ESTGV - DI - Dissertações de mestrado (após aprovadas pelo júri)
Permanent URI for this collection
Browse
Browsing ESTGV - DI - Dissertações de mestrado (após aprovadas pelo júri) by advisor "Duarte, Rui Pedro Monteiro Amaro"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Modelo machine learning para padrões alimentares de doentes com AlzheimerPublication . Cardoso, Tiago Ribeiro; Cunha, Carlos Augusto da Silva; Duarte, Rui Pedro Monteiro AmaroEste trabalho pretende explorar a aplicação de técnicas de machine learning na análise de padrões de alimentares. A área de machine learning pode ser aplicável a qualquer indústria e que, se corretamente aplicada, poderá trazer benefícios que até agora eram impossíveis de alcançar para a qualidade da vida humana. Por estas razões a utilização de técnicas de machine learning tem vindo nos últimos anos a ganhar importância no âmbito do reconhecimento de padrões para suporte á tomada de decisões. A doença de Alzheimer leva as pessoas a perder a autonomia de exprimir as suas necessidades. Com isto os doentes de Alzheimer tornam-se dependentes de outras pessoas, mesmo para as tarefas mais básicas, nomeadamente a escolha de alimentos. Tornando assim o controlo alimentar destas pessoas uma tarefa bastante importante executada pela pessoa que apoia a sua rotina diária, denominada de Cuidador Informal (CI). Este acompanhamento é sem dúvida um processo que exige do CI uma grande responsabilidade, disciplina e habilidade para lidar com possíveis adaptações circunstanciais, como a substituição de alimentos prescritos no plano alimentar por outros equivalentes ou a combinação cuidadosa de alimentos. A combinação de alimentos é um fator sobretudo ligado à preferência dos próprios doentes, para além das regras de combinação dos alimentos recomendados pelos especialistas da doença, existem padrões particulares a cada indivíduo que podem variar ao longo do tempo. Pretende-se assim, desenvolver um modelo de machine learning para detetar padrões a partir do registo prévio alimentar, podendo substituir o doente nas suas escolhas e auxiliar a pessoa que o acompanha. Pretende-se explorar várias combinações de configurações, adaptando os valores dos diferentes hiperparâmetros na execução do trabalho experimental, para comparar e obter resultados que servirão para retirar conclusões sobre a aplicação destas técnicas neste contexto.
- Modelos de Preditivo de Estimativa do Peso Corporal Baseado em Inteligência Artificial: Uma Abordagem Integrada de Pré-Processamento e AvaliaçãoPublication . Figueiredo, Diana Margarida Lopes; Cunha, Carlos Augusto da Silva; Duarte, Rui Pedro Monteiro AmaroO peso corporal é muito mais que um número numa balança. Este valor pode ser indicador de várias doenças, pois tanto o excesso como a falta de peso têm implicações na saúde dos indivíduos. O excesso de peso está associado a doenças cardíacas, obesidade, diabetes, hipertensão arterial, distúrbios respiratórios, entre outras. Enquanto a falta de peso num nível extremo está associado a problemas de deficiência nutricional, enfraquecimento do sistema imunológico, osteoporose e desequilíbrios hormonais. Devido a estes problemas, surge a necessidade de acompanhar e analisar as alterações corporais, para a adoção de uma dieta e um estilo de vida equilibrado com as necessidades do indivíduo. O processo de controlo do peso é um processo complicado e está dependente de vários fatores. Assim sendo, e considerando que a versatilidade da área de Machine Learning (ML) permite desenvolver projetos que melhorem a qualidade de vida do ser humano, neste trabalho pretende-se desenvolver um modelo de ML para prever o peso futuro tendo em conta o registo alimentar, exercício físico e Taxa Metabólica Basal (TMB) de indivíduo, com o objetivo de mostrar o impacto que três dias podem ter no peso futuro. Os resultados da performance do modelo obtidos através do cálculo das métricas de desempenho, foram positivos. Através do cálculo do Coeficiente de Determinação foi obtido o valor 0.75, o que para esta métrica é considerado um valor bom, visto que está mais próximo de 1 do que de 0. Os valores do cálculo do Mean Squared Error (MSE) e do Mean Absolute Erro (MAE) demonstra que o modelo conseguiu aprender os padrões nos dados e que não existiu overfitting significativo. Estes resultados demonstram ser viável o desenvolvimento deste tipo de soluções.