Detecção de alterações respiratórias na esclerose sistêmica através da técnica de oscilações forçadas e algoritmos de aprendizado de máquinas

Detalhes bibliográficos
Autor(a) principal: Andrade, Domingos Sávio Mattos de
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UERJ
Texto Completo: http://www.bdtd.uerj.br/handle/1/11751
Resumo: The Forced Oscillation Technique (TOF) has shown high potential in the study of mechanical alterations of respiratory diseases. Due to its simplicity of execution, requiring little patient´s collaboration, it provides new parameters, which complement the pulmonary evaluations performed by traditional methods, such as spirometry. To prove the efficiency of this new technique, this work proposes the use of machine learning algorithms help the investigation and the early diagnosis of respiratory changes in patients with Systemic Sclerosis. The data provided by TOF were used on the following algorithms: K-Nearest Neighbor (KNN), Radial Support Vector Machine (RSVM), Adaboost (ADAB), Random Forest (RF) and Multiple Instance Learning (AMI) as classifier and attribute selector. From the experiments performed, dynamic compliance (Cdin) was the attribute that presented the best individual performance (AUC = 0,77 for the control group x normal spirometric examination (group 1) and 0,94 for the control group x restrictive (group 2)), indicating moderate and high accuracy, respectively. In the experiment with all TOF attributes, the best performance was achieved by KNN (AUC = 0,90) for group 1, indicating high accuracy and AUC = 0,96, achieved by ADAB for group 2. The AMI algorithm obtained AUC = 0,72 for group 1 and AUC = 0,94 for group 2. With five attributes selected by the multi-instance algorithm, the best result was achieved by the KNN algorithm (AUC = 0,88) for group 1 and ADAB (AUC = 0,98) for group 2. As a classifier, the AMI obtained AUC of 0,74 and 0,95, respectively. In the experiment performed with five attributes selected by the expert, the best performance was achieved by KNN (AUC = 0,85) for group 1 and ADAB (AUC = 0,98) for group 2. With direct selection, the best performance was also achieved by KNN for group 1 (AUC = 0,89) and by ADAB for group 2 (AUC = 0,97). The experiments showed that the use of machine learning algorithms increased the accuracy of the diagnosis of Systemic Sclerosis, which may help in the early diagnosis of the disease.
id UERJ_e52ef8dcc1a5cf8371969314bbd5c9d0
oai_identifier_str oai:www.bdtd.uerj.br:1/11751
network_acronym_str UERJ
network_name_str Biblioteca Digital de Teses e Dissertações da UERJ
repository_id_str 2903
spelling Amaral, Jorge Luís Machado dohttp://lattes.cnpq.br/1000528740958810Melo, Pedro Lopes dehttp://lattes.cnpq.br/4366715224334657Oliveira, Fabiano Saldanha Gomes dehttp://lattes.cnpq.br/3088661798341585Pedreira, Carlos Eduardohttp://lattes.cnpq.br/2718664296804955http://lattes.cnpq.br/5911289006998371Andrade, Domingos Sávio Mattos de2021-01-06T19:17:11Z2019-01-102018-08-22ANDRADE, Domingos Sávio Mattos de. Detecção de alterações respiratórias na esclerose sistêmica através da técnica de oscilações forçadas e algoritmos de aprendizado de máquinas. 2018. 121 f. Dissertação (Mestrado em Redes de Telecomunicações; Sistemas Inteligentes e Automação) - Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2018.http://www.bdtd.uerj.br/handle/1/11751The Forced Oscillation Technique (TOF) has shown high potential in the study of mechanical alterations of respiratory diseases. Due to its simplicity of execution, requiring little patient´s collaboration, it provides new parameters, which complement the pulmonary evaluations performed by traditional methods, such as spirometry. To prove the efficiency of this new technique, this work proposes the use of machine learning algorithms help the investigation and the early diagnosis of respiratory changes in patients with Systemic Sclerosis. The data provided by TOF were used on the following algorithms: K-Nearest Neighbor (KNN), Radial Support Vector Machine (RSVM), Adaboost (ADAB), Random Forest (RF) and Multiple Instance Learning (AMI) as classifier and attribute selector. From the experiments performed, dynamic compliance (Cdin) was the attribute that presented the best individual performance (AUC = 0,77 for the control group x normal