Análise de interpretabilidade em modelo profundo para detecção de insuficiência respiratória: um estudo de caso para a COVID-19
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
Texto Completo: | http://repositorio.utfpr.edu.br/jspui/handle/1/30002 |
Resumo: | A COVID-19 é uma doença que afetou todo o mundo, sendo declarada uma pandemia pela Organização Mundia da Saúde. Todos os métodos criados para a detecção dessa doença são custosos e requerem que o paciente esteja em condições específicas pra que o diagnostico seja correto. Assim, neste trabalho analisou-se o estado da arte em detecção de insuficiência respiratória decorrente de COVID-19 por ANNs para verificar vieses e trazer explicações sobre o resultado da classificação dessa ANN. Para isso foi feito teste de ablação ao incluir novas informações como entrada ao modelo, utilizou¬se o algoritmo Grad-CAM para ressaltar qual partes do dado alimentado à ANN são mais importantes. Também, foram sintetizados áudios do produto entre um áudio original e o mapa de calor do Grad-CAM para permitir a análise sonora dos resultados. Além disso foi treinado uma PANN e também se treinou a SpiraNet com as técnicas Mixup e SpecAugment para tentar superar o estado da art. Os resultados do teste de ablação mostraram uma grande importância da frequência fundamental da voz e do espectrograma de mel. Já os áudios sintetizados mostraram que silabas tônicas e palavras prolongadas são importantes para a classificação de pacientes neste trabalho. O experimento com aumento de dados não obteve resultados significativos. E por fim, foi superado o estado da arte com a PANN treinada obtendo uma acurácia de 94,44%. |
id |
UTFPR-12_f34d8270bdfd32bbe9617ae6645347b0 |
---|---|
oai_identifier_str |
oai:repositorio.utfpr.edu.br:1/30002 |
network_acronym_str |
UTFPR-12 |
network_name_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
repository_id_str |
|
spelling |
2022-10-24T18:27:34Z2022-10-24T18:27:34Z2021-12-06SILVA, Daniel Peixoto Pinto da. Análise de interpretabilidade em modelo profundo para detecção de insuficiência respiratória: um estudo de caso para a COVID-19. 2021. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Medianeira, 2021.http://repositorio.utfpr.edu.br/jspui/handle/1/30002A COVID-19 é uma doença que afetou todo o mundo, sendo declarada uma pandemia pela Organização Mundia da Saúde. Todos os métodos criados para a detecção dessa doença são custosos e requerem que o paciente esteja em condições específicas pra que o diagnostico seja correto. Assim, neste trabalho analisou-se o estado da arte em detecção de insuficiência respiratória decorrente de COVID-19 por ANNs para verificar vieses e trazer explicações sobre o resultado da classificação dessa ANN. Para isso foi feito teste de ablação ao incluir novas informações como entrada ao modelo, utilizou¬se o algoritmo Grad-CAM para ressaltar qual partes do dado alimentado à ANN são mais importantes. Também, foram sintetizados áudios do produto entre um áudio original e o mapa de calor do Grad-CAM para permitir a análise sonora dos resultados. Além disso foi treinado uma PANN e também se treinou a SpiraNet com as técnicas Mixup e SpecAugment para tentar superar o estado da art. Os resultados do teste de ablação mostraram uma grande importância da frequência fundamental da voz e do espectrograma de mel. Já os áudios sintetizados mostraram que silabas tônicas e palavras prolongadas são importantes para a classificação de pacientes neste trabalho. O experimento com aumento de dados não obteve resultados significativos. E por fim, foi superado o estado da arte com a PANN treinada obtendo uma acurácia de 94,44%.COVID-19 is a disease that has affected the whole world, being declared a pandemic by the World Health Organization. All methods created to detect this disease are costly and human, which is available in specific conditions so that the diagnosis is correct. Thus, in this work, the state of the art in detecting respiratory failure due to COVID-19 by ANNs was analyzed to verify biases and provide explanations about the result of the classification of this ANN. For this, an ablation test was performed, including new information as input to the model, the Grad-CAM algorithm was used to highlight which parts of the data fed to the ANN are more important. Also, audios of the product between an original audio and the Grad-CAM heat map were synthesized to allow a sound analysis of the results. In addition, a PANN was trained and also Mixup and SpecAugment techniques were used on training of SpiraNet to overcome the state of art. The results