Percorrer por autor "Lopes, Rita Carreira"
A mostrar 1 - 1 de 1
Resultados por página
Opções de ordenação
- Machine learning no teste do desenho do relógio – segmentação e classificaçãoPublication . Lopes, Rita Carreira; Figueiredo, Sérgio Rafael Reis; Jorge, Pedro Miguel Torres MendesO aumento da esperança média de vida tem vindo a agravar a prevalência de doenças neurodegenerativas, tornando crucial a adoção de métodos de rastreio objetivos e escaláveis. Esta dissertação propõe uma abordagem computacional para o Teste do Desenho do Relógio (TDR), combinando segmentação de imagem e modelos de Machine Learning (ML) para apoiar a classificação automática do desempenho cognitivo. Foi construída uma base de dados original com 117 TDR de participantes portugueses e desenvolvido um pipeline em Python/OpenCV para recorte, pré-processamento, deteção de contornos (Transformada de Hough) e segmentação dos componentes internos (números e ponteiros). O contorno principal foi identificado em todas as imagens e internamente, detetou-se pelo menos um ponteiro em 89,7% dos casos, dois ponteiros em 15,4% dos casos e um número igual ou superior a 12 dígitos em 84,6% dos casos, obtendo-se uma média de identificação de 15,3 dígitos por imagem, confirmando a viabilidade da segmentação apesar da elevada variabilidade gráfica. Foram inicialmente extraídas 27 métricas e, após análise de correlação (com um limiar de 0,80), manteve-se um conjunto de 21. Posteriormente, definiu-se um subconjunto fixo de 9 métricas que cobre de forma equilibrada os elementos de contorno, números e ponteiros. Paralelamente, treinou-se uma ResNet-18 no conjunto de dados EMNIST-Digits para a classificação de elementos candidatos a dígitos (accuracy de 99,65%), integrando esse classificador na pipeline de processamento. Quatro modelos de ML (Regressão Logística, Random Forest, SVM e Gradient Boosting) foram avaliados recorrendo a duas estratégias de seleção de características (Recursive Feature Elimination and Cross Validation com GridSearch e conjunto fixo de features com GridSearch). Na avaliação final com 9 métricas, o Gradient Boosting apresentou o melhor desempenho, com uma accuracy de 83,33%, F1-score de 82,86% e AUC de 0,88, evidenciando boa capacidade discriminatória entre indivíduos com desempenho normal e patológico. Apesar das limitações (amostra reduzida e grafismos heterogéneos), os resultados reforçam a utilidade do método na padronização do TDR e no apoio ao rastreio precoce em contexto clínico nacional.