Use este identificador para citar ou linkar para este item:
https://repositorio.ifgoiano.edu.br/handle/prefix/3456
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.advisor1 | Franca, Heyde Francielle do Carmo | - |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/1651485688533494 | pt_BR |
dc.creator | Lima Neto, Adelson Nascimento | - |
dc.creator.Lattes | http://lattes.cnpq.br/2282326624405080 | pt_BR |
dc.date.accessioned | 2023-03-14T19:16:41Z | - |
dc.date.available | 2023-03-14T19:16:41Z | - |
dc.date.issued | 2023-02-28 | - |
dc.identifier.uri | https://repositorio.ifgoiano.edu.br/handle/prefix/3456 | - |
dc.description.abstract | In the year 2020 the world was surprised by the emergence of a pandemic, identified as Covid-19. Starting in China and spreading across the globe in a short period of time with flu-like symptoms, its rapid transmission and evolution of cases surprised the medical community. During these two years, many doctors and scientists have struggled to understand the patterns of the disease, and one of the methods used was the use of neural networks that use artificial intelligence techniques to identify the patterns of the virus. To contribute to the research developed during the pandemic, this study aims to evaluate, via a case study, a 1D convolutional neural network for the classification of patients infected or not by the virus. Using a database made available by Hospital S ́ırio Libanês de S ̃ao Paulo. The specific objectives are to contextualize the Covid-19 pandemic scenario, introduce and conceptualize deep learning, describe and explain what a neural network is and the use of 1D convolutional neural networks, and finally apply the 1D convolutional neural network to the classification of Covid-19 data for outcome prediction. After training the neural network model developed, it was possible to see that the classification obtained an accuracy above 90\%, but when analyzing the minority class this value approaches 0, this is due to the large unbalance of the data. However, at the end of the development, it was found that the use of this database, which has a larger amount of negative data than positive, did not reach a sufficient hit rate for positive data, making it is evident that it is necessary to obtain more data of this class in order to improve the model's classification results | pt_BR |
dc.description.resumo | No ano 2020 o mundo foi surpreendido com o surgimento de uma pandemia, identificada como Covid-19. Começando na China e se espalhando pelo globo em pouco tempo com sintomas parecidos com uma gripe, sua rápida transmissão e evolução dos casos surpreenderam a comunidade médica. Durante estes dois anos, muitos médicos e cientistas se esforçaram para compreender os padrões da doença e um dos métodos utilizados foi o uso de redes neurais que utiliza técnicas de inteligência artificial para identificar os padrões do vírus. Para contribuir com as pesquisas desenvolvidas durante a pandemia, este estudo visa avaliar, por via de um estudo de caso, uma rede neural convolucional 1D para a classificação de pacientes infectados ou não pelo vírus. Utilizando uma base de dados disponibilizada pelo Hospital Sírio Libanês de São Paulo. Os objetivos específicos são contextualizar o cenário da pandemia de Covid-19, introduzir e conceitualizar uma aprendizagem profunda, descrever e explicar o que é uma rede neural e o uso de redes neurais convolucionais 1D, e finalmente aplicar a rede neural convolucional 1D à classificação dos dados Covid-19 para a previsão de resultados. Após o treinamento do modelo de rede neural desenvolvido foi possível perceber que a classificação obteve uma acurácia acima de 90\%, porém quando se analisa a classe minoritária esse valor se aproxima de 0, isso se deve ao grande desbalanceamento dos dados. No entanto, ao final do desenvolvimento, foi constatado que o uso dessa base de dados, que possui uma maior quantidade de dados negativos do que positivos, não atingiu uma taxa de acerto suficiente para os dados positivos, ficando evidente a necessidade de obtenção de mais dados dessa classe para poder melhorar os resultados de classificação do modelo. | pt_BR |
