Quantificação do sinal do tremor parkinsoniano em exames manuscritos em espiral utilizando Machine Learning

Página do item simplificado
dc.contributor.advisor1Medeiros, Leonardo Melo de
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1080593968001453pt_BR
dc.contributor.referee1Costa, Breno Jacinto Duarte da
dc.contributor.referee1Latteshttp://lattes.cnpq.br/7418697922506495pt_BR
dc.contributor.referee2Costa, Alex Emanuel Barros
dc.contributor.referee2Latteshttp://lattes.cnpq.br/2231272728491909pt_BR
dc.creatorCorreia, Igor Matheus Barros
dc.creator2Correia, Jonathas Rodrigues
dc.creator2.Latteshttp://lattes.cnpq.br/9840912690440406pt_BR
dc.date.accessioned2024-05-15T16:29:29Z
dc.date.available2024-05-15
dc.date.available2024-05-15T16:29:29Z
dc.date.issued2023-10-27
dc.description.abstractParkinson’s disease (PD) is a progressive neurological disease that develops gradually and causes motor symptoms, such as tremors, slow movement (bradykinesia) and postural imbalance. PD affects millions of people worldwide, especially the elderly population. Data from the World Health Organization (WHO) shows that approximately 1% of the world’s population over the age of 65 has the disease. Diagnosing PD is difficult and misdiagnosis is common, especially in the early stages. Micrography is a technique commonly used in the diagnosis of Parkinson’s disease and essentially consists of performing handwritten examinations. In this context, Machine Learning (ML) emerges as a powerful tool to apply data classification techniques that can identify patterns and assist in the detection of PD. This study uses two Machine Learning models, namely Support Vector Machine (SVM) and Random Forest Classifier (RFC), with the aim of classifying handwritten exams and contributing to improving the accuracy and effectiveness in diagnosing PD. The results show that both models achieved promising performance, with high accuracy rates, reaching 86% for the RFC and 82% for the SVM. These results suggest that the application of Machine Learning to classify handwritten exams can be a valuable tool in diagnosing PD.pt_BR
dc.description.resumoDoença 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.pt_BR
dc.identifier.urihttps://repositorio.ifal.edu.br/handle/123456789/525
dc.languageporpt_BR
dc.publisherInstituto Federal de Educação Ciência e Tecnologia de Alagoaspt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentCampus Maceiópt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectSistemas de Informaçãopt_BR
dc.subjectDoença de Parkinson – Micrografiapt_BR
dc.subjectMachine Learning – Diagnóstico da Doença de Parkinsonpt_BR
dc.subjectExames em espiraispt_BR
dc.subjectMachine Learning - Parkinson’s diseasept_BR
dc.subjectParkinson’s disease - Micrographypt_BR
dc.subjectSpiral Examspt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAOpt_BR
dc.titleQuantificação do sinal do tremor parkinsoniano em exames manuscritos em espiral utilizando Machine Learningpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TCC_Igor Matheus Barros Moreira e Jonathas Rodrigues Correia.pdf
Tamanho:
614.53 KB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
16.45 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

TCC Sistemas de Informação