Eventos
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 327
Aluno: Raphael Brito Alencar
Título: "Da Imagem ao Rótulo: Uma Pipeline de Pré-processamento e Agrupamento de Batimentos Cardíacos em ECGs"
Orientador: Carmelo José Albanez Bastos Filho
Examinadora Externa: Claudinalle Farias Queiroz de Souza (UPE)
Examinador Interno: Hemir da Cunha Santiago
Data-hora: 16 de junho de 2025 às 15h
Local: Formato Remoto - Google Meet.
Resumo:
As doenças cardiovasculares persistem como uma das principais causas de morte globalmente, superando o câncer em indivíduos com menos de 85 anos. Nesse cenário urgente pela prevenção e detecção precoce, o eletrocardiograma (ECG) é uma ferramenta crucial para o acompanhamento e identificação de problemas cardíacos. Embora de baixo custo e não invasivo, a interpretação manual de seus sinais é um processo demorado e propenso a erros, exigindo grande experiência médica. Adicionalmente, há uma dificuldade em encontrar sistemas eficazes para digitalizar exames de ECG gerados por eletrocardiógrafos legados. Este trabalho propôs o desenvolvimento de uma abordagem inovadora para auxiliar nesse desafio, criando uma pipeline que digitaliza imagens de ECG, pré-processa os sinais extraídos e utiliza algoritmos de aprendizado de máquina para agrupar e rotular as batidas cardíacas. Para isso, foi utilizada a base de dados PTB Diagnostic ECG Database, que compreende 549 registros de 15 derivações a 1000 amostras por segundo, de 290 indivíduos com e sem patologias cardíacas. A pesquisa demonstrou que, por meio de técnicas de processamento de sinais e imagem, é possível estabelecer uma etapa eficaz para a coleta de dados de um sinal de ECG a partir de uma imagem digitalizada. O pré-processamento cuidadoso, que inclui a filtragem de ruídos como Baseline Wander (BW) e Powerline Interference (PLI), revelou-se crucial para a obtenção de uma segmentação de dados de alta qualidade, incorporando a filtragem de ruídos inerentes aos sinais de ECG. Os algoritmos de clusterização, DBSCAN e Gaussian Mixture Models (GMM), foram capazes de organizar os sinais de ECG em grupos com morfologias visivelmente distintas. Foi notável a surpreendente similaridade nos resultados entre DBSCAN e GMM, ambos atribuindo as mesmas batidas aos mesmos clusters. Testes estatísticos confirmaram que certas características dos sinais eram importantes para essa separação dos grupos. Além disso, o alto desempenho de modelos classificadores supervisionados (Random Forest, SVM, MLP e CNN) que utilizaram os rótulos gerados pelos clusters reforçou a confiabilidade da abordagem de clusterização. A clusterização demonstrou que todas as batidas de ECG consideradas normais foram alocadas em um único cluster, sugerindo que esse grupo representa o padrão típico de batida normal. Contudo, a identificação de batidas possivelmente normais em ECGs diagnosticados como anormais indica que a condição de anormalidade não se manifesta uniformemente em todos os batimentos. Essa tecnologia tem potencial para uso em dispositivos móveis, apoiando profissionais de saúde em áreas remotas no diagnóstico e prevenção de doenças cardíacas. Mais importante, essa abordagem oferece uma solução eficiente e escalável para a rotulagem automática de grandes volumes de dados de ECG, superando o gargalo da rotulagem manual. Em resumo, este trabalho mostra que a combinação de processamento de imagens e agrupamento de dados pode separar eficientemente os sinais de ECG em categorias distintas, pavimentando o caminho para avanços na detecção precoce de problemas cardíacos."
