Search

Dissertação de mestrado em Computer Science, Over the past 20 years, data has increased in a large scale in various fields. This explosive increase of global data led to the coin of the term Big Data. Big data is mainly used to describe enormous datasets that typically includes masses of unstructured data that may need real-time analysis. This paradigm brings important challenges on tasks like data acquisition, storage and analysis. The ability to perform these tasks efficiently got the attention of researchers as it brings a lot of oportunities for creating new value. Another topic with growing importance is the usage of biometrics, that have been used in a wide set of application areas as, for example, healthcare and security. In this work it is intended to handle the data pipeline of data generated by a large scale biometrics application providing basis for real-time analytics and behavioural classification. The challenges regarding analytical queries (with real-time requirements, due to the need of monitoring the metrics/behavior) and classifiers’ training are particularly addressed., Nos os últimos 20 anos, a quantidade de dados armazenados e passíveis de serem processados, tem vindo a aumentar em áreas bastante diversas. Este aumento explosivo, aliado às potencialidades que surgem como consequência do mesmo, levou ao aparecimento do termo Big Data. Big Data abrange essencialmente grandes volumes de dados, possivelmente com pouca estrutura e com necessidade de processamento em tempo real. As especificidades apresentadas levaram ao aparecimento de desafios nas diversas tarefas do pipeline típico de processamento de dados como, por exemplo, a aquisição, armazenamento e a análise. A capacidade de realizar estas tarefas de uma forma eficiente tem sido alvo de estudo tanto pela indústria como pela comunidade académica, abrindo portas para a criação de valor. Uma outra área onde a evolução tem sido notória é a utilização de biométricas comportamentais que tem vindo a ser cada vez mais acentuada em diferentes cenários como, por exemplo, na área dos cuidados de saúde ou na segurança. Neste trabalho um dos objetivos passa pela gestão do pipeline de processamento de dados de uma aplicação de larga escala, na área das biométricas comportamentais, de forma a possibilitar a obtenção de métricas em tempo real sobre os dados (viabilizando a sua monitorização) e a classificação automática de registos sobre fadiga na interação homem-máquina (em larga escala).

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES Nos últimos anos, estudantes de medicina do Brasil obtiveram baixo desempenho no exame do Conselho Regional de Medicina do Estado de São Paulo. Embora a avaliação mais recente mostre melhorias, eles ainda apresentam um desempenho ruim em especialidades como casos clínicos, diabetes e infarto do miocárdio. Nesse contexto, emergem várias estratégias para melhorar o ensino e a aprendizagem dos estudantes de medicina, uma delas são os jogos sérios. No entanto, existe um problema ao tentar treinar estudantes de medicina em casos clínicos por meio de um jogo, pois há um grande número de doenças, e o processamento de um banco de dados contendo essas doenças é trabalhoso, além de que é necessário sempre estar com essas informações atualizadas, visto que com o passar do tempo novas doenças vão surgindo e sintomas podem variar. Esta pesquisa propõe um módulo inteligente para auxiliar no gerenciamento de um jogo sério, realizando a classificação de dados médicos por meio de modelos de aprendizado de máquina e os disponibilizando a um jogo sério. Esse módulo inteligente faz parte do DocTraining, um projeto que conta com um jogo sério para treinamento dos estudantes de medicina. Este módulo possui um site para disseminação, gerenciamento e expansão de dados. As informações são disponibilizadas para o jogo sério por meio de um web service. Foram utilizados bancos de dados de casos clínicos, doença cardíaca e diabetes. Esses bancos de dados são rotulados por múltiplos classificadores de aprendizado de máquina que agregam as classificações por meio de confiança e voto majoritário. O módulo inteligente foi validado computacionalmente e com profissionais da área da medicina. Na validação computacional, os classificadores utilizaram a métrica de precisão e medida-F, por meio de divisão de porcentagem e validação cruzada. Em relação à validação com os profissionais, foi realizada uma entrevista semiestruturada com uma professora e um técnico em laboratório do curso de medicina da Universidade Federal Rural do Semi-Árido. Por meio dos resultados encontrados, foi possível observar que a combinação de classificadores melhorou os resultados iniciais. Destacando-se a combinação de Naive Bayes, Máquina de vetores de suporte e Regressão logística utilizando Confiança para classificação na base de doença cardíaca; Máquina de vetores de suporte, Árvore de decisão e Regressão logística usando Voto Majoritário para classificação de Diabetes; e Máquina de vetores de suporte, K-Nearest Neighbor, Naive Bayes e Regressão logística utilizando Confiança para classificação na base de Casos Clínicos. Os profissionais demonstraram que o módulo inteligente do DocTraining pode gerenciar os dados do jogo sério, tendo potencial para evoluir e se tornar uma ferramenta capaz de auxiliar no ensino-aprendizagem dos estudantes e professores de medicina In recent years, medical students from Brazil have obtained poor performance in the Regional Medical Council of São Paulo State exam. Although the most recent evaluation shows improvements, they still perform poorly in specialties such as clinical cases, diabetes and myocardial infarction. In this context, several strategies emerge to improve the teaching and learning of medical students, one of which is serious games. However, there is a problem when trying to train medical students in clinical cases through a game, as there are a large number of diseases, and processing a database containing these diseases is laborious, and it is always necessary to be with this updated information, as over time new diseases arise and symptoms may vary. It is necessary to update the data so that students have access to the most recent. This research proposes an intelligent module to assist in the management of a serious game, performing the classification of medical data through machine learning models and making them available to a serious game. In addition, it is also necessary that these data are easily administered by medical professionals who use the smart module. This smart module is part of DocTraining, a project that has a serious game for training medical students. This module has a website for disseminating, managing and expanding data. The information is made available for the serious game through a web service. Databases of clinical cases, heart disease, and diabetes were used. These databases are labeled using multiple machine learning classifiers that aggregate the classifications through trust and majority vote. The intelligent module was validated computationally and with medical professionals. In computational validation, the classifiers used the metric of Precision and F1 Score, using percentage split and cross-validation. In relation to validation with professionals, we conduct a semi-structured interview a professor and a laboratory technician from the medical course at the Federal Rural University of the Semi-Arid. With the results found, it was possible to observe that the combination of classifiers improved the initial results. Highlighting the combination of Naive Bayes, Support vector machine and Logistic regression using Confidence to classify the basis of heart disease; Support vector machine, Decision Tree and Logistic Regression using Majority Vote for classification of Diabetes; and Support vector machine, K-Nearest Neighbor, Naive Bayes and Logistic regression using Confidence for classification based on Clinical Cases. The professionals have shown that DocTraining intelligent module can manage serious game data, with the potential to evolve and become a tool capable of assisting the teaching-learning of medical students and teachers

