Detecção de sintomas de depressão por meio de redes neurais artificiais

Página do item simplificado
dc.contributor.advisorDaniel Gomes Soares, Msc
dc.contributor.authorVictor Beninca Fiamoncini
dc.contributor.valuerJuliano Tonizetti Brignoli, Dr
dc.contributor.valuerRodrigo Curvêllo, Msc
dc.date.accessioned2024-05-15T20:10:32Z
dc.date.available2024-05-15T20:10:32Z
dc.date.issued2024
dc.description.abstractA depressão é uma condição de saúde mental complexa que envolve uma combinação de fatores biológicos, psicológicos e sociais, sendo caracterizada como um distúrbio afetivo ou de humor. Órgãos de saúde destacam a depressão como sendo uma das doenças de maior morbilidade, sendo comum em clínicas gerais e um problema que vem crescendo nas redes de saúde públicas. Diversos são os fatores estressores que contribuem para o surgimento da depressão, sendo alguns deles: o consumo de substâncias químicas (drogas ou medicamentos), estresse crônico, eventos traumáticos ou até fatores genéticos. O diagnóstico da depressão se torna complexo em relação aos outros, principalmente por ela ser uma doença de característica psiquiátrica. Estima-se que 50% dos casos não chegam a ser diagnosticados, além de uma parcela ínfima receber a devida atenção. Dentre as possíveis soluções para o auxílio do diagnóstico da depressão estão as Redes Neurais Artificiais (RNAs), que são modelos computacionais que possuem como base a inspiração no sistema nervoso encontrado nos seres vivos A finalidade deste estudo é desenvolver um modelo de detecção de pessoas com depressão, tendo como fonte de dados entrevistas em formato de áudio com pessoas depressivas e não depressivas. Para alcançar o objetivo definido foi realizada a revisão bibliográfica de modo a identificar as principais técnicas para realizar o processamento das entrevistas, a fim de servirem para a organização dos dados de entrada para as RNAs. Foi realizada a modelagem, treinamento e validação das RNAs do tipo MLP (Perceptron Multicamadas) e LSTM (Memória de Longo e Curto Prazo) com diferentes configurações de camadas, quantidade de neurônios dentre outras variáveis. Por fim é apresentado e analisado o desempenho das RNAs modeladas por meio de métricas estatísticas, onde a melhor configuração do tipo MLP apresentou o índice RSME de 0.41 e o F1-Score de 0.91 e a melhor configuração do tipo LSTM apresentou o índice RSME de 0.44 e o F1-Score de 0.89. Desse modo a RNA do tipo MLP obteve índices melhores que a LSTM, entretanto ambos os tipos de RNAs, neste estudo, não conseguiram prever com ênfase pessoas que possuem depressão, ou seja, a maior parte das amostras de teste foram classificadas como não depressivas.
dc.identifier.urihttp://200.135.58.21/handle/repositorio/153
dc.language.isopt
dc.subjectSintomas
dc.subjectDepressão
dc.subjectRedes Neurais
dc.subjectArtificiais
dc.titleDetecção de sintomas de depressão por meio de redes neurais artificiais
dc.typeArticle
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TCC - Victor Fiamoncini.pdf
Tamanho:
1.17 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Inteligência Artificial