Centro de Ciências da Natureza - CCN

URI Permanente desta comunidade

https://repositoriosibi.ufpi.br/handle/123456789/8

Navegar

Navegando Centro de Ciências da Natureza - CCN por Autor "RODRIGUES, José Nazareno Alves"

Agora exibindo 1 - 1 de 1
  • Nenhuma Miniatura disponível
    Item
    UMA PROPOSTA PARA AUXÍLIO NO PRÉ-DIAGNÓSTICO DO TEA ATRAVÉS DA CLASSIFICAÇÃO DE IMAGENS FACIAIS BIDIMENSIONAIS ESTÁTICAS UTILIZANDO DEEP LEARNING
    (2022-08-31) RODRIGUES, José Nazareno Alves
    O número de pessoas diagnosticadas com transtorno do espectro autista (TEA) vem aumentando significativamente. Em decorrência disso, somado a fatores socioeconômicos, o acesso ao tratamento precoce tem se tornado restrito, reduzindo os potenciais ganhos advindos dessa intervenção e aumentando os gastos familiares e sociais em decorrência de intervenções tardias. Alternativas viáveis para contornar problemas relacionados ao TEA nesse contexto podem residir em soluções computacionais móveis pelo seu caráter acessível. Em observância a isso, este trabalho propõe uma solução para auxílio ao prédiagnóstico do TEA de forma não invasiva e de baixo custo. Para tanto, apoia-se em técnicas e conceitos de aprendizado de máquina (AM), mais especificamente de aprendizado profundo, para a geração de modelos que possam apoiar a implementação de soluções computacionais móveis. Assim, foram avaliadas neste trabalho 5 arquiteturas de redes neurais convolucionais (CNNs) no treinamento de modelos para classificação binária do TEA, utilizando como entrada imagens faciais bidimensionais estáticas. Trabalhos semelhantes analisados na literatura utilizaram tipos de imagens que inviabilizam sua utilização massiva em decorrência da necessidade de equipamentos específicos e nem sempre acessíveis, além de invasivos, comprometendo a espontaneidade nos resultados. Destarte, há poucos sistemas para auxiliar na identificação do TEA desenvolvidos que possam de fato ser usados na prática. Dentre as 5 arquiteturas CNNs utilizadas, destacaram-se a MobileNet e a DenseNet201. Os resultados obtidos a partir delas atingiram, nos melhores casos, a média de 90.7% de acurácia com cada uma dessas 2 arquiteturas, e desvio padrão de 0.68% e 1.64%, respectivamente. Resultados de execuções individuais chegaram nos melhores casos a 93.5% de acurácia com a DenseNet201. ABSTRACT The number of people with autism spectrum disorder (ASD) has been increasing signifi- cantly. As a result, in addition to socioeconomic factors, access to treatment has become restricted, reducing the potential gains from this intervention. tion and increasing family and social expenditures as a result of late interventions. Viable alternatives to circumvent problems related to ASD in this context may reside in mobile computing solutions due to their accessible character. In compliance with this, this work proposes a solution to aid the pre-diagnosis of ASD in a non-invasive and low-cost way. To do so, it relies on machine learning (ML) techniques and concepts, more specifically deep learning, to generate models that can support the implementation of mobile computing solutions. Thus, in this work, 5 architectures of convolutional neural networks (CNN) were evaluated in the training models for binary classification of ASD, using static two-dimensional images as input. Similar works analyzed in the literature use types of images that make their massive use unfeasible due to the need specific equipment and not always accessible, in addition to being invasive, compromising the spontaneity of the results. Thus, there are few systems to assist in the identification of ASD developed that can actually be used in practice. Among the 5 CNNs architectures used, MobileNet and DenseNet201 stood out. The results obtained from them in these preliminary evaluations reached, in the best cases, the average of 90.7% accuracy and standard deviation of 0.68% and 1.64%, using the architectures respectively CNNs MobileNet and DenseNet201. Results of individual runs reached the best cases to 93.5% of accuracy with each of these 2 architectures, and standard deviation of 0.68% and 1.64%, respectively. Results from individual runs arrived in the best cases at 93.5% accuracy with DenseNet201.