Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Artoni, Arthur Alexandre
Orientador(a): Barbosa, Cinthyan Renata Sachs Camerlengo de [Orientador]
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Computação
Aprendizado do computador
Transtornos do espectro autista
Diagnóstico
Computer science
Machine learning
Autism spectrum disorders
Autism spectrum disorders - Diagnosis
Link de acesso: https://repositorio.uel.br/handle/123456789/8994
Resumo: Resumo: Mesmo com os constantes avanços da medicina, o diagnóstico de transtornos mentais é um desafio para profissionais da área Dentre esses está o Transtorno do Espectro Autista (TEA), que é uma patologia muito comum que afeta a parte comportamental, social e de comunicação do indivíduo Porém identificá-lo é complexo, uma vez que não existem exames de imagens ou de sangue capazes de apontar o TEA e seu diagnóstico é feito apenas por análise comportamental Diversas técnicas podem ser utilizadas, como o uso de escalas diagnósticas que contém questionários específicos formulados por especialistas, que servem como guia no processo de diagnóstico Neste trabalho o Aprendizado de Máquina (AM) foi empregado em três bases de dados contendo resultados dos testes AQ-1 para adultos, adolescentes e crianças; além de outras características que poderiam influenciar no diagnóstico do TEA Experimentos foram realizados nas bases de dados a fim de elencar quais atributos seriam realmente relevantes para o diagnóstico do TEA utilizando AM Para a seleção dos atributos, a Random Forest foi utilizada como ferramenta para fazer um ranqueamento de 23 atributos presentes na base Em duas das três bases de dados foi possível reduzir o número de atributos para apenas 5, mantendo uma Acurácia acima de 9 Na outra Base de Dados para manter o mesmo nível de Acurácia, o menor número de atributos utilizado foi 7 A Suport Vector Machine se destacou dos demais algoritmos usados neste trabalho, obtendo resultados superiores em todos os cenários
id UEL_cbde431fe75ee4f6f9b137c3a88c9bbc
oai_identifier_str oai:repositorio.uel.br:123456789/8994
network_acronym_str UEL
network_name_str Repositório Institucional da UEL
repository_id_str
spelling Artoni, Arthur AlexandreMorandini, Marcelofd1a03e7-d686-49ef-93da-2703e23b253b-1Baccarin, Evandro13181688-bd0a-41ab-a1c0-c308f4eabd03-1Campos, Vitor Valério de Souzab21049b2-d88c-4278-bfdc-c3854ff728b5-10cc488fa-ebb7-492b-bc2b-e283f8c14e1d6d2d96d1-b94b-4cbe-993b-25c20f1b7b87Barbosa, Cinthyan Renata Sachs Camerlengo de [Orientador]Londrina2024-05-01T11:46:10Z2024-05-01T11:46:10Z2020.0027.02.2020https://repositorio.uel.br/handle/123456789/8994Resumo: Mesmo com os constantes avanços da medicina, o diagnóstico de transtornos mentais é um desafio para profissionais da área Dentre esses está o Transtorno do Espectro Autista (TEA), que é uma patologia muito comum que afeta a parte comportamental, social e de comunicação do indivíduo Porém identificá-lo é complexo, uma vez que não existem exames de imagens ou de sangue capazes de apontar o TEA e seu diagnóstico é feito apenas por análise comportamental Diversas técnicas podem ser utilizadas, como o uso de escalas diagnósticas que contém questionários específicos formulados por especialistas, que servem como guia no processo de diagnóstico Neste trabalho o Aprendizado de Máquina (AM) foi empregado em três bases de dados contendo resultados dos testes AQ-1 para adultos, adolescentes e crianças; além de outras características que poderiam influenciar no diagnóstico do TEA Experimentos foram realizados nas bases de dados a fim de elencar quais atributos seriam realmente relevantes para o diagnóstico do TEA utilizando AM Para a seleção dos atributos, a Random Forest foi utilizada como ferramenta para fazer um ranqueamento de 23 atributos presentes na base Em duas das três bases de dados foi possível reduzir o número de atributos para apenas 5, mantendo uma Acurácia acima de 9 Na outra Base de Dados para manter o mesmo nível de Acurácia, o menor número de atributos utilizado foi 7 A Suport Vector Machine se destacou dos demais algoritmos usados neste trabalho, obtendo resultados superiores em todos os cenáriosDissertação (Mestrado em Ciência da