DEFESA DE TESE DE DOUTORADO Nº 30
Aluno: André Luiz da Silva Xavier
Título: "HARMONIE: Uma Abordagem Híbrida com Seleção de Características para Previsão"
Orientador: Bruno José Torres Fernandes
Coorientador: João Fausto Lorenzato de Oliveira
Examinador Externo: Paulo Alexandre Ribeiro Cortez (UMinho)
Examinadora Externa: Rodrigo Gomes de Arruda (UFPE)
Examinador Externo: Manoel Henrique da Nóbrega Marinho (UPE)
Examinador Interno: Cleyton Mário de Oliveira Rodrigues
Data-hora: 18 de Junho de 2025 às 9h
Local: Formato presencial - Miniauditório PPGEC
Resumo:
"A previsão da inflação no Brasil, cujo índice oficial é o Índice Nacional de Preços ao Consumidor Amplo (IPCA), apresenta um desafio complexo devido à natureza multifacetada do fenômeno, caracterizada pela coexistência de padrões lineares e não lineares, além da influência de fatores exógenos. Sistemas Híbridos (SHs), que combinam modelos lineares e não lineares por meio da modelagem residual, têm se mostrado promissores para enfrentar esses desafios. Contudo, a seleção eficiente de variáveis exógenas e a otimização de hiperparâmetros dos modelos de aprendizado de máquina (AM) utilizados na modelagem residual ainda limitam a precisão das previsões. Para superar essas limitações, esta tese propõe o método HARMONIE (Hybrid ARIMA Model with Optimized Nonlinear Inference Engine), uma abordagem híbrida composta por quatro etapas integradas: (i) seleção automatizada de variáveis exógenas via PSO binário; (ii) modelagem linear com SARIMAX; (iii) modelagem não linear dos resíduos com SVR otimizado por PSO contínuo; e (iv) combinação das previsões lineares e não lineares. A principal inovação do HARMONIE está na integração eficiente da seleção de características automatizada com a otimização metaheurística aplicada aos SHs, o que potencializa seu desempenho preditivo. A eficácia do HARMONIE foi avaliada na previsão do IPCA agregado e de seus principais subgrupos (Transportes, Alimentação e Bebidas, Habitação, Saúde e Cuidados Pessoais). Os resultados experimentais, analisados por meio de métricas de erro como MAE, MSE, RMSE e MAPE, além do teste estatístico de Diebold-Mariano, demonstraram a superioridade do HARMONIE em relação a modelos tradicionais, tanto lineares (ARIMA, ETS) quanto não lineares (SVR, MLP, RF), e outros SHs reportados na literatura. O HARMONIE representa não apenas uma contribuição metodológica significativa para a literatura de séries temporais, mas também um avanço na compreensão da modelagem preditiva de fenômenos econômicos complexos, estabelecendo um novo paradigma na interseção entre inteligência computacional e análise econômica. "
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 326
Aluno: João Guilherme Rangel de Carvalho
Título: "MARCHA: Modelagem Aplicada ao Reconhecimento de Condições de tráfego com perspectiva Humana e Análise preditiva"
Orientador: Bruno José Torres Fernandes
Examinadora Externa: Márcia Rejane Oliveira B. Carvalho Macedo (UPE)
Examinador Interno: Hemir da Cunha Santiago
Data-hora: 06 de Junho de 2025 às 9h
Local: Formato presencial - Sala CSEC
Resumo:
"O crescimento acelerado da frota veicular tem gerado impactos significativos na mobilidade, contribuindo para congestionamentos recorrentes, aumento dos tempos de deslocamento e elevação dos níveis de emissões de poluentes. A falta de infraestrutura viária adequada e a predominância de modelos de gestão de tráfego rigorosos e pouco adaptáveis agravam ainda mais esses problemas. Em especial, as cidades brasileiras ainda dependem, em grande parte, de sistemas semafóricos de tempo fixo, os quais não se ajustam dinamicamente às condições do tráfego, resultando em ineficiências operacionais e desperdício de tempo e combustível. Os Sistemas Inteligentes de Transporte (ITS) surgem como uma alternativa mais moderna para mitigar esses desafios, utilizando sensores, câmeras e algoritmos adaptativos para ajustar os tempos semafóricos. No entanto, sua implementação em larga escala ainda enfrenta dificuldades, devido aos altos custos de infraestrutura e manutenção, além da limitação de trabalhar de forma reativa. Diante desse cenário, esta pesquisa propõe um modelo denominado MARCHA (Modelagem Aplicada ao Reconhecimento de Condições de tráfego com perspectiva Humana e Análise preditiva), capaz de classificar e prever as condições do tráfego urbano utilizando dados de radares do Recife já implementados na via, sem necessidade de investimentos adicionais em novas infraestruturas. Além disso, incorpora postagens geolocalizadas de redes sociais, explorando-as como fonte complementar de dados para prever alterações no fluxo viário antes que congestionamentos se estabeleçam. A metodologia emprega técnicas de clusterização para segmentar padrões de tráfego e utiliza Processamento de Linguagem Natural (PLN) para analisar os sentimentos expressos nas postagens. Os resultados demonstraram que a análise combinada de dados de radares e redes sociais possibilitou uma previsão mais eficiente do fluxo viário, permitindo antecipar congestionamentos com maior precisão. A clusterização identificou três padrões distintos de tráfego, enquanto a avaliação de sentimentos revelou que postagens negativas apresentam maior correlação com períodos de congestionamento severo. Os modelos preditivos SVM, Random Forest e XGBoost obtiveram acurácia próximos a 90% e um Kappa Score mais estável em relação aos demais modelos avaliados na classificação das condições de tráfego. "
O Programa
