Engenharia Eletrônica (UACSA)

URI permanente desta comunidadehttps://arandu.ufrpe.br/handle/123456789/2916

Siglas das Coleções:

APP - Artigo Publicado em Periódico
TAE - Trabalho Apresentado em Evento
TCC - Trabalho de Conclusão de Curso

Navegar

Agora exibindo 1 - 3 de 3

Classificação dos estágios do sono por meio de sinais de polissonografia com auxílio de algoritmos de aprendizagem de máquina e processamento de sinais
(2023-04-26) Sobreira, José Lucas de Vasconcelos Costa; Ferreira, Felipe Alberto Barbosa Simão; http://lattes.cnpq.br/9939255113143786; http://lattes.cnpq.br/7848280458599931
Uma das grandes razões para a incidência de graves problemas de saúde na atualidade são os distúrbios do sono. Alguns dos impactos destes na saúde vão desde a perda de produtividade nas atividades diárias até a incidência de obesidade. Hoje, a Polissonografia (PSG) é considerada um método padrão de alta qualidade para diagnósticar diversos distúrbios do sono. Contudo, o processo de diagnóstico destes distúrbios utilizando PSG é um trabalho exaustivo, uma vez que são necessárias anotações de especialistas durante a gravação dos sinais fisiológicos do paciente, que em muitos casos dura mais do que 6 horas. Além disso, a classificação dos estágios do sono por meio de anotações de especialistas requere que o mesmo defina um padrão de estágios cerebrais baseado em frequências de ondas mostradas no PSG para então realizar as anotações, tornando o processo de classificação de maneira manual trabalhoso. Como alternativa, há métodos sugeridos na literatura utilizando modelos de algoritmos de aprendizagem de máquina para classificação dos estágios do sono, facilitando assim o processo de diagnóstico de distúrbios relacionados a este estado fisiológico. Desenvolvimentos recentes presentes na literatura demonstram uma acurácia de 80% a 95% utilizando algoritmos de aprendizagem de máquina na classificação de estágios do sono, a depender do número de pacientes estudados e da técnica utilizada. Este trabalho propõe estudar e analisar algoritmos de aprendizagem de máquina para classificação de estágios de sono utilizando processamento de sinais de PSG de diferentes pacientes e seguindo os padrões da American Academy of Sleep Medicine (AASM) com valores pré-definidos para cada estágio de sono. A metodologia utilizada para desenvolver o algoritmo é descrita neste documento, tal como a avaliação de desempenho do modelo gerado pelo algoritmo de aprendizagem de máquina utilizando a técnica de árvore de decisão e random forest, mostrando que o modelo desenvolvido consegue alcançar um desempenho semelhante ao presente na literatura.
Filtragem de sinais sobre grafos aplicada à classificação de dados ruidosos definidos em estruturas irregulares
(2023-10-03) Medeiros, Jorge Barros; Ferreira, Felipe Alberto Barbosa Simão; http://lattes.cnpq.br/9939255113143786; http://lattes.cnpq.br/9517722947492097
As redes convolucionais baseadas em grafos (Graph Convolutional Networks, GCN) permitem que modelos de redes neurais profundas aprendam a partir de dados definidos em estruturas irregulares representados por meio de um grafo. Essa abordagem tem atraído cada vez mais atenção nos últimos anos. Tais algoritmos geralmente aprendem com base na informação associada aos vértices e arestas do grafo, sendo possível utilizá-las para melhorar o desempenho de diversas tarefas como classificação de vértices, de um sinal definido sobre o grafo ou do próprio grafo. O objetivo deste trabalho é avaliar a classificação de dados ruidosos dispostos em uma estrutura irregular a partir do treinamento de filtros passa-baixas realizado pelas camadas convolucionais de uma GCN. Os filtros são projetados e aplicados baseando-se em ferramentas de processamento de sinais sobre grafos como a transformada de Fourier sobre grafos. A rede neural convolucional baseada em grafos realizará o aprendizado de parâmetros para diferentes escalas de ruídos no domínio da transformada de Fourier sobre grafos que sejam capazes de extrair informação relevante para classificação do conjunto de dados ruidosos.
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/5085706500819680
Doenças 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.