Notícias

Banca de QUALIFICAÇÃO: JOSÉ NAZARENO ALVES RODRIGUES

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: JOSÉ NAZARENO ALVES RODRIGUES
DATA: 04/10/2021
HORA: 08:00
LOCAL: Google Meet
TÍTULO: Uma Proposta para Auxílio no Pré-Diagnóstico do TEA Através da Classificação de Imagens Faciais Bidimensionais Estáticas Utilizando Deep Learning
PALAVRAS-CHAVES: diagnóstico autismo, imagens faciais, aprendizado profundo, classificação, redes neurais convolucionais
PÁGINAS: 53
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Processamento Gráfico (Graphics)
RESUMO:

O número de pessoas com transtorno do espectro autista (TEA) vem aumentando significativamente. Em decorrência disso, somado a fatores socioeconômicos, o acesso ao tratamento precoce tem se tornado restrito, reduzindo os potenciais ganhos advindos dessa intervenção e aumentando os gastos familiares e sociais em decorrência de intervenções tardias. Alternativas viáveis para contornar problemas relacionados ao TEA, nesse contexto, estão em soluções computacionais móveis pelo seu caráter acessível. Este trabalho propõe uma solução para auxílio ao pré-diagnóstico do TEA de forma não invasiva e de baixo custo. Para tanto, apoia-se em técnicas e conceitos de aprendizado de máquina (AM), mais especificamente de aprendizado profundo, para a geração de modelos que possam apoiar a implementação de soluções computacionais móveis. Assim, foram avaliadas 5 arquiteturas de redes neurais convolucionais (CNN) no treinamento de um modelo para classificação binária do TEA, utilizando como entrada imagens bidimensionais estáticas. Trabalhos semelhantes analisados na literatura utilizam tipos de imagens que inviabilizam sua utilização massiva em decorrência da necessidade de equipamentos específicos e nem sempre acessíveis, além de invasivos, comprometendo a espontaneidade nos resultados. Destarte, há poucos sistemas de diagnóstico do autismo desenvolvidos que possam de fato ser usados na prática. Dentre as 5 arquiteturas CNNs utilizadas, destacaram-se a MobileNet e a DenseNet201. Os resultados obtidos a partir delas nestas avaliações preliminares, atingiram, nos melhores casos, a média de 90,7% de acurácia com cada uma dessas 2 arquiteturas, e desvio padrão de 0,68% e 1,64%, respectivamente. Resultados de execuções individuais chegaram nos melhores casos a 93,5% de acurácia com a DenseNet201. Outro ponto em aberto na literatura que o presente trabalho busca avaliar é o tamanho dos modelos gerados. Essa questão ganha relevância no contexto dos dispositivos móveis ou embarcados, que possuem maiores limitações em termos dehardware.


MEMBROS DA BANCA:
Presidente - 1350246 - KELSON ROMULO TEIXEIRA AIRES
Interno - 1446435 - VINICIUS PONTE MACHADO
Interno - 1632612 - ANDRE CASTELO BRANCO SOARES
Notícia cadastrada em: 28/09/2021 06:39
SIGAA | Superintendência de Tecnologia da Informação - STI/UFPI - (86) 3215-1124 | © UFRN | sigjb05.ufpi.br.instancia1 23/04/2024 18:04