Agenda de defesas Agenda de defesas

Voltar

Pós-Graduação em Ciência da Computação promove defesas de dissertação e de tese

As defesas acontecem amanhã (23) e quarta-feira (24), via Google Meet

O Programa de Pós-Graduação em Ciência da Computação da UFPE promove defesas de dissertação de mestrado e de tese de doutorado nesta semana, ambas via Google Meet. A dissertação de mestrado “Identificação de bactérias comuns em feridas infectadas (Staphylococcus aureus e Pseudomonas aeruginosa) através de um nariz eletrônico e modelos de Inteligência Artificial” será defendida pelo aluno José William Araújo do Nascimento amanhã (23), às 9h. Interessados em assistir entrar em contato com o aluno pelo e-mail jwan@cin.ufpe.br. A dissertação foi orientada pelo professor Leandro Maciel Almeida. A banca examinadora é formada pelos professores Sérgio Ricardo de Melo Queiroz (UFPE/Centro de Informática), Isabel Cristina Ramos Vieira Santos (UPE/Faculdade de Enfermagem) e Leandro Maciel Almeida (UFPE/Centro de Informática).

O aluno Rogério César Peixoto Fragoso irá defender a tese de doutorado “Clustering-based Dynamic Ensemble Selection for One-Class Decomposition”, na quarta-feira (24), às 14h, via Google Meet. Interessados em assistir entrar em contato com o aluno rcpf@cin.ufpe.br. A tese foi orientada pelo professor George Darmiton da Cunha Cavalcanti e coorientada pelo professor Roberto Hugo Wanderley Pinheiro (UFCA). A banca examinadora é formada pelos professores Adriano Lorena Inacio de Oliveira (UFPE/Centro de Informática), Yandre Maldonado e Gomes da Costa (UEMA/Departamento de Informática), Renato Vimieiro (UFMG/Departamento de Ciência da Computação), George Gomes Cabral (UFRPE/Departamento de Estatística e Informática) e Péricles Barbosa Cunha de Miranda (UFRPE/Departamento de Computação).

Resumo 1

As infecções em feridas são umas das complicações mais comuns que atrasam a sua cicatrização. As principais bactérias que causam esta infecção são Staphylococcus aureus e Pseudomonas aeruginosa, elevando a morbidade e mortalidade dos pacientes. Os principais métodos atuais para auxiliar no diagnóstico de infecções em feridas causadas por estas bactérias são a cultura e o método molecular, que possuem elevado período para identificação das espécies e elevado custo financeiro, respectivamente. Neste sentido, um excelente recurso tecnológico em informática é o nariz eletrônico, uma técnica de amostragem não invasiva, indolor e barata, com elevada taxa de precisão. Na literatura científica são abordados poucos estudos acerca do uso do nariz eletrônico no campo de feridas infectadas por bactérias, desta forma, este estudo justifica-se por apresentar uma nova metodologia que torne a identificação de bactérias de forma mais precisa e rápida, podendo ser um recurso que auxiliará profissionais de saúde em um breve futuro. Neste sentido, este estudo objetivou identificar bactérias comuns em feridas infectadas (Staphylococcus aureus e Pseudomonas aeruginosa) através de um nariz eletrônico e modelos de Inteligência Artificial. A metodologia deste estudo experimental utilizou um nariz eletrônico com controle automático e quatro culturas bacterianas, sendo duas da espécie Staphylococcus aureus e duas culturas da espécie Pseudomonas aeruginosa foram utilizadas no experimento. Após o processo de coleta das amostras no nariz eletrônico, foi desenvolvido um banco de dados composto por 4249 amostras, onde 2719 foram utilizadas para o treinamento dos modelos (60%), 850 para validação (20%) e 680 para testes dos modelos de Inteligência Artificial utilizados (20%). Quatro algoritmos de classificação supervisionados com base em séries temporais foram utilizados no processamento de dados. Após os experimentos envolvendo os modelos de Inteligência Artificial, verificou-se que no conjunto de teste (os modelos são colocados em contato com amostras desconhecidas), o classificador InceptionTime obteve o melhor desempenho para a identificação das bactérias Staphylococcus aureus e Pseudomonas aeruginosa, com uma acurácia de 99,50% (desvio padrão: 0,00074) e uma precisão de 99,51%. O desempenho médio dos modelos no conjunto de teste apresentou resultados satisfatórios, com uma acurácia de 97,70% e uma precisão de 97,73%. Constatou-se que a metodologia proposta utilizando um nariz eletrônico e modelos de aprendizado de máquina baseado em séries temporais pode ajudar a identificar espécies bacterianas presentes em feridas infectadas de forma mais precisa, rápida e eficiente do que os métodos de identificação existentes.

Resumo 2

Uma solução natural para lidar com problemas multiclasse é empregar classificadores multiclasse. No entanto, em situações específicas, como dados desbalanceados ou grande número de classes, é mais eficaz decompor o problema multiclasse em vários problemas mais fáceis de resolver. A decomposição em uma classe é uma alternativa, onde classificadores de uma classe (OCCs) são treinados para cada classe separadamente. No entanto, ajustar os dados de forma otimizada é um desafio para OCCs, principalmente quando os dados apresentam uma distribuição intraclasse complexa. A literatura mostra que sistemas de múltiplos classificadores são inerentemente robustos em tais casos. Assim, a adoção de múltiplos OCCs para cada classe pode levar a uma melhoria na decomposição de uma classe. Com isso em mente, neste trabalho apresentamos dois métodos para classificação de problemas multiclasse através ensembles de OCCs. One-class Classifier Dynamic Ensemble Selection for Multi-class problems (Modes, para abreviar) e Density-Based Dynamic Ensemble Selection (DBDES) fornecem classificadores competentes para cada região do espaço de características, decompondo o problema multiclasse original em vários problemas de uma classe. Assim, cada classe é segmentada e um OCC é treinado para cada cluster. Modes utiliza o algoritmo K-means e um conjunto de índices de validação de cluster enquanto DBDES utiliza o algoritmo OPTICS para a segmentação dos dados. A lógica é reduzir a complexidade da tarefa de classificação definindo uma região do espaço de características onde o classificador deve ser um especialista. A classificação de um exemplo de teste é realizada selecionando dinamicamente um conjunto de OCCs competentes e a decisão final é dada pela reconstrução do problema multiclasse original. Experimentos realizados com 25 bancos de dados, quatro modelos OCC e 3 métodos de agregação mostraram que as técnicas propostas superam a literatura. Quando comparado com o estado da arte, Modes e DBDES obtiveram melhores resultados, principalmente para bancos de dados com regiões de decisão complexas.

Data da última modificação: 23/08/2022, 12:10