Defesa de dissertação (30/04/2024): Thiago Barral Fernandes Reis
Discente: Thiago Barral Fernandes Reis
Título: Detecção de Distúrbios do Sono em Dados de Polissonografia Através de Aprendizado de Máquina
Orientadores: Felipe da Rocha Henriques (orientador) e Michel Pompeu Tcheou (co-orientador)
Banca: Felipe da Rocha Henriques (Presidente), Michel Pompeu Tcheou (UERJ), Laura Silva de Assis (Cefet/RJ) e Tadeu Nagashima Ferreira (UFF)
Dia/hora: 30 de abril de 2024, às 15h
Resumo: Um sono de boa qualidade, ou seja, sem interrupções e com períodos de tempo adequados para cada etapa, é imprescindível para a restauração apropriada das funções biológicas, neurológicas e psicológicas. Um indivíduo que se encontra em privação do sono pode apresentar comprometimento à saúde. A doença mais recorrente relacionada ao distúrbio do sono é a apneia do sono, a qual afeta a qualidade do sono, acordando o paciente do sono mais profundo e restaurador. Até hoje, o principal exame para diagnóstico de distúrbios do sono é conhecido como polissonografia, que é tradicionalmente realizado ao se passar uma noite de sono sob monitoramento em uma clínica especializada, e sua realização é muito complexa. Entretanto, a evolução da área de Internet das Coisas possibilitou a captação, através de dispositivos vestíveis, de vários dados que também são monitorados no exame tradicional de polissonografia. Desta forma, de uma maneira geral, este trabalho investiga a interseção entre a Ciência da Computação e a área da saúde. Mais especificamente, pretende-se avaliar a aplicação de algoritmos de aprendizado de máquina para a detecção de distúrbios do sono, de sorte a possibilitar um diagnóstico mais rápido do paciente. Como procedimento metodológico, quatro algoritmos de aprendizado de máquina foram avaliados em dados provenientes de uma base de dados reais de polissonografia (advindos de treze sinais). Além disso, também investigou-se o impacto da redução do número de sinais no desempenho dos algoritmos, cujo objetivo é facilitar a criação de um teste inicial (com menos sinais, por exemplo, utilizando-se dispositivos vestíveis) para complementar o exame de polissonografia. Os resultados indicaram que o algoritmo Random Forest foi o mais promissor, com desempenho satisfatório inclusive quando um menor número de sinais é considerado.
