Processamento de sinais fisiológicos no auxílio do diagnóstico de Transtorno de Estresse Pós-traumático

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMedeiros, Dianne Scherly Varela de-
Autor(es): dc.contributorMuchaluat-Saade, Débora Christina-
Autor(es): dc.contributorRamos, Taiane Coelho-
Autor(es): dc.contributorMattos, Diogo Menezes Ferrazani-
Autor(es): dc.creatorSantos, Yago de Rezende dos-
Data de aceite: dc.date.accessioned2024-07-11T17:27:08Z-
Data de disponibilização: dc.date.available2024-07-11T17:27:08Z-
Data de envio: dc.date.issued2024-03-05-
Data de envio: dc.date.issued2024-03-05-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/32587-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/750569-
Descrição: dc.descriptionA exposição a situações de violência ou abusos durante a vida pode aumentar as chances de uma pessoa desenvolver distúrbios psicológicos associados a traumas, como o Transtorno de Estresse Pós-Traumático (TEPT). As pessoas afetadas por TEPT têm uma maior probabilidade de evoluir para quadros mais críticos, como comorbidade psiquiátrica e aumento do risco de suicídio. Nesse contexto, reduzir o tempo para o diagnóstico preciso é crucial para o direcionamento dos pacientes a um tratamento mais específico. A utilização de algoritmos de aprendizado de máquina pode contribuir para essa redução, permitindo identificar rapidamente um transtorno como o TEPT. Este trabalho tem como finalidade investigar a possibilidade da utilização de um método objetivo e não invasivo na predição de TEPT. Para isso, utiliza-se um conjunto de dados contendo sinais fisiológicos e dados demográficos de 131 alunos voluntários da Universidade Federal Fluminense que viveram ou presenciaram uma situação de violência ou abuso durante a vida. A existência de TEPT é determinada por meio de um classificador binário. Os algoritmos utilizados são (i) Support Vector Machine (SVM); (ii) K-Nearest Neighbors (KNN); (iii) Ran- dom Forest; (iv) Decision Tree; (v) Gradient Boosting. Os modelos são avaliados comparativamente e os melhores resultados são obtidos para o modelo Gradient Bo- osting, com acurácia de 79,56%, e F1-Score de 79,35%. Os resultados deste trabalho mostram que a criação de classificadores baseados em técnicas de aprendizado de máquina, com dados de entrada que incluem sinais fisiológicos, podem representar uma ferramenta para contribuir no processo de direcionamento de pacientes para o tratamento adequado do TEPT.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectTEPT-
Palavras-chave: dc.subjectSinais fisiológicos-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectTranstorno de estresse pós-traumático-
Palavras-chave: dc.subjectSintoma-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectPhysiological signs-
Palavras-chave: dc.subjectPTSD-
Título: dc.titleProcessamento de sinais fisiológicos no auxílio do diagnóstico de Transtorno de Estresse Pós-traumático-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.