dc.description.provenance | Submitted by Adelson Nascimento Lima Neto (adelson.neto@estudante.ifgoiano.edu.br) on 2023-03-10T20:04:06Z No. of bitstreams: 1 tcc_adelsonneto.pdf: 3127363 bytes, checksum: 5b675dc58161ce518fb64e10928c09f9 (MD5) | en |
dc.description.provenance | Rejected by Hevellin Estrela (hevellin.estrela@ifgoiano.edu.br), reason: Prezado Adelson informamos que sua submissão foi rejeitada para ajustes pelo seguinte motivo: - Falta o TCAE no modelo disponibilizado pelo RIIF e tem que estar assinado pelo orientador (https://repositorio.ifgoiano.edu.br/arquivos/termo_de_autorizacao.pdf);- Falta folha de aprovação assinada pela banca; ----> O Termo de Ciência e Autorização Eletrônico (TCAE) não foi anexado à submissão. O TCAE deverá constar, obrigatoriamente, dentro dos trabalhos acadêmicos submetidos no Repositório, por ventura o Termo não esteja inserido, a publicação será rejeitada pelos administradores da plataforma. o TCAE está disponível na plataforma na aba "Termo de Autorização" O TCAE, também, deverá conter assinatura do autor e do orientador do trabalho, com todas as informações corretamente preenchidas e escaneado; O(s) autor(es) devem atentar-se aos casos em que a banca de avaliação alterou o título final do trabalho; O Termo deverá ser inserido logo após a folha de rosto, para efeitos de identificação; O(s) autor(es) deve(m) revisar a versão final do trabalho acadêmico e gerar arquivo em formato PDF. Assim que os dados forem corrigidos, submeta o trabalho novamente na plataforma. Para tirar dúvidas, sugerimos que você dê uma olhada nos tutoriais de como submeter o trabalho no RIIF Goiano: https://suap.ifgoiano.edu.br/media/documentos/arquivos/como_depositar_riif_goiano_1.1.pdf Para informe, o TCAE pode ser encontrado no seguinte link: https://repositorio.ifgoiano.edu.br/arquivos/termo_de_autorizacao.pdf on 2023-03-13T19:19:25Z (GMT) | en |
dc.description.provenance | Submitted by Adelson Nascimento Lima Neto (adelson.neto@estudante.ifgoiano.edu.br) on 2023-03-13T21:50:28Z No. of bitstreams: 1 tcc_adelsonneto.pdf: 3808985 bytes, checksum: 4d07edc881e754a9d9df494862c72dc7 (MD5) | en |
dc.description.provenance | Approved for entry into archive by Hevellin Estrela (hevellin.estrela@ifgoiano.edu.br) on 2023-03-14T19:16:35Z (GMT) No. of bitstreams: 1 tcc_adelsonneto.pdf: 3808985 bytes, checksum: 4d07edc881e754a9d9df494862c72dc7 (MD5) | en |
dc.description.provenance | Approved for entry into archive by Hevellin Estrela (hevellin.estrela@ifgoiano.edu.br) on 2023-03-14T19:16:41Z (GMT) No. of bitstreams: 1 tcc_adelsonneto.pdf: 3808985 bytes, checksum: 4d07edc881e754a9d9df494862c72dc7 (MD5) | en |
dc.description.provenance | Made available in DSpace on 2023-03-14T19:16:41Z (GMT). No. of bitstreams: 1 tcc_adelsonneto.pdf: 3808985 bytes, checksum: 4d07edc881e754a9d9df494862c72dc7 (MD5) Previous issue date: 2023-02-28 | en |
dc.language | por | pt_BR |
dc.publisher | Instituto Federal Goiano | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Campus Rio Verde | pt_BR |
dc.publisher.initials | IF Goiano | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Redes Neurais Convolucionais | pt_BR |
dc.subject | Aprendizado de Máquina | pt_BR |
dc.subject | Classificação de dados de COVID | pt_BR |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::LINGUAGENS DE PROGRAMACAO | pt_BR |
dc.title | CLASSIFICAÇÃO DE DADOS DE COVID-19 USANDO REDE NEURAL CONVOLUCIONAL | pt_BR |
dc.type | Trabalho de Conclusão de Curso | pt_BR |
Aparece nas coleções: | Bacharelado em Ciência da Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
tcc_adelsonneto.pdf | tcc | 3,72 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.