Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufjf.br/jspui/handle/ufjf/15952
Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
lucasaugustomullerdesouza.pdfPDF/A874.3 kBAdobe PDFVista previa
Visualizar/Abrir
Clase: Trabalho de Conclusão de Curso
Título : Detecção de indivíduos infectados com Covid-19 através de sons de tosse forçada
Otros títulos : Detection of individuals infected with Covid-19 through forced coughing sounds
Autor(es): Souza, Lucas Augusto Müller
Orientador: Bernardino, Heder Soares
Co-orientador: Souza, Jairo Francisco
Co-orientador: Vieira, Alex Borges
Miembros Examinadores: Villela, Saulo Moraes
Miembros Examinadores: Fonseca, Leonardo Goliatt
Resumo: O novo coronavírus (COVID-19) é uma doença infecciosa declarada uma pandemia em 2020 pela Organização Mundial da Saúde (OMS). Através de muita cooperação e do esforço de cientistas ao redor do mundo, diversas vacinas foram criadas. Entretanto, mesmo que grande parte da população mundial seja vacinada, não existem garantias de que o vírus irá desaparecer. Portanto, métodos com custo baixo, não-invasivos e capazes de gerar resultados em tempo-real são importantes para detectar indivíduos infectados e possibilitar um tratamento adequado mais rapidamente, além de evitar o espalhamento do vírus. Na literatura é possível encontrar modelos computacionais capazes de distinguir uma pessoa saudável de uma pessoa infectada pela COVID-19, utilizando conjuntos de dados de tosse forçada coletados de indivíduos ao redor do mundo. Um grande desafio existente está no desbalanceamento desses dados, tendo em vista que existem mais amostras de indivíduos saudáveis do que de contaminados. Neste trabalho, são propostas alterações em um modelo de Redes Neurais Profundas, disponível na literatura, assim como no treinamento do mesmo. Além disso, foram realizados estudos do aumento de dados nesses áudios. Os resultados mostram que o modelo adaptado além de ser mais simples (possuir menos parâmetros) consegue generalizar melhor a predição de infectados, apresentando uma Área Sob a Curva ROC média de 0,885 e intervalo de confiança (0,881 - 0,888), contra 0,771 e (0,752 - 0,783) do modelo original
Resumen : The new coronavirus (COVID-19) is an infectious disease declared a pandemic in 2020 by the World Health Organization (WHO). Through a lot of cooperation and the effort of scientists around the world, several vaccines were created. However, even if a large part of the world’s population is vaccinated, there is no guarantee that the virus will ever disappear. Therefore, non-invasive methods, with low cost, and capable of generating results in real-time are important to detect infected individuals and enable an adequate treatment quicker, in addition to preventing the spread of the virus. In the literature it is possible to find computational methods capable of distinguishing a healthy person from an infected with COVID-19 with high accuracy, using data sets of forced cough, collected online from individuals around the world. A great existing challenge is in the unbalance of these data, considering that there are more samples of healthy individuals than contaminated ones. In this work, we proposed changes in a Deep Neural Networks model, available in the literature, as well as in its training. In addition, we carried out studies on the data augmentation of these audios. The results show that the adapted model is simpler (having fewer parameters) and manages to better generalize the prediction of infected individuals, presenting an average Area Under the Curve ROC (AUC) of 0.885 and a confidence interval (0.881 - 0.888), against 0.771 and (0.752 - 0.783) of the original one.
Palabras clave : Redes neurais profundas
Covid-19
Aumento de dados
Sons de tosse
Deep neural networks
Data augmentation
Coung sounds
CNPq: Ciências exatas e da Terra
Idioma: por
País: Brasil
Editorial : Universidade Federal de Juiz de Fora (UFJF)
Sigla de la Instituición: UFJF
Departamento: Faculdade de Engenharia
Clase de Acesso: Acesso Aberto
Licenças Creative Commons: http://creativecommons.org/licenses/by-sa/3.0/br/
URI : https://repositorio.ufjf.br/jspui/handle/ufjf/15952
Fecha de publicación : 9-sep-2021
Aparece en las colecciones: Engenharia Computacional - TCC Graduação



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons