DSpace Coleção:

Classificação de sinais de EEG para diagnóstico de epilepsia usando machine learning.

2026-03-30T20:09:21Z

Título: Classificação de sinais de EEG para diagnóstico de epilepsia usando machine learning. Autor(es): Sousa, Felipe Victor Marques de Resumo: A epilepsia é uma desordem neurológica crônica que impõe restrições à qualidade de vida dos pacientes, acarretando riscos físicos, como traumas decorrentes de quedas, e impactos psicossociais associados à imprevisibilidade das crises. O monitoramento contínuo apresenta-se como uma solução vital para a mitigação desses riscos, porém a análise manual prolongada de eletroencefalogramas (EEG) é inviável em larga escala. Este trabalho propõe e avalia comparativamente arquiteturas de Deep Learning (CNN 1D, CNN 2D com Transformada Wavelet Contínua e C-RNN com mecanismo de Atenção) frente a modelos de Machine Learning clássico (KNN e XGBoost). O objetivo central foi validar algoritmos capazes de operar com segurança clínica, priorizando a minimização da taxa de Falsos Negativos por Hora (FN/h). Utilizando o banco de dados CHB-MIT, em que os pacientes são majoritariamente pediátricos, os modelos foram submetidos a um protocolo de validação por janelas deslizantes em 10,6 horas de registros contínuos. Os resultados demonstraram a superioridade das abordagens baseadas em engenharia de características avançada: o modelo XGBoost, operando com limiar de decisão de 0,60 e alimentado por parâmetros de Hjorth e potência espectral, atingiu o melhor desempenho de segurança, registrando a menor taxa de omissões (3,12 FN/h) e a maior acurácia global (99,30%). Em comparação, arquiteturas profundas como a C-RNN com atenção, embora específicas, apresentaram taxas superiores (17,42 FN/h), comprometendo a detecção de eventos críticos. Conclui-se que o modelo XGBoost oferece o equilíbrio ideal entre segurança (alta sensibilidade) e usabilidade operacional, validando sua aplicação em dispositivos embarcados de alerta.

Modelo de blockchain padrão adaptado para a cadeia cafeeira.

2026-03-24T20:50:41Z

Título: Modelo de blockchain padrão adaptado para a cadeia cafeeira. Autor(es): Martins, Joao Victor Zulato Resumo: Este estudo tem como objetivo propor um modelo de blockchain (BC) padronizado e adaptado para a cadeia produtiva do café, com foco em superar desafios de fragmentação e baixa interoperabilidade entre diferentes plataformas. A pesquisa foi conduzida por meio de uma revisão sistemática da literatura (RSL), utilizando o protocolo PRISMA, analisando artigos científicos recentes (2021–2025) indexados na base SCOPUS. Foram identificadas as principais categorias de plataformas BC (públicas, privadas, consórcio e híbridas) e classificadas as funcionalidades críticas dos smart contracts aplicáveis ao setor cafeeiro. A análise revelou lacunas na padronização das camadas técnicas como bloco, rede e contratos inteligentes, limitando a adoção ampla da tecnologia, especialmente para pequenos e médios produtores. Com base nesses achados, foram elaboradas diretrizes estruturais para a padronização dessas camadas, visando garantir confiabilidade, segurança e eficiência, além de facilitar a integração e fomentar ecossistemas colaborativos no setor. Assim, o trabalho contribui para a consolidação teórica do tema e oferece um framework prático para guiar futuras pesquisas e a implementação da tecnologia BC no agronegócio cafeeiro.

Detecção de anomalias em usinas solares utilizando métodos de inteligência artificial.

2026-03-23T19:43:11Z

Título: Detecção de anomalias em usinas solares utilizando métodos de inteligência artificial. Autor(es): Cunha, Álvaro Braz Resumo: O monitoramento eficiente de usinas fotovoltaicas (UFV) é fundamental para garantir a rentabilidade e a segurança operacional, especialmente diante do crescimento exponencial da Geração Distribuída no Brasil. A inspeção manual de grandes volumes de dados de telemetria é impraticável em larga escala e suscetível a erros. Métodos automatizados baseados em regras estáticas frequentemente falham ao emitir falsos alertas durante quedas de geração causadas por sombreamento natural de nuvens. Este trabalho propõe e avalia um sistema multidimensional de detecção de anomalias baseado em técnicas de Aprendizado de Máquina Não Supervisionado. Para suprir a ausência de instrumentação meteorológica local, a telemetria elétrica dos inversores foi integrada a variáveis climáticas consumidas via API (Open-Meteo). Adicionalmente, desenvolveu-se uma engenharia de atributos focada na construção de uma "Curva Ideal Sazonal", transformando o problema temporal em uma análise de desvio relativo ao comportamento físico esperado em dias de céu claro. Foram implementados e comparados quatro algoritmos clássicos: Isolation Forest, One-Class SVM, K-Means e K-Nearest Neighbors (KNN), além de uma estratégia agnóstica de Ensemble por Votação Múltipla. O sistema foi validado com dados reais operacionais de quatro usinas no estado de Minas Gerais. Através de Validação Cruzada Temporal e testes estatísticos de McNemar e Wilcoxon, os resultados comprovaram a incidência do Teorema No Free Lunch: não existe um modelo universal. O agrupamento geométrico (K-Means) obteve desempenho superior (p<0.05) em usinas de padrão de geração estável (UFV-A), enquanto o Isolation Forest foi estatisticamente o mais eficaz para detectar desvios em cenários de raras anomalias operacionais (UFV-B). O Ensemble por Votação provou ser a estratégia mais segura para monitoramento cego, mitigando drasticamente os falsos alarmes meteorológicos ao exigir consenso matemático, atuando como um filtro de ruído estocástico. Conclui-se que a hibridização de engenharia de domínio (Curva Ideal) com algoritmos multidimensionais capazes de "ler o clima" resulta em sistemas O&M robustos e com alta transparência de diagnóstico para os operadores.

Paralelização e aceleração em GPU de algoritmos de inteligência artificial : classificação e agrupamento.

2026-03-19T21:02:19Z

Título: Paralelização e aceleração em GPU de algoritmos de inteligência artificial : classificação e agrupamento. Autor(es): Santos, Diego Sanches Nere dos Resumo: Este projeto tem como objetivo investigar como estratégias de paralelização podem acelerar algoritmos de Inteligência Artificial (IA ) baseados em geometria computacional, por meio do uso de Graphics Processing Unit (GPU) - Unidades de Processamento Gráfico. O trabalho foca em duas aplicações principais que utilizam o Grafo de Gabriel como estrutura: a aceleração de classificadores de margem larga como o NN-clas e a proposição de um novo algoritmo de clusterização. As GPUs oferecem uma arquitetura massivamente paralela, adequada para a custosa etapa de construção de Grafos de Gabriel (O(N³)), o que possibilita ganhos significativos de desempenho. Essa pesquisa avalia o impacto de diferentes granularidades de threads na construção do grafo e demonstra como a mesma estrutura pode ser utilizada tanto para algoritmos supervisionados quanto para os não supervisionadas. A aceleração pode ser proveitosa em áreas críticas como saúde e engenharia, onde a agilidade no processamento de grandes volumes de dados é essencial.