Public Articles
Analisi dell'influenza della tipologia di sorgente luminosa sulle performance di processo di un foto-bioreattore algale
Rimozione dei Micro contaminanti emergenti presenti in acqua (Bisfenolo A)
Il valore dell’acqua nell’industria alimentare
Trattamento delle acque reflue tramite l'utilizzo di membrane multifunzionali in nanofibre elettrofilate
Contaminazione da arsenico nelle acque potabili: un approccio ecologico mediante nanofibre elettrofilate di alginato di sodio funzionalizzate con chitosan
Oro nero :un rischio per l'uomo e l'ambiente. Trattamento di elettrocoagulazione/flocculazione per la rimozione degli oli.
L’utilizzo di scarti di ferro come anodo sacrificale in un processo ERPDD per la rimozione di Cu dalle acque reflue contenenti CuEDTA
Ottimizzazione dei bioreattori a membrana attraverso la sinergia tra alghe e batteri
Valutazione del Fastidio da odori in zone residenziali: i metodi integrati
Desalinizzazione dell’acqua salmastra mediante un prototipo di deionizzazione capacitiva assemblato in laboratorio: valutazione delle prestazioni e dell’efficienza energetica
Sistemi di monitoraggio degli odori (IOMS): caratteristiche e impieghi
L'elettrocoagulazione come tecnologia per la rimozione dei prodotti farmaceutici nelle acque reflue
Il trattamento delle acque reflue attraverso le innovazioni del progresso scientifico
Cianuro nelle acque reflue: confronto tra tecnologie di rimozione
Nuove tecnologie per il trattamento delle acque di produzione derivanti dall'estrazione di petrolio e gas
Il trattamento biologico e sostenibile delle emissioni odorigene con approcci integrati per il recupero della CO2
Trattamento avanzato di effluenti gassosi odorigeni con impiego di un sistema integrato MBBR-APBR (Moving Bed Bioreactor- Algal Photo- Bioreator): efficienze di rimozione e potenzialità di recupero
Lo sviluppo sostenibile dell'agricoltura urbana: il recupero dei nutrienti nei sistemi acquaponici
AI-enabled Micro Motion Sensors for Revealing the Random Daily Activities of Caged Mice
and 7 collaborators
More than 120 million mice and rats are used yearly for scientific purposes. While tracking their motion behaviors has been an essential issue for the past decade, present techniques, such as video-tracking and IMU-tracking have considerable problems, including requiring a complex setup or relatively large IMU modules that cause stress to the animals. Here, we introduce a wireless IoT motion sensor (i.e., weighing only 2 grams) that can be attached and carried by mice to collect motion data continuously for several days. We also introduce a combined segmentation method and an imbalanced learning process that are critical for enabling the recognition of common but random mouse behaviors (i.e., resting, walking, rearing, digging, eating, grooming, drinking water, and scratching) in cages with a macro-recall of 94.55%.
Corresponding author(s) Email: [email protected]; [email protected]; [email protected]
Review for: Nature Journal Template
Unstructured Direct Ink Write 3D Printing of Functional Structures with Ambient Temperature Curing Dual-Network Thermoset Ink
and 4 collaborators
Apresentação do R com um exemplo de análise de regressão não-linear
No seguimento dum artigo anterior acerca da análise de regressão não-linear (simples) utilizando a ferramenta Solver® do Excel® propõe-se neste artigo a apresentação do R, uma linguagem de programação e um ambiente para computação estatística e gráfica, através da sua aplicação na “descrição” de relações estatísticas (não-lineares) entre variáveis.
Palavras-chave: R, Regressão não-linear.
O R \cite{RCoreTeam2017} é ao mesmo tempo uma linguagem de programação e um ambiente para computação estatística e gráfica. Trata-se de uma linguagem de programação especializada em computação com dados. Uma das suas principais características é o seu carácter gratuito e a sua disponibilidade para uma gama bastante variada de sistemas operativos (vd. ). Apesar do seu carácter gratuito, o R é uma ferramenta bastante poderosa com boas capacidades ao nível da programação e um conjunto bastante vasto (e em constante crescimento) de packages que acrescentam bastantes potencialidades à já poderosa versão base do R \cite{Torgo2006}. Contudo, o termo “ambiente” pretende caracterizar o R como um sistema completo e coerente ao invés dum conjunto de ferramentas muito específicas e relativamente inflexíveis \cite{Venables2006}.
O R pode ser entendido como uma implementação da linguagem S desenvolvida por Rick Becker, John Chambers e Allan Wilks nos Bell Laboratories (E.U.A.), que também constitui a base do software S-Plus® (Insightful Corp.). A evolução da linguagem S está descrita em quatro livros de John Chambers e colaboradores. As “distribuições” do R incluem um bom conjunto de manuais (vd. ) e existem, actualmente, vários livros que descrevem a utilização do R para análise estatística de dados (vd. ), e.g. \cite{Dalgaard2002} ou \cite{crawley2007r}. Na última revisão deste artigo usei a versão 2.12.0 (embora sejam disponibilizadas regularmente “novas” versões do R). O ficheiro de instalação (R-X.XX.X-win32.exe) para Microsoft Windows® pode ser obtido em e o processo de instalação é simples. Também existem “versões” para Mac OS e Unix/Linux, e 64-bit para Windows. O sítio electrónico do projecto constitui a principal referência do R e funciona como ponto de partida para explorar mais este sistema.
