Otimização metaheurística e aprendizado de máquina para identificação da doença de Parkinson por sinais de voz
Nome: PETER GLEISER GARCEZ
Data de publicação: 28/01/2025
Banca:
Nome |
Papel |
|---|---|
| EVANDRO OTTONI TEATINI SALLES | Coorientador |
| KARIN SATIE KOMATI | Examinador Externo |
| PATRICK MARQUES CIARELLI | Presidente |
| RENATO ANTONIO KROHLING | Examinador Interno |
Resumo: Cerca de 220 mil brasileiros têm a Doença de Parkinson (DP), que acomete de 1% a 3%dapopulação mundial acima de 65 anos, conforme estimativa da OMS. A DP causa uma perda contínua e gradativa dos neurônios produtores de dopamina, neurotransmissor essencial ao desempenho das funções musculares, em especial do controle motor da fala, prejudicando assim a qualidade da voz. O objetivo deste trabalho é implementar seleção de atributos e sintonia de máquinas de aprendizado por meio de algoritmos metaheurísticos de otimização, a fim de identificar a DP a partir de parâmetros extraídos de sinais de voz. Primeiramente, aplica-se a metaheurística Adaptive Hybrid-Mutated Differential Evolution (A-HMDE) para selecionar atributos de um banco de dados. Em seguida, considerando os atributos selecionados, realiza-se a sintonia de hiperparâmetros das máquinas Random Forest (RF) e k-Nearest Neighbors (kNN), bemcomoasintonia da máquina Convolutional Neural Network 1D (CNN 1D) utilizando metaheurísticas. Com a aplicação da abordagem, obteve-se uma redução de 752 para 75 atributos, o que representa uma taxa de seleção de menos de 10%, com acurácia de 91,63% e recall de 99,39% obtidos pelo classificador RF. Os resultados mostram a eficácia das metaheurísticas utilizadas para a identificação da Doença de Parkinson por meio da voz, bem como a necessidade de se desenvolver bancos de dados com sinais vocais não processados, a fim de investigar o desempenho das redes convolucionais operando com sinais brutos para a classificação da DP.
