Abordagem de aprendizado profundo para classificação de Parkson por meio de sinais de voz

• Autor(a) principal: Silva Junior, André Luiz da
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: https://hdl.handle.net/11449/251504
• topic: Doença de Parkinson; Diagnóstico; Aprendizado de máquina; Aprendizado profundo; Rede neural convolucional; Rede neural recorrente; Parkinson’s disease; Diagnosis; Machining learning; Deep learning; Convolutional neural network; Recurrent neural network

A doença de Parkinson é um distúrbio neurológico progressivo que afeta o cérebro. O desenvolvimento de sistemas especializados capazes de diagnosticar automaticamente e com alta precisão estágios iniciais da doença de Parkinson com base em sinais de fala representaria uma contribuição importante para o setor de saúde. Para isso, foram aplicadas a três conjuntos de dados com características próprias para um mais amplo estudo dos casos, técnicas de aprendizado de máquina. Dois desses conjuntos de dados foram analisados utilizando os métodos clássicos como a regressão logística, máquina de vetores de suporte , k-ésimo vizinho mais próximo, floresta aleatória, árvore de decisão, Naive Bayes e XGBoost, e um com a utilização de aprendizado de máquina com séries temporais, utilizado técnicas de aprendizado profundo como a rede neural convolucional e a rede neural recorrente, após o treino o modelo com o melhor desempenho foi selecionado para cada dataset. Os resultados revelaram que o modelo que teve um desempenho melhor nos dois conjunto de dados que utilizaram aprendizado de máquina clássico foi a Regressão Logística, e no aprendizado profundo foi a Rede Neural Convolucional. Os resultados obtidos revelaram uma acurácia de classificação de 92.31% e 86.84% para os dois conjuntos de dados, o que evidencia a capacidade de obter resultados excelentes mesmo com um conjunto limitado de dados. Além disso, foram observadas precisões de 91.43% e 86.72%, recalls de 100.00% e 97.37%, e F1-Scores de 95.52% e 91.74%. Esses valores corroboram a qualidade dos resultados alcançados. Por sua vez, a Rede Neural Convolucional apresentou uma acurácia de classificação de 86.69%, precisão de 86.83%, recall de 88.20% e F1-Score de 87.51%, mesmo com um número reduzido de épocas de treinamento. Isso evidencia a eficácia desse modelo como uma alternativa valiosa para a classificação. Esses resultados indicam que as classificações terão um papel significativo no avanço do setor médico. É importante ressaltar a relevância de uma análise cuidadosa na escolha do modelo a ser utilizado, pois diferentes conjuntos de dados podem apresentar resultados mais favoráveis em modelos distintos.