Eventos

DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 318

Aluno: Paulo Roberto Varjal de Melo

Título: “Desenvolvimento de um Sistema Detecção de Sonolência em Motoristas"

Orientador: Fernando Buarque de Lima Neto

Examinador Externo: Francis Trombini de Souza(UPE)

Examinador Interno: José Paulo Gonçalves de Oliveira

Data-hora: 28 de fevereiro de 2025, às 10h.
Local: Formato Híbrido - Miniauditório PPGEC e Google Meet.


Resumo:

         "Os acidentes de trânsito configuram-se como um dos mais graves problemas de saúde pública e segurança viária no mundo, resultando anualmente em cerca de 1,19 milhão de mortes e entre 20 a 50 milhões de feridos não fatais [1]. Fatores como “condutor dormindo”, “reação tardia” e “ausência de reação” estão diretamente associados à sonolência, contribuindo de forma expressiva para o aumento no número de acidentes e fatalidades. Nesse contexto, desenvolvem-se esforços para criar soluções de detecção de sonolência em tempo real antes que os acidentes ocorram. Este trabalho aborda, inicialmente, um levantamento exploratório de bases de imagens (fotos e vídeos) aplicáveis à detecção de sonolência em motoristas, bem como de modelos pré-treinados (ex.: MediaPipe, Dlib, MTCNN) que possibilitem a extração de características faciais relevantes (olhos, boca, posição da cabeça, entre outras). Em seguida, apresenta-se o desenvolvimento de um sistema próprio de detecção de sonolência em tempo real, o qual: (i) integra múltiplos indicadores — como frequência de piscadas, frequência de bocejos, PER-CLOS (Percentage of Eye Closure) e HNF (Head Nodding Frequency) —, (ii) emprega análise temporal por meio de médias móveis para suavizar flutuações pontuais nos sinais e detectar tendências graduais de cansaço, (iii) permite personalização, pois o próprio usuário pode rotular seu estado (“Alerta” ou “Sonolento”), tornando o sistema adaptado a características individuais, (iv) foi implementado em um dispositivo de baixo custo (Raspberry Pi), comprovando a viabilidade operacional sem necessidade de hardware sofi sticado, (v) passou por validações iniciais em cenários realistas, utilizando tanto um computador quanto a Raspberry Pi em vídeos de uma base pública (UTA-RLDD), e (vi) exibiu desempenho elevado, atingindo 100,0% de acurácia para o estado “Alerta” e 99,8% para “Sonolento”. Os resultados reforçam a importância de uma abordagem híbrida, que combine técnicas de visão computacional e inteligência artificial com métodos de análise temporal e personalização de limiares. Conclui-se que a fusão de múltiplos indicadores e a capacidade de adaptação às peculiaridades de cada motorista elevam a precisão na identificação de sonolência ao volante, configurando um instrumento promissor para a redução de acidentes. Pesquisas futuras podem incluir dados brutos de marcos faciais e testar o modelo em condições ainda mais diversas, visando aumentar sua robustez e aplicabilidade prática"

Defesa 318

DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 317

Aluna: Camila Fragoso Siqueira Campos

Título: “Major Depressive Disorder Presiction from EEG data using Machine Learning Models"

Orientador: João Fausto Lorenzato de Oliveira

Coorientador: Fernando Buarque de Lima Neto

Examinador Externo: Manoel Henrique da Nóbrega Marinho (UPE)

Examinador Interno: Patrícia Takako Endo

Data-hora: 26 de fevereiro de 2025, às 09h.
Local: Formato Remoto.


Resumo:

         "O Transtorno Depressivo Maior (MDD, na sigla em inglês) representa uma significativa carga para a saúde global, caracterizado por angústia emocional generalizada e prejuízo funcional. Apesar de sua prevalência, o diagnóstico de MDD ainda depende de avaliações clínicas subjetivas, o que pode levar a resultados inconsistentes. Esta tese propõe uma abordagem inovadora para o diagnóstico de MDD por meio de um sistema híbrido de aprendizado de máquina utilizando dados de eletroencefalograma (EEG). O estudo utiliza o conjunto de dados MODMA, composto por registros de EEG de pacientes com MDD e controles saudáveis, complementado por dados sintéticos gerados usando GANs Condicionais e Modelos de Mistura Gaussiana. Técnicas abrangentes de extração de características capturam atributos lineares, não lineares e do domínio tempo-frequência dos sinais de EEG, permitindo que o modelo aproveite a complexidade das dinâmicas neurais. O modelo híbrido proposto combina múltiplos algoritmos de aprendizado de máquina usando votação por maioria, alcançando um equilíbrio entre precisão e robustez. O sistema híbrido demonstra alta precisão, comparável aos algoritmos separadamente. Ao abordar as limitações das abordagens diagnósticas tradicionais e aproveitar os avanços em aprendizado de máquina, esta tese contribui para o desenvolvimento de ferramentas escaláveis, confiáveis e explicáveis para a saúde mental, abrindo caminho para intervenções precoces e personalizadas no diagnóstico de MDD. Por fim, outra contribuição da pesquisa é a integração de interpretabilidade utilizando o SHAP, que destaca as características e os canais de EEG mais relevantes para as previsões do modelo. Essa interpretabilidade garante transparência e promove confiança nos resultados do sistema, tornando-o adequado para aplicações clínicas."

Defesa 317

DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 316

Aluno: João Soares da Silva Macedo

Título: “The Impact of Optical Character Recognition System Changes on Named Entity Recognition Models"

Orientador: Byron Leite Dantas Bezerra

Coorientador: Cleber Zanchettin (UFPE)

Examinador Externo: Flavio Arthur Oliveira Santos (UFPE)

Examinador Interno: Wellington Pinheiro dos Santos

Data-hora: 25 de fevereiro de 2025, às 14h.
Local: Formato híbrido - Miniauditório do PPGEC e Google Meet.


Resumo:

         "In the current data-driven world, data has become extremely valuable, so it is important to gather as much high-quality structured data. Data extraction is very important in this scenario, as it is able to extract valuable information from unstructured documents. The state-of-the-art way to implement data extraction pipelines is through an Optical Character Recognition (OCR) system followed by a layout-aware Named Entity Recognition (NER) model. Although this pipeline performs really well, it has a drawback in its architecture, as you have to utilize two different models. In this work, we analyzed their relation and if the NER model is dependent on the OCR system. To evaluate whether changing the OCR system does impact the NER model, we trained the NER models using four different OCRs (Ground Truth, PaddleOCR, Easy OCR, and Azure OCR) and then compared the original f1 score with the f1 score of the model on the other OCRs. With this test, we proved that there is a significant drop in performance. Afterwards, we proposed two techniques that successfully mitigated the impact of OCR changes, mixed OCR and data augmentation. In addition, we propose one novel dataset for data extraction. This is a Brazilian ID dataset, which is different from most current NER datasets, as it is in Portuguese, and tackles a new class of documents."

Defesa 316

Pagina 1 de 62

Go to top Menu