Avaliando modelos de machine learning aplicados à gerontecnologia
| dc.contributor.advisor | Webber, Carine Geltrudes | |
| dc.contributor.author | Silva Júnior, Flavio Luís da | |
| dc.contributor.other | Ribeiro, Helena Graziottin | |
| dc.contributor.other | Schmitz, Tiago Luiz | |
| dc.date.accessioned | 2026-06-02T13:24:11Z | |
| dc.date.issued | 2025-12-15 | |
| dc.date.submitted | 2025-12-01 | |
| dc.description | A Inteligência Artificial (IA) é uma área de estudo de destaque na Ciência da Computação, que abrange o desenvolvimento de algoritmos para solucionar problemas em diversas áreas, como processamento de fala, classificação de dados e reconhecimento de padrões. Nos últimos anos, o uso de IA em Gerontecnologia tem recebido atenção, especialmente em iniciativas que visam promover a segurança e o bem-estar de idosos. Pesquisadores têm aplicado técnicas de Machine Learning para desenvolver sistemas que auxiliem na identificação de riscos no ambiente doméstico, com foco em prevenir acidentes como quedas. Este trabalho identifica e analisa, por meio de uma revisão sistemática, abordagens relacionadas ao uso de IA na Gerontecnologia, com destaque para algoritmos de classificação que monitoram atividades e condições do ambiente para identificar padrões de risco. Dentre as técnicas utilizadas, destaca-se o uso de Árvores de Decisão e Redes Neurais Artificiais para análise preditiva, dada a eficiência desses modelos em extrair padrões de dados coletados de sensores e dispositivos de monitoramento. As Árvores de Decisão são reconhecidas por sua facilidade de interpretação, característica essencial em contextos que demandam transparência. As Redes Neurais Artificiais, por sua vez, são eficazes na identificação de relações complexas entre variáveis, proporcionando maior precisão nas previsões. O desenvolvimento deste trabalho seguiu um percurso baseado na pesquisa exploratória, sendo uma abordagem apropriada para áreas com conhecimento emergente. A pesquisa exploratória incluiu revisão bibliográfica, levantamento de dados e construção de um modelo piloto. Para a implementação, foram definidas cinco etapas metodológicas: identificação e preparação do dataset, desenvolvimento do modelo de aprendizado, execução de testes, análise de resultados e ajustes necessários. Foi utilizado o dataset com informações de atividades e monitoramento de idosos em ambientes domésticos, complementado para abranger diversos cenários de risco. Este trabalho desenvolveu um estudo aplicado de predição de quedas em idosos por meio de técnicas de Machine Learning. Para isso, foram construídos três cenários distintos de análise, baseados em dados clínicos dos idosos, percepções sobre o ambiente doméstico e avaliações arquitetônicas realizadas por um especialista. Após o processo de preparação dos dados (ETL) e análise exploratória, foram treinados e testados modelos de Árvore de Decisão e Redes Neurais, utilizando estratégias de hold-out e cross-validation. Os resultados permitiram comparar o desempenho de cada cenário, evidenciando que as percepções dos próprios idosos constituem o conjunto de variáveis mais adequado para identificar o risco de quedas. O estudo demonstra o potencial das Redes Neurais para predição e prevenção de acidentes domésticos. [resumo fornecido pelo autor] | pt_BR |
| dc.identifier.uri | https://repositorio.ucs.br/11338/15564 | |
| dc.language.iso | pt | pt_BR |
| dc.subject | Engenharia de computação | |
| dc.subject | Inteligência artificial | |
| dc.subject | Aprendizado do computador | |
| dc.subject | Redes neurais (Computação) | |
| dc.subject | Tecnologia | |
| dc.subject | Gerontologia | |
| dc.title | Avaliando modelos de machine learning aplicados à gerontecnologia | pt_BR |
| dc.type | Monografia | pt_BR |
| local.observacao | ||
| mtd2-br.advisor.instituation | Universidade de Caxias do Sul | pt_BR |
| mtd2-br.campus | Campus Universitário de Caxias do Sul | pt_BR |
| mtd2-br.program.name | Bacharelado em Engenharia de Computação |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- TCC Flavio Luis da Silva Junior.pdf
- Tamanho:
- 9.98 MB
- Formato:
- Adobe Portable Document Format