spirometric examination (group 1) and 0,94 for the control group x restrictive (group 2)), indicating moderate and high accuracy, respectively. In the experiment with all TOF attributes, the best performance was achieved by KNN (AUC = 0,90) for group 1, indicating high accuracy and AUC = 0,96, achieved by ADAB for group 2. The AMI algorithm obtained AUC = 0,72 for group 1 and AUC = 0,94 for group 2. With five attributes selected by the multi-instance algorithm, the best result was achieved by the KNN algorithm (AUC = 0,88) for group 1 and ADAB (AUC = 0,98) for group 2. As a classifier, the AMI obtained AUC of 0,74 and 0,95, respectively. In the experiment performed with five attributes selected by the expert, the best performance was achieved by KNN (AUC = 0,85) for group 1 and ADAB (AUC = 0,98) for group 2. With direct selection, the best performance was also achieved by KNN for group 1 (AUC = 0,89) and by ADAB for group 2 (AUC = 0,97). The experiments showed that the use of machine learning algorithms increased the accuracy of the diagnosis of Systemic Sclerosis, which may help in the early diagnosis of the disease.A Técnica de Oscilações Forçadas (TOF) tem mostrado um elevado potencial no estudo de alterações mecânicas no sistema respiratório de indivíduos portadores de doenças pulmonares. Devido a sua simplicidade de execução, requerendo pouca colaboração do paciente, ela fornece novos parâmetros, que complementam as avaliações pulmonares realizadas por métodos tradicionais, como a espirometria. A fim de aprimorar a eficácia dessa nova técnica, este trabalho propõe o uso de algoritmos de aprendizado de máquinas para auxiliar a investigação e diagnóstico precoce de alterações respiratórias em portadores de Esclerose Sistêmica. Os dados fornecidos pela TOF foram aplicados nos algoritmos: K-Nearest Neighbor (K-NN), Radial Support Vector Machine (RSVM), Adaboost (ADAB), Random Forest (RF) e Aprendizado em Múltiplas Instâncias (AMI), essa última usada como classificador e seletor de atributos. Dentre os experimentos realizados, a complacência dinâmica (Cdin), foi o atributo que apresentou o melhor desempenho individual (AUC=0,77 para o grupo controle x exame espirométrico normal (grupo 1) e 0,94 para o grupo controle x restritivo (grupo 2)), indicando acurácia moderada e alta, respectivamente. No experimento com todos os atributos da TOF, o melhor desempenho foi alcançado pelo KNN (AUC=0,90) para o grupo 1 , indicando alta acurácia e AUC=0,96, alcançada pelo ADAB para o grupo 2. O algoritmo AMI obteve AUC=0,72 para o grupo 1 e AUC=0,94 para o grupo 2 . Com cinco atributos selecionados pelo algoritmo de múltiplas instâncias, o melhor resultado foi alcançado pelo algoritmo KNN (AUC = 0,88) para o grupo 1 e pelo ADAB (AUC=0,98) para o grupo 2. Como classificador, o AMI obteve AUC de 0,74 e 0,95, respectivamente. No experimento realizado com cinco atributos selecionados pelo especialista, o melhor desempenho foi alcançado pelo KNN (AUC=0,85) para o grupo 1 e pelo ADAB (AUC=0,98) para o grupo 2. Com a seleção direta de atributos o melhor desempenho também foi alcançado pelo KNN para o grupo 1 (AUC=0,89) e pelo ADAB para o grupo 2 (AUC=0,97). Os experimentos realizados mostraram que o uso de algoritmos de aprendizado de máquinas aumentou a acurácia do diagnóstico da Esclerose Sistêmica, podendo auxiliar no diagnóstico precoce da doença.Submitted by Boris Flegr (boris@uerj.br) on 2021-01-06T19:17:11Z No. of bitstreams: 1 Domingos Savio Mattos de Andrade_BDTD.pdf: 3388527 bytes, checksum: 5987f3e7484fa2cc33f8fb1dfed97185 (MD5)Made available in DSpace on 2021-01-06T19:17:11Z (GMT). No. of bitstreams: 1 Domingos Savio Mattos de Andrade_BDTD.pdf: 3388527 bytes, checksum: 5987f3e7484fa2cc33f8fb1dfed97185 (MD5) Previous issue date: 2018-08-22application/pdfporUniversidade do Estado do Rio de JaneiroPrograma de Pós-Graduação em Engenharia EletrônicaUERJBRCentro de Tecnologia e Ciências::Faculdade de EngenhariaElectronic EngineeringComputer learningAlgorithmsRespiratory system diseasesSystemic SclerosisForced Oscillations TechniqueTOFMachine learningMultiple InstancesAUCEngenharia eletrônicaAprendizado do computadorAlgorítmosDoenças do sistema respiratórioEsclerose SistêmicaTécnica de Oscilações ForçadasTOFAprendizado de máquinaMúltiplas InstânciasAUCCNPQ::ENGENHARIASDetecção de