05.1 - Graduação (UACSA)
URI permanente desta comunidadehttps://arandu.ufrpe.br/handle/123456789/2909
Navegar
Item Impactos, oportunidades e perspectivas para a implementação da eletrificação dos meios de transporte no Brasil(2024-03-07) Siqueira, Breno Filipe Andrade Lima de; Almeida Neto, Fernando Gonçalves de; http://lattes.cnpq.br/0473869396914603; https://lattes.cnpq.br/1256466512019055Os avanços tecnológicos associados à mobilidade, a crescente preocupação em relação à escassez de recursos energéticos, os estudos e perspectivas sobre mudanças climáticas globais e as discussões relacionadas à preservação do meio ambiente, têm trazido à tona a necessidade de modernização dos meios de transporte que corroborem com ações menos agressivas ao meio ambiente, abrindo espaço para tecnologias da eletromobilidade. Nesta conjuntura, este trabalho aborda a importância da mobilidade elétrica como resposta aos desafios das mudanças climáticas e da necessidade de reduzir as emissões de gases de efeito estufa. Bem como, discute os impactos, oportunidades e perspectivas para a implementação da eletrificação dos meios de transporte no Brasil, sob a ótica dos impactos de políticas públicas norteadoras para sua implementação, incluindo incentivos fiscais, subsídios, regulamentações e normas. Para tanto, metodologicamente o trabalho baseou-se em uma abordagem de pesquisa qualitativa, realizada através da consulta a estudos acadêmicos, relatórios técnicos, dados estatísticos, políticas públicas e documentos governamentais relacionados à eletrificação dos meios de transporte. Os resultados obtidos revelam que o Brasil encontra-se em um ritmo mais lento para a regulamentação da mobilidade elétrica em relação a países como China, Estados Unidos e países da União Europeia, mas que segue como um nicho com grande potencial para a expansão e para a consolidação de tecnologias associadas à eletromobilidade. A partir do estudo realizado, este trabalho destaca implicações práticas e possíveis direções futuras para a adoção e promoção da mobilidade elétrica, considerando as experiências de países que estão mais avançados na adoção da mobilidade elétrica como uma alternativa aos veículos à combustão.Item PyCBPE: umframework opensource para estudo de desempenho de algoritmos de aprendizagem de máquina aplicados para estimar a pressão arterial através de sinais de fotopletismografia(2021-07-15) LUZ, Luigi Fernando Marques da; Almeida Neto, Fernando Gonçalves de; Silva Neto, Eronides Felisberto da; http://lattes.cnpq.br/4364517952689670; http://lattes.cnpq.br/0473869396914603; http://lattes.cnpq.br/5085706500819680Doenças cardíacas são uma grande causa de mortes na atualidade. Um indicador tí pico de doenças cardíacas graves é a pressão arterial elevada, que pode ser usada para auxiliar no diagnóstico de muitas doenças do coração. Contudo, o diagnóstico apropriado de muitas doenças pode requerer um monitoramento contínuo da pressão sanguínea, o que pode ser difícil de se obter, uma vez que o método padrão, baseado no esfigmomanômetro, não permite medições contínuas e a cânula invasiva é custosa, desconfortável para o paciente e necessita de infraestrutura hospitalar. Como alternativa, técnicas aplicando sinais de fotopletismografia (PPG) têm sido propostas recentemente para estimar a pressão arterial. Essas técnicas usam sinais de PPG, que podem ser aferidos através de um sensor nãoinvasivo, aplicados no dedo do paciente, por exemplo. Avanços recentes na literatura mostram que esses sinais podem ser usados como entradas para modelos de algoritmos de aprendizagem de máquina, com o propósito de estimar a pressão arterial de forma a atender alguns padrões internacionais para equipamentos médicos. Embora o número de trabalhos relacionados a este campo de estudo esteja aumentando, os autores normalmente não disponibilizam suas simulações, o que dificulta a comparação entre essas diferentes abordagens. Este trabalho propõe um framework de código aberto para auxiliar na comparação de desempenho entre algoritmos de aprendizagem de máquina, aplicados para estimar a pressão arterial a partir de sinais de PPG. A metodologia utilizada para desenvolver o framework é detalhada neste documento e uma comparação de desempenho entre modelos gerados por quatro algoritmos de aprendizagem de máquina (Regressão Linear, Árvore de Decisão, Random Forest e AdaBoost) é apresentada. A comparação mostra que usando o framework proposto, os modelos conseguem alcançar desempenhos semelhantes aos obtidos na literatura.