Eventos
DEFESA DE TESE DE DOUTORADO Nº18
Aluno: Rogério Leite Araújo
Título: “MAsCoTe: uma tecnologia de comunicação assistiva móvel para auxiliar na comunicação de afásicos”
Orientador: Wellington Pinheiro dos Santos - (PPGEC)
Examinadora Externa: Ana Cláudia de Carvalho Vieira - (UFPE)
Examinador Externo: Thiago Vasconcellos Modenesi - (UFPE)
Examinador Interno: Alexandre Magno Andrade Maciel - (PPGEC)
Examinador Interno: Sidney Marlon Lopes de Lima - (PPGEC)
Data-hora: 28 de março de 2024, às 13:00h.
Local:Formato Remoto - Google Meet.
Resumo:
A afasia é uma condição permanente que afeta diretamente a habilidade humana de comunicação, resultando em dificuldades ou até mesmo na impossibilidade de expressar pensamentos e interagir com outras pessoas. Para melhorar a qualidade de vida dos afetados por essa condição, a tecnologia assistiva desempenha um papel crucial. Nesse contexto, o foco deste trabalho foi o desenvolvimento do aplicativo MAsCoTe (Mobile Assistive Communication Technology) para oferecer autonomia e independência aos usuários com afasia, auxiliando-os nas atividades diárias, como alimentação, lazer e situações de emergência. No entanto, para garantir uma experiência satisfatória e eficaz, é fundamental que a interface do aplicativo proporcione uma interação de qualidade. Assim, este trabalho visa atender às necessidades de indivíduos com afasia, integrando comunicação alternativa, tecnologia assistiva e interação humano-computador (IHC). Após o desenvolvimento do aplicativo MAsCoTe, foi aplicado o ASHA-FACS (Functional Assessment of Communication Skills for Adults) para avaliar as habilidades de comunicação dos usuários com afasia. Este protocolo de avaliação é reconhecido pela American Speech-Language-Hearing Association (ASHA) e fornece uma estrutura sistemática para avaliar a comunicação em adultos com distúrbios de fala e linguagem. Além disso, foi utilizado o SUS (System Usability Scale) para verificar a usabilidade do aplicativo. O SUS é uma escala amplamente utilizada para avaliar a usabilidade de sistemas, produtos e serviços interativos. Consiste em uma série de perguntas relacionadas à facilidade de uso, eficiência e satisfação do usuário com o sistema. Essas avaliações foram cruciais para identificar pontos fortes e áreas de melhoria no aplicativo MAsCoTe, permitindo ajustes e refinamentos para garantir uma experiência de uso mais eficaz e satisfatória para os usuários com afasia. Os resultados obtidos foram fundamentais para aprimorar a acessibilidade e a funcionalidade do aplicativo, tornando-o mais adaptado às necessidades específicas dos usuários com afasia.
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº296
Aluno: Tiago Ramos Abreu
Título: “Desenvolvimento de Modelos de Aprendizagem de Máquina para Previsão Quebra de Bobinas Durante o Processo de Laminação à Frio do Alumínio"
Orientador: Alexandre Magno Andrade Maciel - (PPGEC)
Examinadora Externa: Claudemiro de Lima Júnior - (UPE)
Examinador Interno: Eraylson Galdino da Silva - (PPGEC)
Data-hora: 27 de março de 2024, às 14:00h.
Local: Formato Remoto - Google Meet.
Resumo:
A indústria de transformação de metais como a do alumínio, aço e cobre tem na laminação à frio um processo imprescindível na produção de materiais indispensáveis ao cotidiano. Durante este processo, um problema típico ocorre com frequência. Strip Breakage, também conhecida como Snap, é um dos principais degradadores do processo de laminação à frio do alumínio. Portanto, este trabalho desenvolve modelos de Aprendizagem de Máquina para prever a quebra de tira, através da investigação da relação entre as variáveis e o evento de quebra, usando técnicas de seleção de atributos para redução de dimensionalidade do problema, comparando métodos de classificação baseados em árvores, como Árvores de Decisão (DT), Random Forest (RF) e Extra Trees (ET). Durante o protocolo utilizado nesta pesquisa, os modelos foram avaliados para o conjunto completo de dados com parâmetros iniciais convencionais, em seguida foi realizada uma nova avaliação dos modelos já com os parâmetros otimizados ainda com alta dimensão dos dados e por fim, foi realizada uma avaliação dos modelos com os melhores atributos selecionados. Sendo que o modelo que performou melhor foi o DT com 21 atributos, com um recall ou TPR (True Positive Rate) de 0.863 e um AUC de 0.926.
DEFESA DE TESE DE DOUTORADO Nº 17
Aluno: Rodrigo Felipe Albuquerque Paiva de Oliveira
Título: “OrGANiCells: Um Framework para Orquestração de Estratégias de Regularização de Instabilidades de Redes Adversariais Generativas para Pipelines de Síntese de Imagens de Células do Sangue”
Orientador: Carmelo José Albanez Bastos Filho - (PPGEC)
Examinador Externo: Fernando José Ribeiro Sales - (UFPE)
Examinador Externo: Felipe Silva Ferraz - (UFPE)
Examinador Externo: Rodrigo de Paula Monteiro - (UPE)
Examinador Interno: Diego Marconi Pinheiro Ferreira Silva - (PPGEC)
Data-hora: 28 de março de 2024, às 13:00h.
Local:Formato Remoto - Google Meet.
Resumo:
Uma das principais tarefas na análise de exames clínicos é detectar padrões para diagnosticar doenças com mais precisão. No entanto, técnicas de aprendizado profundo exigem uma grande quantidade de dados para generalizar suas previsões. As abordagens clássicas de geração de imagens sintéticas não possuem a diversidade necessária nos novos exemplos gerados. Essa restrição implica na assertividade dos modelos, pois eles carecem de recursos que representem o domínio completo das imagens originais, como observado na literatura. Uma abordagem alternativa para gerar imagens representando novas entidades a partir de um conjunto de imagens é aplicar GAN (Redes Adversárias Generativas) para criar novos conjuntos de dados a partir de amostras reais. O presente trabalho propõe um framework para gerar imagens sintéticas de células brancas do sangue com estratégias de orquestração para regularizar as instabilidades conhecidas do GAN, o OrGANiCells. Durante nossos experimentos, desenvolvemos um detector de instabilidade capaz de orquestrar estratégias de regularização dinamicamente na pipeline de geração de imagens sintéticas. Além disso, incluímos uma etapa de avaliação da qualidade supervisionada por especialistas humanos. Para avaliar o conjunto de dados sintéticos, misturamos aleatoriamente imagens geradas pela pipeline OrGANiCells com exemplos do conjunto de dados de imagens do mundo real e apresentamos aos profissionais biomédicos uma avaliação em relação à categorização dos tipos celulares. A avaliação cega dos profissionais biomédicos em relação à percepção da qualidade das amostras geradas pelo GAN apresentou resultados satisfatórios ao comparar a acurácia do conjunto de dados real (88,61%) com a acurácia do conjunto de dados gerado (71,66%) em todo o experimento. Apesar desse resultado, do ponto de vista da avaliação da diversidade e originalidade das amostras geradas pelo OrGANiCells, é necessário investigar métricas que atestem quantitativamente a eficácia dessa implementação.
O Programa
