Navegando por Autor "Correia, Igor Matheus Barros"

Agora exibindo 1 - 1 de 1
  • 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.