Contribuição para o desenvolvimento de um software de diagnóstico baseado em sensores magnetoelásticos
Carregando...
Data de Submissão
Data de Defesa
2024-04-02
Edição
Orientadores
Coorientadores
Aguzzoli, Cesar
Editores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Descrição
Nas últimas décadas, ocorreram várias epidemias de vírus mortais com grande impacto na saúde pública global. Exemplos incluem o Ebola, o Marburg, o Nipah, o Zika, a febre hemorrágica da Crimeia-Congo, Dengue e, mais recentemente, o coronavírus SARS-CoV-2, que causou a pandemia de COVID-19. A rápida disseminação desses vírus e a falta de infraestrutura de saúde adequada em algumas regiões tornaram difícil conter as epidemias. A mobilização global foi necessária para conter a disseminação e fornecer assistência médica adequada às pessoas afetadas. A detecção rápida e o desenvolvimento de medicamentos e vacinas eficazes são cruciais para combater futuras epidemias. Sensores feitos com materiais magnetoelásticos e modelos de aprendizado de máquina podem ser úteis nessa corrida. Neste trabalho, a análise de um conjunto de dados coletados em um analisador de rede, a partir de sensores magnetoelásticos, foi utilizada para treinar um algoritmo de aprendizado de máquina. Um modelo de classificação foi desenvolvido para se obter o diagnóstico correto da presença de patógenos nos sensores de teste, com a exportação do mesmo para uso em dados externos. O
modelo desenvolvido foi capaz de distinguir entre dados de controle e de teste, demonstrando precisão na identificação da presença de patógenos. A aplicação de aprendizado de máquina permitiu a detecção de pequenas variações nos sinais dos sensores, permitindo o uso para diagnóstico. A quantidade de dados disponíveis para o treinamento do modelo limitou parcialmente o aprofundamento da análise, não comprometendo, contudo, a técnica aplicada. [resumo fornecido pelo autor]
Resumo
In recent decades, there have been several epidemics of deadly viruses with significant impact on global public health. Examples include Ebola, Marburg, Nipah, Zika, Crimean-Congo hemorrhagic fever, Dengue, and more recently, the SARSCoV-2 coronavirus, which caused the COVID-19 pandemic. The rapid spread of these viruses and the lack of adequate healthcare infrastructure in some regions have made it difficult to contain the epidemics. Global mobilization was necessary to contain the spread and provide adequate medical assistance to affected individuals. Rapid detection and the development of effective drugs and vaccines are crucial to combating future epidemics. Sensors made from magnetoelastic materials and machine learning models can be useful in this endeavor. In this work, the analysis of a dataset collected from a network analyzer using magnetoelastic sensors was employed to train a machine learning algorithm. A classification model was developed to accurately diagnose the presence of pathogens in test sensors, with the capability of exporting the model for use with external data. The developed model was able to distinguish between control and test data, demonstrating precision in identifying the presence of pathogens. The application of machine learning enabled the detection of small variations in the sensor signals, facilitating its use for diagnostic purposes. The amount of data available for model training partially limited the depth of the analysis; however, it did not compromise the applied technique. [resumo fornecido pelo autor]