of the ablation test showed a great importance of the fundamental frequency of the voice and the melspectrogram. The synthesized audios showed that stressed syllables and prolonged words are important for the classification of patients in this work. The data augmentation experiment did not obtain significant results. And finally, the state of the art was surpassed with the trained PANN obtaining an accuracy of 94,44%.porUniversidade Tecnológica Federal do ParanáMedianeiraCiência da ComputaçãoUTFPRBrasilhttps://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccessCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOInteligência artificialRedes neurais (Computação)Aprendizado do computadorArtificial intelligenceNeural networks (Computer science)Machine learningAnálise de interpretabilidade em modelo profundo para detecção de insuficiência respiratória: um estudo de caso para a COVID-19Interpretability analysis in deep model for detection of respiratory failure: a case study for COVID-19info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisMedianeiraCandido Junior, ArnaldoFinger, MarceloCandido Junior, ArnaldoAikes Junior, JorgeFinger, MarceloPaula Filho, Pedro Luiz deSilva, Daniel Peixoto Pinto dareponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPRORIGINALanaliseinterpretabilidademodeloprofundo.pdfanaliseinterpretabilidademodeloprofundo.pdfapplication/pdf4112319http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30002/1/analiseinterpretabilidademodeloprofundo.pdfaa9114e19c12388c0a58a34c6a71dd34MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81031http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30002/2/license_rdf934f4ca17e109e0a05eaeaba504d7ce4MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81290http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30002/3/license.txtb9d82215ab23456fa2d8b49c5df1b95bMD53TEXTanaliseinterpretabilidademodeloprofundo.pdf.txtanaliseinterpretabilidademodeloprofundo.pdf.txtExtracted texttext/plain99012http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30002/4/analiseinterpretabilidademodeloprofundo.pdf.txtee5526e1fc6eaf3e10f5fa71f3971005MD54THUMBNAILanaliseinterpretabilidademodeloprofundo.pdf.jpganaliseinterpretabilidademodeloprofundo.pdf.jpgGenerated Thumbnailimage/jpeg1194http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30002/5/analiseinterpretabilidademodeloprofundo.pdf.jpg0a01b0f9978e0fcf2ca3dcfe6b88689eMD551/300022022-10-25 03:06:33.384oai:repositorio.utfpr.edu.br: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ório de PublicaçõesPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestopendoar:2022-10-25T06:06:33Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false |
dc.title.pt_BR.fl_str_mv |
Análise de interpretabilidade em modelo profundo para detecção de insuficiência respiratória: um estudo de caso para a COVID-19 |
dc.title.alternative.pt_BR.fl_str_mv |
Interpretability analysis in deep model for detection of respiratory failure: a case study for COVID-19 |
title |
Análise de interpretabilidade em modelo profundo para detecção de insuficiência respiratória: um estudo de caso para a COVID-19 |
spellingShingle |
Análise de interpretabilidade em modelo profundo para detecção de insuficiência respiratória: um estudo de caso para a COVID-19 Silva, Daniel Peixoto Pinto da CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Inteligência artificial Redes neurais (Computação) Aprendizado do computador Artificial intelligence Neural networks (Computer science) Machine learning |
title_short |
Análise de interpretabilidade em modelo profundo para detecção de insuficiência respiratória: um estudo de caso para a COVID-19 |
title_full |
Análise de interpretabilidade em modelo profundo para detecção de insuficiência respiratória: um estudo de caso para a COVID-19 |
title_fullStr |
Análise de interpretabilidade em modelo profundo para detecção de insuficiência respiratória: um estudo de caso para a COVID-19 |
title_full_unstemmed |
Análise de interpretabilidade em modelo profundo para detecção de insuficiência respiratória: um estudo de caso para a COVID-19 |
title_sort |
Análise de interpretabilidade em modelo profundo para detecção de insuficiência respiratória: um estudo de caso para a COVID-19 |
author |
Silva, Daniel Peixoto Pinto da |
author_facet |
Silva, Daniel Peixoto Pinto da |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Candido Junior, Arnaldo |
dc.contributor.advisor-co1.fl_str_mv |
Finger, Marcelo |
dc.contributor.referee1.fl_str_mv |
Candido Junior, Arnaldo |
dc.contributor.referee2.fl_str_mv |
Aikes Junior, Jorge |
