Banca de QUALIFICAÇÃO: RODRIGO SANTOS DA SILVA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : RODRIGO SANTOS DA SILVA
DATA : 26/08/2024
HORA: 14:00
LOCAL: Remoto
TÍTULO:

Reconstrução de dados de actigrafia orientados por IA

PALAVRAS-CHAVES:

Actigrafia, Aprendizado de Máquina, Aprendizado Profundo, PIM, M10

PÁGINAS: 56
RESUMO:

A actigrafia é uma técnica não invasiva para rastrear padrões de sono e ritmos circadianos, fornecendo dados valiosos para diagnosticar distúrbios do sono, como insônia, hipersonia e outras interrupções do ritmo circadiano. Apesar de sua utilidade, os dados de actigrafia geralmente sofrem de lacunas devido a períodos "fora do pulso" (OW), onde o dispositivo é temporariamente removido. Este estudo explora o uso de técnicas avançadas de aprendizado de máquina para abordar essas lacunas reconstruindo dados ausentes, aumentando assim a precisão e a confiabilidade das análises de actigrafia. O objetivo principal desta pesquisa é desenvolver técnicas de regressão para realizar imputação de dados, como um modelo de inteligência artificial de conjunto, capaz de se adaptar a padrões de dados individuais do paciente, e um Autoencoder para aprender os padrões de dados On-wrist (ON) para cada paciente. Para atingir isso, o estudo investiga vários métodos de aprendizado de máquina e aprendizado profundo, e diferentes configurações para o Autoencoder, além de incorporar estratégias como Dynamic Time Warping (DTW) e abordagens de filtragem baseadas em períodos de alta atividade, como M10. A metodologia envolve o pré-processamento de conjuntos de dados de actigrafia do dispositivo ActTrust da Condor, apresentando diversas variáveis como temperatura, exposição à luz e métricas de atividade do paciente. Para imputação de dados, o estudo utiliza modelos de regressão como Random Forests, XGBoost e Support Vector Regression, juntamente com estruturas de autoencoder otimizadas usando Keras Tuner e técnicas de ajuste de hiperparâmetros como GridSearch e RandomizedSearch. Os resultados preliminares indicam que o modelo Autoencoder tem um desempenho robusto, alcançando reduções no Erro Quadrático Médio (MSE) e demonstrando poder na reconstrução de dados de atividade ausentes em comparação aos métodos tradicionais. Os modelos de conjunto, otimizados para padrões específicos de atividade do paciente, melhoram ainda mais a precisão preditiva, conforme validado por testes estatísticos, incluindo o teste de Wilcoxon. Esses modelos exibem o potencial de transformar práticas clínicas, fornecendo avaliações personalizadas da qualidade do sono e facilitando intervenções direcionadas.

MEMBROS DA BANCA:
Presidente - 2021852 - THIAGO DAMASCENO CORDEIRO
Interno(a) - 1388993 - BRUNO ALMEIDA PIMENTEL
Externo(a) ao Programa - 1544773 - TIAGO GOMES DE ANDRADE - UFALExterno(a) à Instituição - RAFAEL FERREIRA LEITE DE MELLO - UFRPE