Um novo biomarcador para auxiliar na interpretação dos exames de espirometria através da aplicação da inteligência artificial e das funções das wavelets
Carregando...
Arquivos
Citações na Scopus
Tipo de produção
Tese
Data
2022
Autores
Piva, Rodrigo Galluzzi Garcia
Orientador
Giacomini, R.
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
PIVA, Rodrigo Galluzzi Garcia. Um novo biomarcador para auxiliar na interpretação dos exames de espirometria através da aplicação da inteligência artificial e das funções das wavelets. 2022. 102 p. Tese (Doutorado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2022. Disponível em: https://doi.org/10.31414/EE.2022.T.131506.
Texto completo (DOI)
Palavras-chave
espirometria,wavelets (matemática),inteligência artificial
Resumo
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
In the last decades, the volume of information stored digitally grows at expressive rates. Traditional solutions related to the treatment of time series and artificial intelligence are widely applied in the context of extracting information from this type of data. One of the most robust and low-cost systems for acquiring signs of pulmonary function are spirometers. The processing of spirometry signals, through artificial intelligence, using a set of wavelets for a spatial and temporal analysis of lung capacity, presents an alternative for classifying and ordering a set of exams. In this work, a methodology is proposed to classify and represent a relationship between spirometry tests together with sets of tests performed later for different groups of volunteers. It is also interesting to mention that a new marker in spirometry tests is of great importance, since in our bibliographic research few works were found using a more robust mathematical model in the search for new markers and, seeking to have greater efficiency, using models mathematical and time series, in addition to the application of these results in a data storage structure so that they can be studied in the future, with the analysis of wavelets that are also used by several researchers as an alternative to the classic Fourier series, helps in this case the pulmonologist to have a more reliable and accurate diagnosis. So for artificial intelligence to succeed, we need intelligence and an artifact, and the computer has been the artifact of choice. This work applies mathematical methods in multivariable systems, and through statistical analysis in conjunction with artificial intelligence, produces artifacts in order to characterize pulmonary function tests at three levels, classifying patients as normal, obstructive or restrictive. The final result is a computer system that graphically demonstrates the values found from a database, comparing them with the exam result obtained to be analyzed at the moment. Through this set of tools, a database was used, kindly provided by Dr. Silvia Rodrigues, providing the training of the model and, using A.I. tools, extracting the covariance of the coefficients produced by the wavelets, allowing the classification into three distinct groups (clustering), and through Ridge regression, creating parameters such as the precision index of a new analyzed sample.
In the last decades, the volume of information stored digitally grows at expressive rates. Traditional solutions related to the treatment of time series and artificial intelligence are widely applied in the context of extracting information from this type of data. One of the most robust and low-cost systems for acquiring signs of pulmonary function are spirometers. The processing of spirometry signals, through artificial intelligence, using a set of wavelets for a spatial and temporal analysis of lung capacity, presents an alternative for classifying and ordering a set of exams. In this work, a methodology is proposed to classify and represent a relationship between spirometry tests together with sets of tests performed later for different groups of volunteers. It is also interesting to mention that a new marker in spirometry tests is of great importance, since in our bibliographic research few works were found using a more robust mathematical model in the search for new markers and, seeking to have greater efficiency, using models mathematical and time series, in addition to the application of these results in a data storage structure so that they can be studied in the future, with the analysis of wavelets that are also used by several researchers as an alternative to the classic Fourier series, helps in this case the pulmonologist to have a more reliable and accurate diagnosis. So for artificial intelligence to succeed, we need intelligence and an artifact, and the computer has been the artifact of choice. This work applies mathematical methods in multivariable systems, and through statistical analysis in conjunction with artificial intelligence, produces artifacts in order to characterize pulmonary function tests at three levels, classifying patients as normal, obstructive or restrictive. The final result is a computer system that graphically demonstrates the values found from a database, comparing them with the exam result obtained to be analyzed at the moment. Through this set of tools, a database was used, kindly provided by Dr. Silvia Rodrigues, providing the training of the model and, using A.I. tools, extracting the covariance of the coefficients produced by the wavelets, allowing the classification into three distinct groups (clustering), and through Ridge regression, creating parameters such as the precision index of a new analyzed sample.