Eventos
Divulgação - Defesa Nº 212
Aluno: Kayo Henrique de Carvalho Monteiro
Título: “Análise de desempenho e disponibilidade de sistemas e-health conectados com IoT, fog e cloud”.
Orientador: Profa. Patricia Takako Endo
Data-hora: 26/Agosto/2020 (10:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (https://meet.google.com/oeg-cmiz-ixr)
Resumo:
“Em paralelo ao aumento da média de idade da população mundial, tem-se evidenciado, cada vez mais, a utilização de smartphones e dispositivos inteligentes que fazem uso da tecnologia de Internet da Coisas (IoT), dentre eles, destacam-se os dispositivos wearables. A utilização desses dispositivos traz uma válida oportunidade para prover serviços de saúde; com a advento da IoT, é possível fazer o acompanhamento remoto em tempo real de idosos, além de monitoramentos mais complexos. Entretanto os dispositivos IoT apresentam diversas limitações (processamento e armazenamento, por exemplo). Para suprir essas carências e melhorar as respectivas capacidades, podem ser acrescentado duas camadas a essa infraestrutura, a fog, na qual tem potencial de trazer o processamento dos dados para mais próximo do usuário; e a cloud que agrega armazenamento e processamento "ilimitados". Ainda que o uso dessas camadas auxiliem os sistemas e-health, é indispensável garantir também, que tenham bom desempenho e disponibilidade, tendo em vista que qualquer indisponibilidade pode gerar diversos inconvenientes. Esta dissertação propõe um protótipo que utiliza como infraestrutura IoT, fog e/ou cloud, no qual foram realizados experimentos para analisar o desempenho do sistema, além de analisar o custo de implementação e manutenção desse sistema. Os resultados obtidos nos experimentos com o protótipo são utilizados como dados de entrada para os modelos computacionais, também propostos nesta dissertação. Como consequência, é possível estimar a disponibilidade e o desempenho destes sistemas em diferentes cenários. Através dos resultados dos modelos computacionais com os dados reais é possível escolher a melhor configuração de infraestrutura levando em consideração custo, performance e disponibilidade.”
Divulgação - Defesa Nº 211
Aluno: Élisson da Silva Rocha
Título: “DEEPTUB: Plataforma para predição de morte por tuberculose baseado em modelos de Deep Learning utilizando dados demográficos, clínicos e laboratoriais”.
Orientador: Profa. Patricia Takako Endo
Coorientador: Vanderson de Souza Sampaio
Data-hora: 19/Agosto/2020 (11:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (https://meet.google.com/oko-vvbx-xmi)
Resumo:
“De acordo com a Organização Mundial da Saúde (OMS), a tuberculose é uma das dez principais causas de morte no mundo, sendo uma das doenças infecciosa mais mortal, superando o HIV e a malária. Vinte países em todo o mundo respondem por 83% das incidências de tuberculose no mundo; e o Brasil é um desses países. Embora existam numerosos estudos de machine learning e deep learning para melhorar o diagnóstico de tuberculose, há uma escassez de pesquisas sobre previsão de mortalidade pós-diagnóstico. Essa análise pode informar e melhorar significativamente a eficácia do tratamento pós-diagnóstico, resultando em melhor qualidade de vida dos pacientes e alocação de recursos no sistema de saúde. O objetivo desta dissertação é desenvolver uma plataforma, denominada DeepTub, para auxiliar na tomada de decisão de especialistas de saúde no pós-diagnostico de tuberculose. Três modelos de DL são propostos, uma rede neural totalmente conectada (do inglês fully connected neural network - FCNN) e uma rede neural convolucional (do inglês convolutional neural network - CNN) e outra FCNN utilizando a técnica de Ensemble com os dois primeiros modelos. Para tanto, foram utilizados dados do Sistema Nacional de Informações sobre Doenças Notificáveis (SINAN) de 2007 a 2018. Os modelos de deep learning apresentam resultados promissores, com destaque para o modelo CNN que obteve melhores valores em cinco métricas, com destaque para precisão e especificidade com 74.71% e 74.87%, respectivamente. Outra analise realizada em cima dos modelos, foi em relação a confiança da predição para altas probabilidades, e nesse caso, o modelo CNN chegou a 92.31% de sensibilidade para os pacientes acima de 90% de probabilidade de óbito ou não óbito. Sobre a interface gráfica desenvolvida, a mesma já foi bem aceita pelos especialistas de saúde por sua usabilidade e simplicidade.”
Divulgação - Defesa Nº 210
Aluno: Gabriel Alves de Lima
Título: “Diagnóstico de deficiências cognitivas e detecção de possíveis erros de rotulação para Doença de Alzheimer usando aprendizado não supervisionado”.
Orientador: Prof. Carmelo José Albanez Bastos Filho
Coorientador: Anthony José da Cunha Carneiro Lins
Data-hora: 17/Agosto/2020 (10:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (http://meet.google.com/whu-vxwp-vdy)
Resumo:
“O diagnóstico de deficiências cognitivas como demência e declínio cognitivo leve é desafiador, pois vários fatores estão relacionados não-linearmente a essas patologias. Assim, erros de classificação cometidos por um especialista podem se tornar mais frequentes. Neste trabalho é proposta uma técnica de classificação capaz de aprender os perfis dos pacientes de maneira não supervisionada e fornecer o valor semântico aos padrões encontrados usando a técnica Majority Voting. O objetivo é fornecer uma ferramenta robusta contra erros de classificação presentes nos dados. A técnica proposta apresenta uma acurácia média de 89,33 % e, quando comparado a uma rede neural artificial treinada de maneira supervisionada, é possível encontrar experimentalmente evidências de possíveis erros de diagnósticos em 9,14 % desse conjunto de dados. Isso mostra que essa contribuição é valiosa, pois pode indicar possíveis erros de rotulação.”
O Programa