Submitted by Lara Oliveira (lara@ufersa.edu.br) on 2017-09-19T21:25:54Z No. of bitstreams: 1 WilamisKNS_DISSERT.pdf: 2959360 bytes, checksum: f4e2b25f85638d49d61b7b5e7415d3fc (MD5) Approved for entry into archive by Vanessa Christiane (referencia@ufersa.edu.br) on 2017-10-27T13:05:12Z (GMT) No. of bitstreams: 1 WilamisKNS_DISSERT.pdf: 2959360 bytes, checksum: f4e2b25f85638d49d61b7b5e7415d3fc (MD5) Approved for entry into archive by Vanessa Christiane (referencia@ufersa.edu.br) on 2017-10-27T13:08:52Z (GMT) No. of bitstreams: 1 WilamisKNS_DISSERT.pdf: 2959360 bytes, checksum: f4e2b25f85638d49d61b7b5e7415d3fc (MD5) Made available in DSpace on 2017-10-27T13:09:10Z (GMT). No. of bitstreams: 1 WilamisKNS_DISSERT.pdf: 2959360 bytes, checksum: f4e2b25f85638d49d61b7b5e7415d3fc (MD5) Previous issue date: 2017-08-18 Multi-label problems have become increasingly common, for a label can be attributed to more than one instance, being called multi-label classification problems. Among the di_erent multilabel classification methods we can mention: BR (Binary Relevance), LP (Label Powerset) And RAkEL (RAndom k labELsets). Such methods have been recognized as methods for transforming the Problem, since they consist of turning the multi-label problem into several problems of traditional classification (mono label). However, the adoption of Classificatory committees in multi-label classification problems has still been new-found so far, With a great field to be explored for conducting researches as well. This work aims of doing a study on the construction of multilabel classifiers committees Built through the application of multi- description semisupervised learning techniques, in order to verify if application of this type of learning in the construction of committees results in improvements linked to the results. The committees of classifiers used in the experiments were Bagging, Boosting and Stacking as methods of transformation of the problems used were the BR, LP and Rakel methods and for classification multi-label multi-label semi-supervised multi-description was used Co-Training. At the end of the experimental analyzes, it was verified that the use of the semi-supervised approach presented satisfactory results, since the two approaches presented similar results São cada vez mais comum problemas multirrótulos onde um rótulo pode ser atribuído a mais de uma instância, sendo chamados de problemas de classificação multirrótulo. Dentre os diferentes métodos de classificação multirrótulo, podemos citar os métodos BR (Binary Relevance), LP (Label Powerset) e RAkEL (RAndom k-labELsets). Tais métodos são ditos métodos de transformação do problema, pois consistem em transformar o problema multirrótulo em vários problemas de classificação tradicional (monorrótulo).A adoção de comitês de classificadores em problemas de classificação multirrótulo ainda é algo muito recente, com muito a ser explorado para a realização de pesquisas. O objetivo deste trabalho é realizar um estudo sobre a construção de comitês de classificadores multirrótulos construídos através da aplicação das técnicas de aprendizado semissupervisionado multidescrição, a fim de verificar se aplicação desse tipo de aprendizado na construção de comitês acarreta melhorias nos resultados. Os comitês de classificadores utilizados nos experimentos foram o Bagging, Boosting e Stacking como métodos de transformação do problemas foram utilizados os métodos BR, LP e Rakel e para a classificação multirrótulo semissupervisionada multidescrição foi utilizado o Co-Training. Ao fim das análises experimentais verificou-se que a utilização da abordagem semissupervisionado apresentou resultados satisfatórios, uma vez que as duas abordagens supervisionada e semissupervisionada utilizadas no trabalho apresentaram resultados semelhantes 2017-09-19