em bases de dados acadêmicos, como IEEE Xplore, ScienceDirect e Google Scholar, utilizando os termos de busca previamente definidos. Os artigos selecionados foram avaliados segundo os critérios de inclusão e exclusão definidos no protocolo.
Além disso, foram utilizados os métodos exploratório e descritivo, produzidos com base na revisão da bibliografia analisada. A pesquisa exploratória visa proporcionar uma melhor abordagem do problema a ser investigado, com o objetivo de explicá-lo ou construir o maior número de hipóteses. A pesquisa descritiva visa descrever as particularidades de um determinado grupo ou fenômeno. Ambos têm sido cada vez mais solicitados pelas organizações, como forma de coleta de dados e, portanto, são muito buscados por pesquisadores que atuam nas áreas de grandes aplicações (GERHARDT & SILVEIRA, 2009; GIL, 2022).
Ainda se apresenta como sendo qualitativa, pois tem a finalidade de entender um fenômeno específico de forma detalhada. Desenvolve-se de maneira descritiva, comparativa, interpretativa, atributiva e significativa, possibilitando averiguar valores, crenças, hábitos, estudos e opiniões de um sujeito ou grupo Menezes et al., (2019). Inclusive tem uma característica comparativa, por que tem por finalidade descobrir invariabilidades, perceber padrões e mudanças, bem como, edificar os modelos e tipologias, detectando constâncias e descontinuidades, semelhanças e diferenças e explicando as determinações de grupos que regem os fenômenos sociais (MATTAR & RAMOS, 2021).
3. RESULTADOS E DISCUSSÃO
Os estudos iniciais sobre RNAs datam da década de 1940, com o trabalho pioneiro de Warren McCulloch e Walter Pitts, que propuseram o primeiro modelo de neurônio artificial, inspirado na biologia dos neurônios do cérebro humano McCulloch & Pitts (1943). A partir daí, diversos modelos de RNAs foram propostos, como o modelo Perceptron, desenvolvido por Frank Rosenblatt na década de 1950, capaz de realizar a classificação de padrões utilizado em diversas aplicações de processamento de sinais, incluindo o reconhecimento de fala e a análise de imagens (ROSENBLATT, 1958).
Na década de 1980, o desenvolvimento do modelo de rede neural backpropagation por Rumelhart e McClelland impulsionou ainda mais a aplicação de RNAs em processamento de sinais elétricos e digitais (RUMELHART et al., 1986). A partir da década de 1990, surgiram técnicas de aprendizado não supervisionado, como as redes neurais de Kohonen, capazes de realizar a segmentação e classificação de sinais elétricos e digitais sem a necessidade de exemplos de treinamento (KOHONEN, 1990).
Apesar do progresso na aplicação de RNAs em processamento de sinais elétricos e digitais, ainda há desafios a serem superados. Problemas como a seleção adequada da arquitetura da rede neural e a interpretação e análise crítica dos resultados obtidos, bem como, a necessidade de grandes quantidades de dados para treinamento das RNAs, são algumas das questões que precisam ser adequadas.
Diversos autores discutem esses desafios e obstáculos enfrentados na aplicação de RNAs em processamento de sinais elétricos e digitais. Bishop (1995) discute a importância da seleção adequada da arquitetura da rede neural para o desempenho da rede, que inclui o número de camadas, número de neurônios por camada, tipo de função de ativação, dentre outros fatores. Haykin (1998) destaca a importância da interpretação e análise crítica dos resultados obtidos para garantir o sucesso da aplicação de RNAs em processamento de sinais elétricos e digitais.
A partir daí, foram desenvolvidos diversos modelos de RNAs, cada um com suas particularidades e aplicabilidades, como o modelo ADALINE (Adaptive Linear Neuron) proposto por Widrow e Hoff em 1960, que permitiu a detecção de padrões em sinais elétricos (WIDROW & HOFF, 1960). Com o avanço da tecnologia, a utilização de RNAs em processamento de sinais tornou-se cada vez mais comum e ganhou destaque como uma solução promissora para lidar com a complexidade e variabilidade dos dados envolvidos.
