14 ago 2025
14:00 Defesa de Mestrado Auditório do IC3
Tema
Técnicas de aprendizado de máquina para detectar padrões biométricos associados à doença de Parkinson a partir de dados de sensores vestíveis
Aluno
Jesús Francisco Paucar Escalante
Orientador / Docente
Esther Luna Colombini - Coorientadora: Aurea Rossy Soriano Vargas
Breve resumo
A Doença de Parkinson (DP) é um distúrbio neurodegenerativo que afeta gravemente as funções motoras e não motoras, sendo o tremor em repouso, bradicinesia e rigidez os principais sintomas. O diagnóstico precoce e preciso é crucial, mas os métodos tradicionais, especialmente as escalas clínicas subjetivas como a Escala Unificada de Avaliação da Doença de Parkinson (UPDRS), frequentemente apresentam variabilidade e inconsistências. Sensores vestíveis, como acelerômetros e giroscópios, têm surgido como ferramentas valiosas para monitorar os sintomas da DP em ambientes reais. No entanto, ainda existem desafios na aplicação do aprendizado de máquina (ML) para o diagnóstico da DP, especialmente com a corrupção de sinais devido a artefatos de movimento, ruído ambiental e limitações de hardware. Esses problemas degradam o desempenho do modelo e dificultam a classificação precisa, destacando a necessidade de técnicas de pré-processamento aprimoradas.
Esta pesquisa explora o potencial do aprendizado de máquina para a classificação de tremores na DP, revisando vários modelos, incluindo abordagens clássicas (por exemplo, Máquinas de Vetores de Suporte) e métodos avançados de aprendizado profundo (por exemplo, Redes Neurais Convolucionais, Redes de Memória de Longo Prazo). O estudo aborda os principais desafios do ML para a DP, incluindo a partição de dados, overfitting e a generalização em populações de pacientes diversas. Uma contribuição importante deste trabalho é a introdução dos Modelos de Difusão Estável (SDM) para remoção de ruído de sinais de sensores inerciais, melhorando a estabilidade do treinamento e o controle sobre as características do sinal. Ao usar SDMs para recuperar sinais limpos, o objetivo é melhorar a extração de características relacionadas ao tremor, focando nas frequências sutis do tremor que frequentemente estão ocultas pelo ruído.
O estudo demonstra que a integração dos SDMs com modelos de classificação de aprendizado profundo melhora significativamente o desempenho na classificação de tremores, com maior precisão e robustez. Este trabalho oferece um método inovador para lidar com dados ruidosos de sensores e apresenta um caminho para avaliações mais confiáveis e aplicáveis clinicamente do tremor na DP.
Banca examinadora
Titulares:
| Esther Luna Colombini | IC/UNICAMP |
| Sandra Eliza Fontes de Avila | IC/UNICAMP |
| Agma Juci Machado Traina | ICMC/USP |
Suplentes:
| Fátima de Lourdes dos Santos Nunes Marques | EACH/USP |
| Anderson de Rezende Rocha | IC/UNICAMP |