alterações respiratórias na esclerose sistêmica através da técnica de oscilações forçadas e algoritmos de aprendizado de máquinasDetection of respiratory changes in systemic sclerosis by forced oscillation technique and machine learning algorithmsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UERJinstname:Universidade do Estado do Rio de Janeiro (UERJ)instacron:UERJORIGINALDomingos Savio Mattos de Andrade_BDTD.pdfapplication/pdf3388527http://www.bdtd.uerj.br/bitstream/1/11751/1/Domingos+Savio+Mattos+de+Andrade_BDTD.pdf5987f3e7484fa2cc33f8fb1dfed97185MD511/117512024-02-27 15:16:49.961oai:www.bdtd.uerj.br:1/11751Biblioteca Digital de Teses e Dissertaçõeshttp://www.bdtd.uerj.br/PUBhttps://www.bdtd.uerj.br:8443/oai/requestbdtd.suporte@uerj.bropendoar:29032024-02-27T18:16:49Biblioteca Digital de Teses e Dissertações da UERJ - Universidade do Estado do Rio de Janeiro (UERJ)false
dc.title.por.fl_str_mv Detecção de alterações respiratórias na esclerose sistêmica através da técnica de oscilações forçadas e algoritmos de aprendizado de máquinas
dc.title.alternative.eng.fl_str_mv Detection of respiratory changes in systemic sclerosis by forced oscillation technique and machine learning algorithms
title Detecção de alterações respiratórias na esclerose sistêmica através da técnica de oscilações forçadas e algoritmos de aprendizado de máquinas
spellingShingle Detecção de alterações respiratórias na esclerose sistêmica através da técnica de oscilações forçadas e algoritmos de aprendizado de máquinas
Andrade, Domingos Sávio Mattos de
Electronic Engineering
Computer learning
Algorithms
Respiratory system diseases
Systemic Sclerosis
Forced Oscillations Technique
TOF
Machine learning
Multiple Instances
AUC
Engenharia eletrônica
Aprendizado do computador
Algorítmos
Doenças do sistema respiratório
Esclerose Sistêmica
Técnica de Oscilações Forçadas
TOF
Aprendizado de máquina
Múltiplas Instâncias
AUC
CNPQ::ENGENHARIAS
title_short Detecção de alterações respiratórias na esclerose sistêmica através da técnica de oscilações forçadas e algoritmos de aprendizado de máquinas
title_full Detecção de alterações respiratórias na esclerose sistêmica através da técnica de oscilações forçadas e algoritmos de aprendizado de máquinas
title_fullStr Detecção de alterações respiratórias na esclerose sistêmica através da técnica de oscilações forçadas e algoritmos de aprendizado de máquinas
title_full_unstemmed Detecção de alterações respiratórias na esclerose sistêmica através da técnica de oscilações forçadas e algoritmos de aprendizado de máquinas
title_sort Detecção de alterações respiratórias na esclerose sistêmica através da técnica de oscilações forçadas e algoritmos de aprendizado de máquinas
author Andrade, Domingos Sávio Mattos de
author_facet Andrade, Domingos Sávio Mattos de
author_role author
dc.contributor.advisor1.fl_str_mv Amaral, Jorge Luís Machado do
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/1000528740958810
dc.contributor.advisor-co1.fl_str_mv Melo, Pedro Lopes de
dc.contributor.advisor-co1Lattes.fl_str_mv http://lattes.cnpq.br/4366715224334657
dc.contributor.referee1.fl_str_mv Oliveira, Fabiano Saldanha Gomes de
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/3088661798341585
dc.contributor.referee2.fl_str_mv Pedreira, Carlos Eduardo
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/2718664296804955
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/5911289006998371
dc.contributor.author.fl_str_mv Andrade, Domingos Sávio Mattos de
contributor_str_mv Amaral, Jorge Luís Machado do
Melo, Pedro Lopes de
Oliveira, Fabiano Saldanha Gomes de
Pedreira, Carlos Eduardo
dc.subject.eng.fl_str_mv Electronic Engineering
Computer learning
Algorithms
Respiratory system diseases
Systemic Sclerosis
Forced Oscillations Technique
TOF
Machine learning
Multiple Instances
AUC
topic Electronic Engineering
Computer learning
Algorithms
Respiratory system diseases
Systemic Sclerosis
Forced Oscillations Technique
TOF
Machine learning
Multiple Instances
AUC
Engenharia eletrônica
Aprendizado do computador
Algorítmos
Doenças do sistema respiratório
Esclerose Sistêmica
Técnica de Oscilações Forçadas
TOF
Aprendizado de máquina
Múltiplas Instâncias
AUC
CNPQ::ENGENHARIAS
dc.subject.por.fl_str_mv Engenharia eletrônica
Aprendizado do computador
Algorítmos
Doenças do sistema respiratório