Computação) - Universidade Estadual de Londrina, Centro de Ciências Exatas, Programa de Pós-Graduação em Ciência da ComputaçãoAbstract: Despite the medicine constant advancement, mental disorder diagnosis is a challenge for medical professionals Autism Spectrum Disorder (ASD) is one of the most common pathologies affecting the patient’s behavioral, social and communication skills and its identification is complex because there are no images or blood tests available for ASD diagnosis, only through behavioral analysis Several techniques, such as the use of diagnostic scales with specific questionnaires are made by specialists as a guide in the diagnostic process In this work, Machine Learning (ML) was used in three datasets containing AQ-1 test results for adults, adolescents and children, and other characteristics that could influence the diagnosis of ASD Experiments were performed using databases in order to determine what attributes are really relevant for an ASD diagnosis using ML In order to select the attributes, the Random Forest was used to build a ranking of 23 attributes present in the database In two of the three databases, it was possible to reduce the number of attributes to only 5, keeping an accuracy above 9 In the other Database to maintain the same level of Accuracy, the lowest number of attributes used was 7 The Support Vector Machine stood out from the other algorithms used in this work, obtaining superior results in all scenariosporComputaçãoAprendizado do computadorTranstornos do espectro autistaTranstornos do espectro autistaDiagnósticoComputer scienceMachine learningAutism spectrum disordersAutism spectrum disorders - DiagnosisAplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autistainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisMestradoCiência da ComputaçãoCentro de Ciências ExatasPrograma de Pós-Graduação em Ciência da Computação-1-1reponame:Repositório Institucional da UELinstname:Universidade Estadual de Londrina (UEL)instacron:UELinfo:eu-repo/semantics/openAccess7434vtls000231170SIMvtls000231170http://www.bibliotecadigital.uel.br/document/?code=vtls00023117064.00SIMhttp://www.bibliotecadigital.uel.br/document/?code=vtls0002311707591.pdf123456789/5002 - Mestrado - Ciência da ComputaçãoORIGINAL7591.pdfapplication/pdf843396https://repositorio.uel.br/bitstreams/e956b0bb-6043-492d-a7a0-a0a7340b6d21/download1ec4733a0ff471ff3d79d91a004cc498MD51LICENCElicence.txttext/plain263https://repositorio.uel.br/bitstreams/a3dadc17-a510-4233-bd8b-1a6f39ee227d/download753f376dfdbc064b559839be95ac5523MD52TEXT7591.pdf.txt7591.pdf.txtExtracted texttext/plain119394https://repositorio.uel.br/bitstreams/bedf8ffa-1714-4355-84cb-79d4b15d1b65/downloadc24a19752c3a483b6a2bd2131eb73755MD53THUMBNAIL7591.pdf.jpg7591.pdf.jpgGenerated Thumbnailimage/jpeg3786https://repositorio.uel.br/bitstreams/5206c090-a7a0-4b19-8d58-9758b5631c6d/download834e71efa672c3daa1304e05e36e2166MD54123456789/89942024-07-12 01:20:00.96open.accessoai:repositorio.uel.br:123456789/8994https://repositorio.uel.brBiblioteca Digital de Teses e Dissertaçõeshttp://www.bibliotecadigital.uel.br/PUBhttp://www.bibliotecadigital.uel.br/OAI/oai2.phpbcuel@uel.br||opendoar:2024-07-12T04:20Repositório Institucional da UEL - Universidade Estadual de Londrina (UEL)false
dc.title.pt_BR.fl_str_mv Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
title Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
spellingShingle Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
Artoni, Arthur Alexandre
Computação
Aprendizado do computador
Transtornos do espectro autista
Transtornos do espectro autista
Diagnóstico
Computer science
Machine learning
Autism spectrum disorders
Autism spectrum disorders - Diagnosis
title_short Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
title_full Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
title_fullStr Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
title_full_unstemmed Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
title_sort Aplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autista
author Artoni, Arthur Alexandre
author_facet Artoni, Arthur Alexandre
author_role author
dc.contributor.banca.pt_BR.fl_str_mv Morandini, Marcelo