Na década de 1990, com o aumento da capacidade computacional e a disponibilidade de grandes quantidades de dados, as RNAs foram amplamente aplicadas em diversas áreas do processamento de sinais elétricos e digitais, incluindo reconhecimento de fala, processamento de imagens médicas, previsão de séries temporais, detecção de fraudes em sistemas de segurança, entre outros (BISHOP, 1995; HAGAN et al., 1996; HAYKIN, 1998).
Já no ano de 2000, foram propostas abordagens de redes neurais profundas (Deep learning), capazes de realizar o processamento de sinais elétricos e digitais com várias camadas de neurônios. Essas abordagens incluem as redes neurais convolucionais, utilizadas em aplicações de visão computacional, e as redes neurais recorrentes, utilizadas em aplicações de processamento de sinais sequenciais, como fala e texto (LECUN et al., 2015).
Nos últimos anos, a aplicação de RNAs em processamento de sinais elétricos e digitais tem avançado significativamente, com a utilização de abordagens como redes neurais autoencoder para a compressão de sinais e as redes neurais adversárias para a geração de sinais sintéticos (GOODFELLOW et al., 2014).
Com o surgimento da Internet das Coisas (IoT) na última década, as RNAs têm sido amplamente aplicadas em processamento de sinais elétricos e digitais em dispositivos conectados à rede, como sensores e dispositivos móveis, com isso outorgando que os dados coletados pelos dispositivos sejam processados de maneira mais eficientes e precisos, permitindo a criação de sistemas inteligentes e autônomos (CHEN et al., 2017; GUBBI et al., 2013).
Em relação às técnicas de RNA utilizadas no processamento de sinais elétricos e digitais, a rede neural convolucional (CNN) tem se mostrado particularmente eficiente na análise de sinais, especialmente em tarefas de reconhecimento de padrões em imagens e áudio (LECUN et al., 1998; GOODFELLOW et al., 2016). Além disso, as redes neurais recorrentes (RNNs) têm sido amplamente utilizadas em processamento de sinais sequenciais, como sinais de fala e linguagem natural (SCHUSTER & PALIWAL, 1997; MIKOLOV et al., 2010).
As Redes Neurais Artificiais (RNAs) têm diversas aplicações no processamento de sinais elétricos e digitais. Um dos principais usos é o reconhecimento de fala, com o crescente emprego de assistentes virtuais e sistemas de reconhecimento de voz em dispositivos móveis (HINTON et al., 2012). Além disso, essas redes auxiliam na melhoria da qualidade do áudio em comunicações, reduzindo ruídos e aprimorando a qualidade sonora.
Outra aplicação relevante é a análise de imagens médicas, com as RNAs sendo empregadas na segmentação e classificação de tomografias computadorizadas, ressonâncias magnéticas (SHEN et al., 2017) e imagens de ultrassom, aumentando a precisão do diagnóstico médico. Elas também têm sido utilizadas no diagnóstico de doenças cardiovasculares, analisando sinais elétricos de eletrocardiogramas (ECG) e pressão arterial (ACHARYA et al., 2017).
Além do mais, as RNAs vem sendo utilizadas em aplicações biomédicas, como a análise de sinais eletroencefalográficos (EEG) e eletromiográficos (EMG), para diagnóstico de doenças neurológicas e monitoramento de pacientes em terapia intensiva (BASHIVAN et al., 2015). Em um estudo recente, foi proposto o uso de uma RNA para análise de sinais EEG de pacientes com epilepsia, com resultados promissores na detecção de crises epilépticas (JIANG et al., 2021).
Tais redes também têm sido empregadas em telecomunicações, melhorando a qualidade do sinal de voz e aprimorando a detecção e correção de erros em sistemas de transmissão de dados (AOUDIA et al., 2016; REN et al., 2018). Em sistemas de modulação de sinais, elas garantem maior eficiência espectral e transmissão robusta em ambientes com interferências e ruídos (LIU et al., 2016).