Boa parte das pessoas utiliza o R como um sistema para análise estatística de dados, uma vez que a maioria das “estatísticas clássicas” e muitas das metodologias mais recentes estão disponíveis, embora os promotores prefiram “pensar” o R como um ambiente no qual essas técnicas têm sido implementadas \cite{Venables2006}. Cerca de 25 pacotes (i.e. conjuntos de funções) fazem parte do sistema básico (os “recommended” packages), mas muitos outros estão disponíveis através do CRAN (via para instalação.
Uma importante diferença entre a linguagem S (e o R) e outros sistemas (e.g. SPSS® ou SAS®) reside na (muito) menor quantidade de resultados apresentados para uma qualquer análise estatística, embora os resultados sejam guardados em objectos para posterior consulta ou utilização pelo R noutras funções \cite{Venables2006}.
Neste artigo, pretende-se apresentar (muito sucintamente) o R, uma linguagem de programação especializada em computação com dados, utilizando-a para analisar problemas cujo objectivo é “descrever” relações estatísticas (não-lineares) entre variáveis. Não se pretende discutir aqui os aspectos estatísticos dos resultados obtidos, apenas o modus operandi (ainda que de forma simplificada).
Os vários aspectos relacionados com a regressão não-linear (simples) que servem de base a este artigo foram abordados, ainda que de forma informal e possivelmente incompleta, num artigo anterior \cite{Esteves2011}.
Em vários domínios do conhecimento, e.g. biologia, física, química, engenharia, etc., são usados modelos matemáticos para descrever um conjunto de dados empíricos, genericamente
\(y=f\left(\theta\right)+\epsilon\)
em que y é a variável dependente, x é a variável “independente” – por vezes, controlada pelo investigador – e f(x) é uma função que pode incluir um ou mais parâmetros θ, e ϵ são os erros aleatórios, independentes e com distribuição normal. Outra formulação, equivalente, é \(\hat{y}\ =f\left(x\right)\) (em que \(\hat{y}\) se lê valor esperado, ou estimado, de y). Quanto melhor f(x) se ajustar aos dados, mais “rigorosamente” descreverá aquela relação \cite{Brown2001}. Pretende-se ajustar a função f(x) aos dados empíricos de forma a minimizar os erros \(\epsilon_i\ =\ \left(y_i-\hat{y}\right)\). De facto, o objectivo é estimar o(s) parâmetro(s) da função f(x) de modo a minimizar a soma dos quadrados dos erros, SQE – método dos mínimos quadrados. No caso de funções (ou modelos) não-lineares, e.g. \(y=a\exp(b\cdot x)\), não é possível obter as estimativas dos parâmetros num único passo, como no caso de regressões lineares, pelo que a SQE é minimizada através dum processo iterativo (cíclico) utilizando um algoritmo apropriado que necessita dos valores iniciais dos parâmetros \(\theta_0\) \cite{Bowen1995}. Tradicionalmente, transformam-se as variáveis de alguns modelos não-lineares de forma a linearizar a relação e a permitir a sua análise através da regressão linear. Contudo, esta abordagem é válida se a(s) variável(is) transformadas se verificam os pressupostos da análise de regresão linear.
A utilização do R com um exemplo concreto (entretanto abordado por \cite{Esteves2011} usando a ferramenta Solver® do Microsoft Excel®) permitirá mostrar o funcionamento e demonstrar as capacidades do software. Como se imagina, as funcionalidades não se esgotam no que aqui se apresenta.
O aspecto do R ao iniciar uma sessão de trabalho em ambiente Windows® ilustra-se na Figura . Para além da barra de ferramentas no topo (que permite realizar as tarefas comuns: abrir/gravar ficheiros, cortar/colar texto, instalar pacotes, “gerir” as janelas, etc.) surge uma janela (R Console) na qual se introduzem os comandos, a seguir ao sinal >.
Admita-se que os dados que se pretendem analisar estão num ficheiro do Excel®. Em primeiro lugar, será necessário guardar uma versão (*.txt ou *.csv) - a extensão txt diz respeito a ficheiros de texto separado por tabulações enquanto a extensão csv está relacionada com ficheiros de texto separados por vírgulas - desse ficheiro utilizável pelo R (devem usar-se pontos, em vez de vírgulas, como separadores decimais).
Learning,_Participant_Observation,_and_Being-in-the-World
10 Questions to Ask When Creating a Visualization
and 1 collaborator