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

Página do item simplificado
dataload.collectionmapped02 - Mestrado - Ciência da Computaçãopt_BR
dataload.filenamenourau7591.pdfpt_BR
dataload.handlemapped123456789/50pt_BR
dataload.idpergamum7434pt_BR
dataload.idvirtuanourauvtls000231170pt_BR
dataload.idvirtuapergamumvtls000231170pt_BR
dataload.idvirtuapergamum.sameurlnourauSIMpt_BR
dataload.linknourauhttp://www.bibliotecadigital.uel.br/document/?code=vtls000231170pt_BR
dataload.linknourau.regularSIMpt_BR
dataload.linknourau.retificadohttp://www.bibliotecadigital.uel.br/document/?code=vtls000231170pt_BR
dataload.linknourau.size64.00pt_BR
dc.contributor.advisorBarbosa, Cinthyan Renata Sachs Camerlengo de [Orientador]pt_BR
dc.contributor.authorArtoni, Arthur Alexandrept_BR
dc.contributor.bancaMorandini, Marcelopt_BR
dc.contributor.bancaBaccarin, Evandropt_BR
dc.contributor.bancaCampos, Vitor Valério de Souzapt_BR
dc.coverage.spatialLondrinapt_BR
dc.date.accessioned2024-05-01T11:46:10Z
dc.date.available2024-05-01T11:46:10Z
dc.date.created2020.00pt_BR
dc.date.defesa27.02.2020pt_BR
dc.description.abstractResumo: 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 cenáriospt_BR
dc.description.abstractother1Abstract: 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 scenariospt_BR
dc.description.notesDissertação (Mestrado em Ciência da Computação) - Universidade Estadual de Londrina, Centro de Ciências Exatas, Programa de Pós-Graduação em Ciência da Computaçãopt_BR
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/8994
dc.languagepor
dc.relation.coursedegreeMestradopt_BR
dc.relation.coursenameCiência da Computaçãopt_BR
dc.relation.departamentCentro de Ciências Exataspt_BR
dc.relation.ppgnamePrograma de Pós-Graduação em Ciência da Computaçãopt_BR
dc.subjectComputaçãopt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectTranstornos do espectro autistapt_BR
dc.subjectTranstornos do espectro autistapt_BR
dc.subjectDiagnósticopt_BR
dc.subjectComputer sciencept_BR
dc.subjectMachine learningpt_BR
dc.subjectAutism spectrum disorderspt_BR
dc.subjectAutism spectrum disorders - Diagnosispt_BR
dc.titleAplicação de aprendizado de máquina no auxílio ao diagnóstico do transtorno do espectro autistapt_BR
dc.typeDissertaçãopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
7591.pdf
Tamanho:
823.63 KB
Formato:
Adobe Portable Document Format
Baixar

Coleções

02 - Mestrado - Ciência da Computação