Análise de interpretabilidade em modelo profundo para detecção de insuficiência respiratória: um estudo de caso para a COVID­-19

• Autor(a) principal: Silva, Daniel Peixoto Pinto da
• 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
• 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

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%.