Mostrar el registro sencillo del ítem
Reconhecimento de estresse por meio de técnicas de detecção de padrões
| dc.contributor.advisor | Adami, André Gustavo | |
| dc.contributor.author | Debiasi, Gustavo | |
| dc.contributor.other | Adami, Adriana Miorelli | |
| dc.contributor.other | Martinotto, André Luis | |
| dc.date.accessioned | 2020-07-16T19:42:14Z | |
| dc.date.available | 2020-07-16T19:42:14Z | |
| dc.date.issued | 2019-12-09 | |
| dc.date.submitted | 2019 | |
| dc.identifier.uri | https://repositorio.ucs.br/11338/6290 | |
| dc.description | Depressão, ansiedade, raiva, úlcera, gastrite, psoríase, ataques cardíacos e diabetes tipo 2 são algumas das doenças que podem ser ocasionadas pelo excesso de estresse na vida do ser humano. Devido a isso, para se ter uma vida saudável, é importante que se tenha cuidado com a saúde. E o que pode ser feito para auxiliá-lo neste cuidado? Na computação existe uma área chamada detecção de padrões e, através dela, é possível treinar o computador para identificar um padrão de comportamento. Assim, é possível que seja utilizado este aprendizado para monitorar e detectar quando o indivíduo está sob situações estressantes, de forma a alertá-lo para que ele possa tomar alguma providência para reduzir ou controlar o nível de estresse. Embora o corpo humano apresente alterações fisiológicas que podem ser verificadas para a identificação do estresse, atualmente o diagnóstico é ainda realizado por meio de questionários e avaliação de especialista. Entretanto, é possível observar uma movimentação da comunidade acadêmica com estudos de um sistema de detecção automática através de um processo e técnicas de detecção de padrões sob as alterações fisiológicas. Neste contexto, um sistema multimodal de detecção automática de estresse foi desenvolvido neste trabalho, com a utilização de diversas características (como média, mediana, variância), redução de dimensionalidade com LDA e PCA e classificação utilizando SVM e Random Forest. Através da utilização da base de dados WESAD para avaliar o desempenho do software, conclui-se que não foi possível obter melhores resultados com a fusão de classificadores (acurácia de 84,6%) quando comparado à fusão de características do sistema tradicional de detecção de estresse multimodal (acurácia de 89,3% e 89,8%) (sic). | pt_BR |
| dc.language.iso | pt | pt_BR |
| dc.subject | Sistemas de reconhecimento de padrões | pt_BR |
| dc.subject | Stress (Fisiologia) | pt_BR |
| dc.subject | Stress (Psicologia) | pt_BR |
| dc.title | Reconhecimento de estresse por meio de técnicas de detecção de padrões | pt_BR |
| dc.type | Monografia | pt_BR |
| mtd2-br.advisor.instituation | Universidade de Caxias do Sul | pt_BR |
| mtd2-br.program.name | Ciência da Computação - Bacharelado | pt_BR |
| mtd2-br.campus | Campus Universitário de Caxias do Sul | pt_BR |
| local.data.embargo | None |
