Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/34638| Título: | Predição não invasiva de nível de oxigenação sanguíneo a partir de áudios usando redes neurais artificiais |
| Título(s) alternativo(s): | Non-invasive prediction of blood oxygenation level from audio using artificial neural networks |
| Autor(es): | Stanzione, Gabriel Rocha |
| Orientador(es): | Aikes Junior, Jorge |
| Palavras-chave: | Inteligência artificial Redes neurais (Computação) Aprendizado do computador Artificial intelligence Neural networks (Computer science) Machine learning |
| Data do documento: | 11-Dez-2023 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Medianeira |
| Citação: | STANZIONE, Gabriel Rocha. Predição não invasiva de nível de oxigenação sanguíneo a partir de áudios usando redes neurais artificiais. 2024. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Medianeira, 2023. |
| Resumo: | A insuficiência respiratória é um sintoma presente em diversas doenças respiratórias, podendo causar desde desconforto até óbito. Com intuito de acelerar o processo de triagem ou auxiliar os profissionais na área de saúde, pesquisas na área da saúde envolvendo tecnologia estão sendo incentivadas. Um tipo de tecnologia muito utilizado são as inteligências artificiais (IA), principalmente redes neurais artificiais (RNA). Um dos focos de pesquisa na área de IA é o aprendizado de máquina por meio de áudios, que já se provou possível identificar doenças com o auxílio dele, sendo uma dessas doenças COVID-19, que foi possível realizar sua detecção por meio da fala mediante o projeto SPIRA (CASANOVA et al., 2021b). Ao se aproveitar a base de dados coletada pelo projeto SPIRA, este trabalho visa a criação de um modelo de RNA que através de regressão consiga identificar neste caso não uma doença, mas sim um sintoma presente em várias doenças, para isto o modelo deve ser capaz de realizar a predição do nível de oxigenação sanguínea presente no corpo, que é um dos principais indicadores de insuficiência respiratória, com o objetivo final de auxiliar o profissional da saúde na sua decisão final do diagnóstico. Para isto foram treinados diversos modelos da SpiraNet de Casanova et al. (2021b) utilizando espectrogramas de mel e um utilizando a representação MFCC, cada teste realizado teve o objetivo de adicionar um novo hiperparâmetro a fim de chegar no modelo ideal. Os resultados demonstram que diferente de realizar uma classificação do sintoma, fazer a regressão da oxigenação sanguínea é mais complexo, obtendo-se 26% nos resultados com o coeficiente de Pearson e 6% nos resultados do coeficiente de determinação, os quais são resultados preliminares que indicam que há margem para avanços nessa tarefa. |
| Abstract: | Respiratory insufficiency is a symptom present in several respiratory diseases, which can cause anything from discomfort to death. In order to speed up the screening process or assist health professionals, research in the health field involving technology is being encouraged. One type of technology that is widely used is artificial intelligence (AI), mainly artificial neural networks (ANN). One of the focuses of research in the area of AI is machine learning through audio, which has already proven possible to identify diseases with its help, one of these diseases being COVID-19, that it was possible to detect it through speech through the SPIRA project (CASANOVA et al., 2021b). By taking advantage of the database collected by the SPIRA project, this work aims to create an ANN model that, through regression, can identify in this case not a disease, but a symptom present in several diseases, for this the model must be capable to predict the level of blood oxygenation present in the body, which is one of the main indicators of respiratory insufficiency, with the ultimate objective of assisting the health professional in their final diagnosis decision. For this, several SpiraNet models from Casanova et al. (2021b) were trained using mel spectrogram and one using the MFCC representation, each test carried out had the objective of adding a new hyperparameter in order to arrive at the ideal model. The results demonstrate that, unlike performing a symptom classification, performing blood oxygenation regression is more complex, obtaining 26% in the results with the Pearson coefficient and 6% in the results with the coefficient of determination, which are preliminary results that indicate that there is room for progress in this task. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/34638 |
| Aparece nas coleções: | MD - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| predicaooxigenacaoredesneurais.pdf | 3,63 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