Em sistemas de controle e automação industrial, as RNAs possibilitam a análise de sinais de sensores e atuadores, detectando anomalias e falhas em equipamentos, gerando economia e aumento da eficiência dos processos (YU et al., 2019).
As RNAs ainda vem sendo utilizadas em aplicações de processamento de imagens, como em sistemas de reconhecimento de caracteres e faces, assim sendo aplicados para detectar padrões em imagens digitais (LIU et al., 2016). Além disso, as RNAs têm sido utilizadas em aplicações de visão computacional, como em sistemas de detecção de objetos em tempo real e classificação de imagens médicas (LITJENS et al., 2017). Essas aplicações demonstram a versatilidade das RNAs em lidar com uma ampla variedade de sinais elétricos e digitais, possibilitando a solução de problemas em diferentes campos de atuação e setores.
No entanto, embora as aplicações de RNAs em processamento de sinais elétricos e digitais apresentem resultados promissores, ainda existem desafios a serem superados, como a necessidade de grandes quantidades de dados para treinar as RNAs, isso pode ser especialmente desafiador em áreas como medicina e engenharia biomédica, onde os dados são frequentemente escassos e difíceis de obter (RAJKOMAR et al., 2019). Outra situação é a seleção adequada da arquitetura da rede neural para cada aplicação específica. Inclusive na interpretação dos resultados obtidos que pode ser desafiadora, exigindo uma análise crítica e cuidadosa dos resultados (GOODFELLOW et al., 2016).
A implementação de redes neurais para processamento de sinais elétricos e digitais ainda enfrenta vários desafios e limitações, Kingma & Ba (2014), citam que um dos principais desafios é a seleção adequada da arquitetura da rede neural para obter resultados precisos e confiáveis. A configuração de camadas e escolha de hiperparâmetros pode afetar significativamente o desempenho da rede, tornando o processo de otimização de parâmetros um desafio adicional.
Um outro obstáculo encontrado é na implementação de RNAs em dispositivos móveis e de baixa potência, que pode ser um desafio técnico, exigindo a criação de algoritmos de treinamento e inferência mais eficientes e adaptados às limitações dos dispositivos (Lane et al., 2016).
A variabilidade dos dados também é uma limitação para a aplicação de RNAs em processamento de sinais elétricos e digitais. De acordo com Zhang et al. (2018), muitos sinais elétricos e digitais são altamente não-estacionários, o que significa que suas características estatísticas podem mudar ao longo do tempo. Isso pode afetar o desempenho da rede neural, exigindo a implementação de modelos mais complexos e sofisticados para lidar com essa variabilidade.
A interpretação dos resultados obtidos pelas RNAs também pode ser um desafio, exigindo uma análise crítica dos resultados. De acordo com Guidotti et al. (2018), a interpretação dos resultados obtidos pelas RNAs pode ser difícil, especialmente quando a rede neural é usada para analisar dados em tempo real. A identificação de padrões e a análise crítica dos resultados são essenciais para garantir a precisão e confiabilidade dos resultados obtidos pelas RNAs.
Outra limitação importante está presente na seleção da arquitetura adequada da rede neural que depende de muitos fatores, como o tipo de sinal, o objetivo da análise e a disponibilidade de dados de treinamento. Além disso, a implementação de RNAs requer habilidades técnicas especializadas em programação e modelagem matemática (SCHMIDHUBER, 2015).
Um desafio adicional é o risco de overfitting, que ocorre quando a rede neural é ajustada demais aos dados de treinamento e não consegue generalizar adequadamente para novos dados. Para evitar o overfitting, é importante usar técnicas de validação cruzada e conjuntos de dados de teste independentes durante o treinamento da rede neural (SRIVASTAVA et al., 2014).
