Banca de QUALIFICAÇÃO: FERNANDO CAIO SILVA AMARAL

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: FERNANDO CAIO SILVA AMARAL
DATA: 08/09/2025
HORA: 14:00
LOCAL: videoconferencia
TÍTULO:

Kinect e ASD: Integrando Tecnologia e Diagnóstico para a Detecção do Transtorno do Espectro Autista

PALAVRAS-CHAVES:

Kinect. Biomarcadores. Aprendizado de Máquina. Transtorno do Espectro Autista.
ASD

PÁGINAS: 72
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
ESPECIALIDADE: Teleinformática
RESUMO:

O Transtorno do Espectro Autista (TEA) é uma condição do neurodesenvolvimento caracterizada por
dificuldades na comunicação social, comportamentos repetitivos e padrões restritos de interesse. Nas
últimas décadas, a prevalência do TEA tem aumentado de forma significativa em todo o mundo, o que
reforça a necessidade de estratégias que possibilitem o diagnóstico precoce. A detecção antecipada
é fundamental para ampliar as chances de intervenções eficazes, melhorando o desenvolvimento e a
qualidade de vida das pessoas afetadas. Nesse cenário, tecnologias capazes de analisar padrões motores e
comportamentais surgem como ferramentas promissoras para auxiliar profissionais de saúde na avaliação
do TEA. Este trabalho apresenta uma metodologia para a classificação automática de crianças com e
sem autismo a partir de dados tridimensionais de movimento capturados pelo sensor Kinect. O conjunto
de dados utilizado contém sequências de coordenadas 3D das articulações e informações angulares de
movimentos corporais completos, obtidos em ambiente controlado. O pipeline de pré-processamento
inclui o agrupamento temporal de frames por vídeo, a extração e estruturação de matrizes de articulações
e ângulos, além da normalização dos dados. Diferentes representações de atributos foram exploradas,
incluindo coordenadas brutas das articulações, distâncias entre articulações e medidas angulares, visando
capturar padrões motores potencialmente relacionados ao TEA. Foram avaliados diversos algoritmos
de aprendizado de máquina, incluindo Random Forest, Support Vector Machines, Gradient Boosting,
Regressão Logística e Perceptrons Multicamadas, além de estratégias de ensemble com Voting Classifiers
em votações hard e soft. A avaliação, baseada em métricas como acurácia, precisão, recall, F1-score e
matrizes de confusão, demonstrou que os ensembles, especialmente com votação soft, apresentaram
resultados mais consistentes e desempenho competitivo em relação a metodologias do estado da arte,
evidenciando o potencial da abordagem para aprimorar a detecção de padrões de movimento associados
ao TEA

MEMBROS DA BANCA:
Presidente - RENATA LOPES ROSA - UFLA (Membro)
Externo à Instituição - OYEDEMI OLUYEMISI ADENIKE - - (Suplente)
Externo à Instituição - KATIA CILENE NELES DA SILVA - FMF (Suplente)
Externo ao Programa - HERMES PIMENTA DE MORAES JUNIOR - DCC/ICET (Membro)
Externo à Instituição - DANTE COAQUIRA BEGAZO - USP (Membro)