dc.contributor.referee3.fl_str_mv |
Finger, Marcelo |
dc.contributor.referee4.fl_str_mv |
Paula Filho, Pedro Luiz de |
dc.contributor.author.fl_str_mv |
Silva, Daniel Peixoto Pinto da |
contributor_str_mv |
Candido Junior, Arnaldo Finger, Marcelo Candido Junior, Arnaldo Aikes Junior, Jorge Finger, Marcelo Paula Filho, Pedro Luiz de |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
topic |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Inteligência artificial Redes neurais (Computação) Aprendizado do computador Artificial intelligence Neural networks (Computer science) Machine learning |
dc.subject.por.fl_str_mv |
Inteligência artificial Redes neurais (Computação) Aprendizado do computador Artificial intelligence Neural networks (Computer science) Machine learning |
description |
A COVID-19 é uma doença que afetou todo o mundo, sendo declarada uma pandemia pela Organização Mundia da Saúde. Todos os métodos criados para a detecção dessa doença são custosos e requerem que o paciente esteja em condições específicas pra que o diagnostico seja correto. Assim, neste trabalho analisou-se o estado da arte em detecção de insuficiência respiratória decorrente de COVID-19 por ANNs para verificar vieses e trazer explicações sobre o resultado da classificação dessa ANN. Para isso foi feito teste de ablação ao incluir novas informações como entrada ao modelo, utilizou¬se o algoritmo Grad-CAM para ressaltar qual partes do dado alimentado à ANN são mais importantes. Também, foram sintetizados áudios do produto entre um áudio original e o mapa de calor do Grad-CAM para permitir a análise sonora dos resultados. Além disso foi treinado uma PANN e também se treinou a SpiraNet com as técnicas Mixup e SpecAugment para tentar superar o estado da art. Os resultados do teste de ablação mostraram uma grande importância da frequência fundamental da voz e do espectrograma de mel. Já os áudios sintetizados mostraram que silabas tônicas e palavras prolongadas são importantes para a classificação de pacientes neste trabalho. O experimento com aumento de dados não obteve resultados significativos. E por fim, foi superado o estado da arte com a PANN treinada obtendo uma acurácia de 94,44%. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021-12-06 |
dc.date.accessioned.fl_str_mv |
2022-10-24T18:27:34Z |
dc.date.available.fl_str_mv |
2022-10-24T18:27:34Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
SILVA, Daniel Peixoto Pinto da. Análise de interpretabilidade em modelo profundo para detecção de insuficiência respiratória: um estudo de caso para a COVID-19. 2021. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Medianeira, 2021. |
dc.identifier.uri.fl_str_mv |
http://repositorio.utfpr.edu.br/jspui/handle/1/30002 |
identifier_str_mv |
SILVA, Daniel Peixoto Pinto da. Análise de interpretabilidade em modelo profundo para detecção de insuficiência respiratória: um estudo de caso para a COVID-19. 2021. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Medianeira, 2021. |
url |
http://repositorio.utfpr.edu.br/jspui/handle/1/30002 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
https://creativecommons.org/licenses/by-nc/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc/4.0/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Medianeira |
dc.publisher.program.fl_str_mv |
Ciência da Computação |
dc.publisher.initials.fl_str_mv |
UTFPR |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Medianeira |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) instname:Universidade Tecnológica Federal do Paraná (UTFPR) instacron:UTFPR |
instname_str |
Universidade Tecnológica Federal do Paraná (UTFPR) |
instacron_str |
UTFPR |
institution |
UTFPR |
reponame_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
collection |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
bitstream.url.fl_str_mv |
http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30002/1/analiseinterpretabilidademodeloprofundo.pdf http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30002/2/license_rdf http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30002/3/license.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30002/4/analiseinterpretabilidademodeloprofundo.pdf.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/30002/5/analiseinterpretabilidademodeloprofundo.pdf.jpg |
bitstream.checksum.fl_str_mv |
aa9114e19c12388c0a58a34c6a71dd34 934f4ca17e109e0a05eaeaba504d7ce4 b9d82215ab23456fa2d8b49c5df1b95b ee5526e1fc6eaf3e10f5fa71f3971005 0a01b0f9978e0fcf2ca3dcfe6b88689e |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1797043930701758464 |