Publicação
eHealth : smart data analytics
| dc.contributor.advisor | Paredes, Simão Pedro Mendes Cruz Reis | |
| dc.contributor.author | Antas, João Pedro Costa | |
| dc.date.accessioned | 2024-08-27T10:41:37Z | |
| dc.date.available | 2024-08-27T10:41:37Z | |
| dc.date.issued | 2024-01-04 | |
| dc.description.abstract | Nos últimos anos, a convergência da tecnologia e da medicina tem desempenhado um papel vital na abordagem das doenças crónicas. A aplicação de técnicas de eHealth e Machine Learning tem revolucionado o diagnóstico, tratamento e gestão dessas condições de saúde críticas.No âmbito do estudo piloto da Altice Labs com o Centro Universitário de Lisboa Central sobre telemonitorização de doentes com DPOC e com mazelas prolongadas provocadas pelo COVID-19, surgiram dois objetivos. O primeiro, essencialmente operacional, a implementação de um novo sistema de alertas e notificações para a Doença Pulmonar Obstrutiva Crónica (DPOC) na plataforma SmartAL da empresa e o segundo, de cariz mais exploratório, a classificação de doenças respiratórias através de sons empregando abordagens de Deep Learning (DL). A primeira solução foi implementada e integrada na plataforma de telemonitorização SmartAL, em linguagem Java, e teve posterior validação por parte do profissional de saúde envolvido no piloto da DPOC. Esta solução permite aos cuidadores automatizar certos processos de alerta com base na correlação de informação proveniente de medidas de saúde (e.g. temperatura, frequência cardíaca, etc.) e de questionários preenchidos por utentes que sofrem da DPOC. Anteriormente, esta análise era realizada manualmente e apenas no momento da avaliação presencial de cada doente.Na classificação dos sons respiratórios foram exploradas e avaliadas diversas técnicas de Data Augmentation, diferentes métodos de extração de features sonoras e distintas abordagens de DL. O modelo híbrido (ResNet50+LSTM) combinado com as features Mel Spectrogram foi o que obteve consistentemente as melhores pontuações, em todas as tarefas, com base na métrica de avaliação considerada (pontuação da International Conference Biomedical and Health Informatics). Para além disso, conseguiu desempenhar bem em comparação com os trabalhos relacionados. Contudo, ao considerar a escolha do modelo mais adequado para um ambiente empresarial, esta recaiu sobre a CNN simples agregada às features MFCC porque permite custos reduzidos, eficiência energética, escalabilidade, disponibilidade de recursos e simplicidade. | pt_PT |
| dc.identifier.tid | 203531124 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.26/51919 | |
| dc.language.iso | por | pt_PT |
| dc.subject | Doença pulmonar obstrutiva crónica | pt_PT |
| dc.subject | SmartAL | pt_PT |
| dc.subject | Telemonitorização | pt_PT |
| dc.subject | Deep Learning | pt_PT |
| dc.subject | Classificação | pt_PT |
| dc.title | eHealth : smart data analytics | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |