Teses e Dissertações

URI Permanente para esta coleção

https://repositorio.fei.edu.br/handle/FEI/719

Navegar

Navegando Teses e Dissertações por Orientador "Giacomini, R."

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Tese
    Um novo biomarcador para auxiliar na interpretação dos exames de espirometria através da aplicação da inteligência artificial e das funções das wavelets
    (2022) Piva, Rodrigo Galluzzi Garcia
    Nas últimas décadas, o volume de informações armazenadas digitalmente cresce em taxas expressivas. Soluções tradicionais relacionadas ao tratamento de séries temporais e inteligência artificial são amplamente aplicadas no contexto na extração de informação deste tipo de dado. Um dos sistemas mais robustos e de baixo custo para a aquisição de sinais de função pulmonar, são os espirometros. O processamento dos sinais de espirometria, através de inteligência artificial, utilizando um conjunto de wavelets para uma análise espacial e temporal da capacidade pulmonar, apresenta uma alternativa para classificação e ordenação de um conjunto de exames. Neste trabalho é proposto uma metodologia para classificar e representar uma relação entre exames de espirometria juntamente com conjuntos de exames posteriormente realizados para diferentes grupos de voluntários. Também é interessante mencionar que um novo marcador em exames de espirometria é de grande importância, visto que na nossa pesquisa bibliográfica poucos trabalhos foram encontrados utilizando um modelo matemático mais robusto na busca por novos marcadores e, procurando ter uma maior eficiência, utilizando-se modelos matemáticos e séries temporais, além da aplicação desses resultados em uma estrutura de armazenamento de dados de forma que possam ser estudadas no futuro, com a análise das wavelets que também são utilizadas por diversos pesquisadores como uma alternativa da série de fourier clássica, auxilia neste caso o médico pneumologista a ter um diagnóstico mais confiável e preciso. Assim, para a inteligência artificial ter sucesso, precisamos da inteligência e de um artefato, e o computador tem sido o artefato preferido. Este trabalho aplica métodos matemáticos em sistemas multiváriáveis, e através da análise estatística em conjunto com a inteligencia artificial, produz artefatos de forma a caracterizar exames de prova de função pulmonar em três níveis, classificando os pacientes em normal, obstrutivo ou restritivo. Oresultado final é um sistema computacional que demonstra graficamente os valores encontrados de um banco de dados, comparando-os com o resultado do exame obtido a ser analisado no momento. Através desse conjunto de ferramentas, utilizou-se um banco de dados, gentilmente cedido pela Dra. Silvia Rodrigues, proporcionando realizar o treinamento do modelo e, utilizando ferramentas de I.A., extraindo a covariância dos coeficientes produzidos pelas wavelets, possibilitando a classificação em três grupos distintos (clustering), e através da regressão de Ridge, criar parâmetros como o índice de precisão de uma nova amostra analisada
  • Imagem de Miniatura
    Dissertação
    Uso da transferência de aprendizado na análise de dados de efeitos destrutivos de ions pesados (SEB)
    (2023) Santos, Júlia Tauane
    Este trabalho, aborda a contribuição metodológica do uso da técnica de transferência de aprendizado aplicada a um modelo de rede neural previamente utilizado, a fim de classificar íons sob efeitos radioativos em transistores. A transferência de aprendizado consiste na utilização de um aprendizado de máquina aplicado anteriormente em determinada situação ou problema, transferindo o conhecimento para uma nova classificação de um assunto correlacionado, porém distinto. A sua utilização viabiliza uma maior capacidade de processamento no aprendizado da rede neural e mais rapidez, que se tornam aliados no desenvolvimento de modelos de segmentação de redes neurais convolucionais. O foco desta pesquisa está na utilização do treinamento de uma rede neural para a classificação de efeito de eventos únicos (SEE) com um transistor 3N163, sendo transferido esse aprendizado obtido anteriormente para uma nova classificação dados de efeitos destrutivos de íons pesados (SEB), subclasse do SEE, com um transistor IRLZ34NPbF, portanto, componentes com características físicas diferentes e efeitos correlacionados, porém distintos. A utilização da técnica de transferência de aprendizado no treinamento da rede neural artificial resultou em uma redução aproximada de 67% no tempo de processamento, quando comparada à rede neural DeepConvLSTM treinada sem a transferência de conhecimento prévio. Essa redução no tempo de processamento demonstra a eficiência e o benefício da transferência de aprendizado na aceleração do treinamento do modelo. Além disso, o modelo treinado com a técnica de transferência de aprendizado alcançou uma precisão de 99,07% nos dados treinados ao longo de 100 épocas. Essa alta precisão sugere que o modelo foi capaz de fazer previsões corretas na maioria das instâncias durante o treinamento, evidenciando a capacidade da transferência de aprendizado em melhorar o desempenho e a acurácia do modelo