TCC Sistemas de Informação

URI Permanente para esta coleção

https://repositorio.ifal.edu.br/handle/123456789/46

Navegar

Navegando TCC Sistemas de Informação por Orientador "Medeiros, Leonardo Melo de"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Análise do monitoramento dos sinais motores da doença de Parkinson: uma revisão sistemática
    (Instituto Federal de Educação Ciência e Tecnologia de Alagoas, 2023-05-31) Lima, Mayara Rysia de Assis; Medeiros, Leonardo Melo de; http://lattes.cnpq.br/1080593968001453; Costa, Breno Jacinto Duarte da; http://lattes.cnpq.br/7418697922506495; Passos, Frederico Salgueiro; http://lattes.cnpq.br/6590059682506348
    A Doença de Parkinson (DP) é uma doença crônica degenerativa que causa uma desordem motora afetando as tarefas de rotina do indivíduo e desestabilizando a sua qualidade de vida. Os sinais motores mais notáveis compõem uma tétrade: rigidez, bradicinesia, alterações posturais e da marcha, e tremor de repouso. Dessa forma, o exame médico requer uma avaliação dos movimentos motores salientando a velocidade, a amplitude e o ritmo de cada movimento, a fim de monitorar os sintomas e aprimorar o diagnóstico clínico. Com o intuito de distinguir melhorias ou evoluções da DP, os métodos de avaliações motoras se tornam cada vez mais indispensáveis, e na literatura, é encontrado sistemas ou mecanismos de quantificação desses sintomas, sendo o mais recorrente, para os sinais da bradicinesia, auxiliados pelo teste de habilidade mais conhecido, o Finger-Tapping Test (FTT). Contudo, nenhum deles ainda consegue comprovar um diagnóstico definitivo, valendo-se portanto, da interpretação de um neurologista. Esta pesquisa, apresenta uma Revisão Sistemática de Literatura(RSL) com artefatos acadêmicos produzidos, que demonstram dados relevantes sobre os movimentos motores e sua quantificação, usando em sua maioria, a escala MDS-UPDRS parte III como guia, a fim de extrair um conjunto de requisitos a ser desenvolvido em um sistema de monitoramento do avanço dos indícios motores do Parkinson, utilizando o teste de batida dos dedos (FTT) como técnica. Como resultado, a RSL objetivou identificar as técnicas e abordagens mais atuais que quantificam as avaliações motoras, além de, esclarecer se esses métodos demonstram interferência positiva no processo de avaliação com a técnica FTT.
  • Imagem de Miniatura
    Item
    Quantificação do sinal do tremor parkinsoniano em exames manuscritos em espiral utilizando Machine Learning
    (Instituto Federal de Educação Ciência e Tecnologia de Alagoas, 2023-10-27) Correia, Igor Matheus Barros; Medeiros, Leonardo Melo de; http://lattes.cnpq.br/1080593968001453; Costa, Breno Jacinto Duarte da; http://lattes.cnpq.br/7418697922506495; Costa, Alex Emanuel Barros; http://lattes.cnpq.br/2231272728491909
    Doença de Parkinson (DP) é uma enfermidade neurológica progressiva que se desenvolve gradualmente e provoca sintomas motores, como tremores, lentidão nos movimentos (bradicinesia) e desequilíbrio postural. A DP afeta milhões de pessoas em todo o mundo, especialmente a população idosa. Os dados da Organização Mundial de Saúde (OMS) mostram que aproximadamente 1% da população mundial com idade superior a 65 anos tem a doença. O diagnóstico da DP é difícil e o erro de diagnóstico é comum, principalmente nos estágios iniciais. A micrografia é uma técnica comumente empregada no diagnóstico da doença de Parkinson e consiste essencialmente em realizar exames manuscritos. Neste contexto, a Aprendizagem de Máquina (AM) surge como uma ferramenta poderosa para aplicar técnicas de classificação de dados que podem identificar padrões e auxiliar na detecção da DP. Este estudo utiliza dois modelos de Machine Learning, sendo eles, Support Vector Machine (SVM) e Random Forest Classifier (RFC), com o objetivo de classificar exames manuscritos e contribuir para melhorar a precisão e a eficácia no diagnóstico da DP. Os resultados evidenciam que ambos os modelos obtiveram um desempenho promissor, com altas taxas de acurácia, atingindo 86% para o RFC e 82% para o SVM. Esses resultados sugerem que a aplicação da Aprendizagem de Máquina na classificação de exames manuscritos pode ser uma ferramenta valiosa no diagnóstico da DP.