Outrossim, fato relevante, é entender como esses resultados foram obtidos e como eles podem ser interpretados (MONTAVON et al., 2018). É necessário ter uma análise crítica e cuidadosa dos resultados, levando em consideração as limitações e incertezas inerentes ao uso de RNAs em processamento de sinais elétricos e digitais.
Diante desses desafios e limitações, se torna de grande relevância, continuação de pesquisas e o desenvolvendo novas técnicas e metodologias para maximizar o potencial das RNAs em processamento de sinais elétricos e digitais. Segundo Chen et al. (2014) novas abordagens, como a combinação de RNAs com outras técnicas de processamento de sinais, podem ajudar a superar esses desafios e melhorar a eficácia e eficiência das RNAs.
Ao superar esses desafios, as RNAs têm o potencial de oferecer soluções poderosas e eficazes para uma ampla variedade de aplicações em processamento de sinais elétricos e digitais. Conforme Shu et al., (2020), a utilização de técnicas avançadas de RNAs, como as redes neurais convolucionais e as redes neurais recorrentes, podem ser uma forma promissora de lidar com os desafios e limitações da aplicação de RNAs em processamento de sinais elétricos e digitais.
4. CONSIDERAÇÕES FINAIS
Ao longo deste trabalho foi investigado aplicações de Redes Neurais Artificiais (RNAs) no processamento de sinais elétricos e digitais, abordando os avanços, tendências e desafios nesse campo. Através de uma revisão sistemática da literatura, foram examinados os principais estudos e diversas aplicações, como, reconhecimento de fala, análise de imagens médicas e detecção de falhas em sistemas e equipamentos.
Ficou evidente que, apesar dos avanços consideráveis, ainda há desafios a serem superados na aplicação das RNAs em processamento de sinais elétricos e digitais, tais como, a seleção adequada da arquitetura da rede neural, interpretação e análise crítica dos resultados obtidos e a necessidade de grandes quantidades de dados para treinamento.
A pesquisa qualitativa e a abordagem comparativa adotadas, permitiram uma compreensão aprofundada e detalhada dos fenômenos relacionados às RNAs, no contexto do processamento de sinais elétricos e digitais. Além disso, a revisão sistemática da literatura existente, contribuiu para o avanço do conhecimento na área, fornecendo uma base sólida para o desenvolvimento de novas pesquisas e aplicações práticas.
Portanto, a aplicação de RNAs no processamento de sinais elétricos e digitais é uma especialidade promissora e em constante evolução, com potencial à oferecer soluções eficientes e precisas em diversas aplicações. O desenvolvimento de estratégias mais eficazes para lidar com os desafios identificados nesta pesquisa, pode levar a avanços significativos no campo e beneficiar uma ampla gama de aplicações práticas. Assim sendo, é de fundamental relevância a contínua investigação e o aprimoramento dessas técnicas, a fim de aproveitar ao máximo seu potencial no processamento de sinais elétricos e digitais.
5. REFERÊNCIAS
Acharya, U. R., Oh, S. L., Hagiwara, Y., Tan, J. H., & Adeli, H. (2017). Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals. Computers in Biology and Medicine, 100, 270-278. 10.1016/j.compbiomed.2017.09.017
Bashashati, A., Fatourechi, M., Ward, R. K., & Birch, G. E. (2007). A survey of signal processing algorithms in brain-computer interfaces based on electrical brain signals. Journal of Neural Engineering, 4(2), R32-R57. https://doi.org/10.1088/1741-2560/4/2/R03
Bashivan, P., Rish, I., Yeasin, M., & Codella, N. (2015). Learning representations from EEG with deep recurrent-convolutional neural networks. arXiv preprint arXiv:1511.06448. https://arxiv.org/abs/1511.06448
Bengio, Y., Courville, A., & Vincent, P. (2013). Representation learning: a review and new perspectives. IEEE transactions on pattern analysis and machine intelligence, 35(8), 1798-1828.
Bishop, C. M. (1995). Neural networks for pattern recognition. Oxford University Press.