Baccarin, Evandro
Campos, Vitor Valério de Souza
dc.contributor.author.fl_str_mv Artoni, Arthur Alexandre
dc.contributor.authorID.fl_str_mv 0cc488fa-ebb7-492b-bc2b-e283f8c14e1d
dc.contributor.advisor1ID.fl_str_mv 6d2d96d1-b94b-4cbe-993b-25c20f1b7b87
dc.contributor.advisor1.fl_str_mv Barbosa, Cinthyan Renata Sachs Camerlengo de [Orientador]
contributor_str_mv Barbosa, Cinthyan Renata Sachs Camerlengo de [Orientador]
dc.subject.por.fl_str_mv Computação
Aprendizado do computador
Transtornos do espectro autista
Transtornos do espectro autista
Diagnóstico
Computer science
Machine learning
Autism spectrum disorders
Autism spectrum disorders - Diagnosis
topic Computação
Aprendizado do computador
Transtornos do espectro autista
Transtornos do espectro autista
Diagnóstico
Computer science
Machine learning
Autism spectrum disorders
Autism spectrum disorders - Diagnosis
description Resumo: Mesmo com os constantes avanços da medicina, o diagnóstico de transtornos mentais é um desafio para profissionais da área Dentre esses está o Transtorno do Espectro Autista (TEA), que é uma patologia muito comum que afeta a parte comportamental, social e de comunicação do indivíduo Porém identificá-lo é complexo, uma vez que não existem exames de imagens ou de sangue capazes de apontar o TEA e seu diagnóstico é feito apenas por análise comportamental Diversas técnicas podem ser utilizadas, como o uso de escalas diagnósticas que contém questionários específicos formulados por especialistas, que servem como guia no processo de diagnóstico Neste trabalho o Aprendizado de Máquina (AM) foi empregado em três bases de dados contendo resultados dos testes AQ-1 para adultos, adolescentes e crianças; além de outras características que poderiam influenciar no diagnóstico do TEA Experimentos foram realizados nas bases de dados a fim de elencar quais atributos seriam realmente relevantes para o diagnóstico do TEA utilizando AM Para a seleção dos atributos, a Random Forest foi utilizada como ferramenta para fazer um ranqueamento de 23 atributos presentes na base Em duas das três bases de dados foi possível reduzir o número de atributos para apenas 5, mantendo uma Acurácia acima de 9 Na outra Base de Dados para manter o mesmo nível de Acurácia, o menor número de atributos utilizado foi 7 A Suport Vector Machine se destacou dos demais algoritmos usados neste trabalho, obtendo resultados superiores em todos os cenários
publishDate 2024
dc.date.defesa.pt_BR.fl_str_mv 27.02.2020
dc.date.created.fl_str_mv 2020.00
dc.date.accessioned.fl_str_mv 2024-05-01T11:46:10Z
dc.date.available.fl_str_mv 2024-05-01T11:46:10Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.uel.br/handle/123456789/8994
url https://repositorio.uel.br/handle/123456789/8994
dc.language.iso.fl_str_mv por
language por
dc.relation.confidence.fl_str_mv -1
-1
dc.relation.coursedegree.pt_BR.fl_str_mv Mestrado
dc.relation.coursename.pt_BR.fl_str_mv Ciência da Computação
dc.relation.departament.pt_BR.fl_str_mv Centro de Ciências Exatas
dc.relation.ppgname.pt_BR.fl_str_mv Programa de Pós-Graduação em Ciência da Computação
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.coverage.spatial.pt_BR.fl_str_mv Londrina
dc.source.none.fl_str_mv reponame:Repositório Institucional da UEL
instname:Universidade Estadual de Londrina (UEL)
instacron:UEL
instname_str Universidade Estadual de Londrina (UEL)
instacron_str UEL
institution UEL
reponame_str Repositório Institucional da UEL
collection Repositório Institucional da UEL
bitstream.url.fl_str_mv https://repositorio.uel.br/bitstreams/e956b0bb-6043-492d-a7a0-a0a7340b6d21/download
https://repositorio.uel.br/bitstreams/a3dadc17-a510-4233-bd8b-1a6f39ee227d/download
https://repositorio.uel.br/bitstreams/bedf8ffa-1714-4355-84cb-79d4b15d1b65/download
https://repositorio.uel.br/bitstreams/5206c090-a7a0-4b19-8d58-9758b5631c6d/download
bitstream.checksum.fl_str_mv 1ec4733a0ff471ff3d79d91a004cc498
753f376dfdbc064b559839be95ac5523
c24a19752c3a483b6a2bd2131eb73755
834e71efa672c3daa1304e05e36e2166
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UEL - Universidade Estadual de Londrina (UEL)
repository.mail.fl_str_mv bcuel@uel.br||
_version_ 1856675781148672000

Registros relacionados