Eventos
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 286
Aluna: Morgana Thalita da Silva Leite
Título: “Evaluating undersampling techniques in the prediction of potential congenital syphilis cases using real data from Pernambuco, Brazil"
Orientadora: Patricia Takako Endo - (PPGEC)
Examinador Externo: Ivanovitch Silva - (UFRN)
Examinador Interno: Diego Marconi Pinheiro Ferreira Silva - (PPGEC)
Data-hora: 21 de dezembro de 2023, às 15:00h.
Local: Formato Remoto - Google Meet.
Resumo:
"Syphilis can be transmitted congenitally and may cause serious consequences for the child if not treated. The Programa Mãe Coruja Pernambucana (PMCP) is a brazilian public health program that helps pregnant women and saves data that can be used for prediction of potential congenital syphilis cases, through machine learning models. Only one work [1] was found that predicts congenital syphilis through machine learning. This research uses a different methodology that evaluates undersampling in prediction. Random Undersampling, UnderSampling Based on Clustering (SBC) and NearMiss were used. The data was preprocessed and undersampling applied, generating different balanced data sets to train and test different machine learning models and different metrics for evaluation. Undersampling discarded data evaluation and analysis of distribution of the best attributes were applied to evaluate undersampling in best models. In models results, NearMiss trained models had high metrics, and very low in the discarded data. SBC models had smaller metrics, and in the discarded data went lower. Random Undersampling models had the lowest metrics, however in the discarded data showed similar results. The distribution of best attributes of NearMiss models were not similar to the original, contrary to Random Undersampling and SBC. NearMiss models had best results in the models, through this work evaluation showed that they cannot generalize the PMCP data and have not a representative distribution of the original data. Random Undersampling models had the lowest metrics but showed consistency through the evaluations, and thus are recommended for the congenital syphilis prediction…"
Divulgação - DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 285
Aluno: Aldonso Martins de Oliveira Júnior
Título: “Anomaly Detection Techniques in the Service of Data Labling for Fault Diagnosis in Manufaturing"
Orientador: Alexandre Magno Andrade Maciel - (PPGEC)
Examinador Externo: Abel Guilhermino da Silva Filho - (UFPE)
Examinador Interno: João Fausto Lorenzato de Oliveira - (PPGEC)
Data-hora: 21 de dezembro de 2023, às 08:30h.
Local: Formato Remoto - Google Meet.
Resumo:
Esta tese investiga a aplicação de técnicas de detecção de anomalias não supervisionadas para detecção de falhas em maquinário industrial, especialmente em ambientes com escassez de dados rotulados. Baseando-se no trabalho de Leite et al. (2022), este estudo abrangente envolve duas abordagens investigativas principais: inicialmente, empregando modelos de detecção de anomalias treinados em dados normais para identificação de falhas, e, em seguida, introduzindo uma organização inovadora de conjuntos de dados para aprimorar a eficácia da detecção. A pesquisa demonstra a eficiência destes modelos na detecção de falhas e seu potencial em auxiliar no processo de rotulação de condições anormais. Descobertas notáveis incluem a capacidade dos modelos em suportar a rotulação de novas condições de falhas e a viabilidade de reduzir as taxas de amostragem sem comprometer o desempenho. Este trabalho contribui significativamente para o campo de detecção de falhas industriais, destacando a adaptabilidade e eficiência da detecção de anomalias em cenários com dados limitados, e fornece insights sobre metodologia, métricas de avaliação e direções para pesquisas futuras.
Divulgação - DEFESA DE TESE DE DOUTORADO Nº 11
Aluno: Maíra Araújo de Santana
Título: “Arquiteturas de redes profundas para interfaces musicais humano-máquina para reconhecimento de emoções em sinais eletroencefalográficos e de voz como apoio à musicoterapia”
Orientador: Wellington Pinheiro dos Santos - (PPGEC)
Examinadora Externa: Giselle Machado Magalhães Moreno - (UFPE)
Examinadora Externa: Juliana Carneiro Gomes - (UFPE)
Examinador Externo: Nivaldo Antonio Portela de Vasconcelos - (UFPE)
Examinador Interno: Byron Leite Dantas Bezerra - (PPGEC)
Data-hora: 19 de Dezembro de 2023, às 15:00h.
Local:Formato Remoto – Google Meet
Resumo:
Com a diminuição da taxa de natalidade e o aumento da expectativa de vida no Brasil ao longo das últimas décadas, observam-se mudanças significativas no perfil demográfico. Um fenômeno correlato é o aumento da população idosa, que por sua vez está associado ao crescimento da incidência de doenças relacionadas à senescência, tais como osteoporose, hipertensão e demências. Destacam-se, entre estas últimas, a Doença de Alzheimer e a isquemia cerebrovascular como as principais causas. Estudos evidenciam que a musicoterapia apresenta potencial para retardar a progressão de demências por meio de estímulos musicais e educação musical, promovendo a ativação de áreas cerebrais relacionadas à memória, mediadas pelas emoções. Contudo, a eficácia da musicoterapia está intrinsecamente associada ao habilidoso reconhecimento e estímulo de emoções por parte do terapeuta. Recentes avanços nas áreas de inteligência artificial e processamento de sinais propiciaram a aplicação de redes neurais artificiais profundas para resolver problemas complexos, minimizando a necessidade de pré-processamento. Este projeto se concentrou na construção de uma arquitetura de rede neural artificial profunda para o reconhecimento de emoções em sinais eletroencefalográficos (EEG) e de voz. Propôs-se uma abordagem que emprega a Transformada de Wavelet para converter os sinais em imagens, utilizadas como entrada para uma arquitetura híbrida baseada em redes convolucionais pré-treinadas, visando a extração de atributos por meio da aprendizagem por transferência. Algoritmos clássicos foram então empregados para a classificação dos estados emocionais nesses dados. Para avaliar a capacidade do método em interpretar dados emocionais de pessoas idosas, especialmente aquelas com demências, foi construída uma base de dados composta por informações multimodais, incluindo EEG, voz, expressão facial, dados demográficos e de diagnóstico de 39 participantes. Dessa amostra, 21 pertecem ao grupo de indivíduos cognitivamente saudáveis, enquanto 18 são do grupo de pessoas com demência em estágio leve a moderado. Experimentos computacionais foram conduzidos para o reconhecimento automático dos estados emocionais positivo, negativo e neutro a partir dos sinais simultâneos de EEG e voz, além de dados categóricos de idade, gênero e diagnóstico. A aplicação do método proposto resultou em acurácias em torno de 71 e 73% ao utilizar uma arquitetura de LeNet pré-treinada com MNIST para extração de atributos, associada a uma Random Forest com 450 árvores para classificação. A arquitetura desenvolvida servirá como núcleo para uma interface musical humano-máquina destinada ao biofeedback, com a capacidade de investigar as emoções despertadas por estímulos musicais específicos. Essa tecnologia pode ser empregada como suporte à personalização de musicoterapia e outras abordagens terapêuticas.
O Programa