Chen, T., Li, M., Li, Y., Lin, M., Wang, N., Wang, M., … & Zhang, B. (2014). Mxnet: A flexible and efficient machine learning library for heterogeneous distributed systems. arXiv preprint arXiv:1512.01274. https://doi.org/10.48550/arXiv.1512.01274
Chen, M., Ma, Y., Li, Y., Wu, D., Zhang, Y., & Youn, C. H. (2017). Wearable 2.0: enabling human-cloud integration in next-generation healthcare systems. IEEE Communications Magazine, 53(1), 54–61.
Graves, A., Mohamed, A. R., & Hinton, G. (2013). Speech recognition with deep recurrent neural networks. In 2013 IEEE International Conference on Acoustics, Speech and Signal Processing (pp. 6645-6649). IEEE. https://doi.org/10.1109/ICASSP.2013.6638947
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative adversarial nets. Advances in Neural Information Processing Systems, 27, 2672–2680.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Gubbi, J., Buyya, R., Marusic, S., & Palaniswami, M. (2013). Internet of Things (IoT): A vision, architectural elements, and future directions. Future Generation Computer Systems, 29(7), 1645–1660. https://doi.org/10.1016/j.future.2013.01.010
Hagan, M. T., Demuth, H. B., & Beale, M. H. (1996). Neural network design. PWS Publishing.
Haykin, S. (1998). Neural Networks: A Comprehensive Foundation
Hinton, G., Deng, L., Yu, D., Dahl, G. E., Mohamed, A., Jaitly, N., … & Sainath, T. (2012). Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups. IEEE Signal Processing Magazine, 29(6), 82-97. https://doi.org/10.1109/MSP.2012.2205597
Kohonen T, “The self-organizing map,” in Proceedings of the IEEE, vol. 78, no. 9, pp. 1464-1480, Sept. 1990, doi: 10.1109/5.58325.
LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Liu, W., Wen, Y., Yu, Z., & Yang, M. (2016). Large-margin softmax loss for convolutional neural networks. In Proceedings of the 33rd International Conference on International Conference on Machine Learning – Volume 48 (pp. 507-516). https://arxiv.org/abs/1612.02295
Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., … & Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical image analysis, 42, 60-88. https://doi.org/10.1016/j.media.2017.07.005
Mikolov, T., Karafiát, M., Burget, L., Cernocký, J., & Khudanpur, S. (2010). Recurrent neural network based language model. Eleventh Annual Conference of the International Speech Communication Association.
Montavon, G., Samek, W., & Müller, K. R. (2018). Methods for interpreting and understanding deep neural networks. Digital Signal Processing, 73, 1-15. https://doi.org/10.1016/j.dsp.2017.10.011
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, 5(4), 115-133.
Rosenblatt, F. (1958). O perceptron: um modelo probabilístico para armazenamento e organização de informações no cérebro. Psychological Review, 65 (6), 386–408. https://doi.org/10.1037/h0042519
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning internal representations by error propagation. Parallel Distributed Processing: Explorations in the Microstructure of Cognition, 1, 318-362.
Shen, D., Wu, G., & Suk, H. I. (2017). Deep learning in medical image analysis. Annual Review of Biomedical Engineering, 19, 221-248. https://doi.org/10.1146/annurev-bioeng-071516-044442
Schmidhuber, J. (2015). Deep learning in neural networks: an overview. Neural networks, 61, 85-117. https://doi.org/10.1016/j.neunet.2014.09.003
Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: a simple way to prevent neural networks from overfitting. The journal of machine learning research, 15(1), 1929-1958.
Schuster, M., & Paliwal, K. K. (1997). Bidirectional recurrent neural networks. IEEE Transactions on Signal Processing, 45(11), 2673–2681. https://doi.org/10.1109/78.650093
Widrow, B., & Hoff, M. E. (1960). Adaptive swit ching circuits. In IRE WESCON Convention Record (pp. 96-104). New York: IRE.