Esclerose Sistêmica
Técnica de Oscilações Forçadas
TOF
Aprendizado de máquina
Múltiplas Instâncias
AUC
dc.subject.cnpq.fl_str_mv CNPQ::ENGENHARIAS
description The Forced Oscillation Technique (TOF) has shown high potential in the study of mechanical alterations of respiratory diseases. Due to its simplicity of execution, requiring little patient´s collaboration, it provides new parameters, which complement the pulmonary evaluations performed by traditional methods, such as spirometry. To prove the efficiency of this new technique, this work proposes the use of machine learning algorithms help the investigation and the early diagnosis of respiratory changes in patients with Systemic Sclerosis. The data provided by TOF were used on the following algorithms: K-Nearest Neighbor (KNN), Radial Support Vector Machine (RSVM), Adaboost (ADAB), Random Forest (RF) and Multiple Instance Learning (AMI) as classifier and attribute selector. From the experiments performed, dynamic compliance (Cdin) was the attribute that presented the best individual performance (AUC = 0,77 for the control group x normal spirometric examination (group 1) and 0,94 for the control group x restrictive (group 2)), indicating moderate and high accuracy, respectively. In the experiment with all TOF attributes, the best performance was achieved by KNN (AUC = 0,90) for group 1, indicating high accuracy and AUC = 0,96, achieved by ADAB for group 2. The AMI algorithm obtained AUC = 0,72 for group 1 and AUC = 0,94 for group 2. With five attributes selected by the multi-instance algorithm, the best result was achieved by the KNN algorithm (AUC = 0,88) for group 1 and ADAB (AUC = 0,98) for group 2. As a classifier, the AMI obtained AUC of 0,74 and 0,95, respectively. In the experiment performed with five attributes selected by the expert, the best performance was achieved by KNN (AUC = 0,85) for group 1 and ADAB (AUC = 0,98) for group 2. With direct selection, the best performance was also achieved by KNN for group 1 (AUC = 0,89) and by ADAB for group 2 (AUC = 0,97). The experiments showed that the use of machine learning algorithms increased the accuracy of the diagnosis of Systemic Sclerosis, which may help in the early diagnosis of the disease.
publishDate 2018
dc.date.issued.fl_str_mv 2018-08-22
dc.date.available.fl_str_mv 2019-01-10
dc.date.accessioned.fl_str_mv 2021-01-06T19:17:11Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv ANDRADE, Domingos Sávio Mattos de. Detecção de alterações respiratórias na esclerose sistêmica através da técnica de oscilações forçadas e algoritmos de aprendizado de máquinas. 2018. 121 f. Dissertação (Mestrado em Redes de Telecomunicações; Sistemas Inteligentes e Automação) - Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2018.
dc.identifier.uri.fl_str_mv http://www.bdtd.uerj.br/handle/1/11751
identifier_str_mv ANDRADE, Domingos Sávio Mattos de. Detecção de alterações respiratórias na esclerose sistêmica através da técnica de oscilações forçadas e algoritmos de aprendizado de máquinas. 2018. 121 f. Dissertação (Mestrado em Redes de Telecomunicações; Sistemas Inteligentes e Automação) - Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2018.
url http://www.bdtd.uerj.br/handle/1/11751
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade do Estado do Rio de Janeiro
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Engenharia Eletrônica
dc.publisher.initials.fl_str_mv UERJ
dc.publisher.country.fl_str_mv BR
dc.publisher.department.fl_str_mv Centro de Tecnologia e Ciências::Faculdade de Engenharia
publisher.none.fl_str_mv Universidade do Estado do Rio de Janeiro
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UERJ
instname:Universidade do Estado do Rio de Janeiro (UERJ)
instacron:UERJ
instname_str Universidade do Estado do Rio de Janeiro (UERJ)
instacron_str UERJ
institution UERJ
reponame_str Biblioteca Digital de Teses e Dissertações da UERJ
collection Biblioteca Digital de Teses e Dissertações da UERJ
bitstream.url.fl_str_mv http://www.bdtd.uerj.br/bitstream/1/11751/1/Domingos+Savio+Mattos+de+Andrade_BDTD.pdf
bitstream.checksum.fl_str_mv 5987f3e7484fa2cc33f8fb1dfed97185
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UERJ - Universidade do Estado do Rio de Janeiro (UERJ)
repository.mail.fl_str_mv bdtd.suporte@uerj.br
_version_ 1811728660835598336