Uma Metodologia para Classificação de Sinais Acústicos de Deglutições de Indivíduos com e sem Disfagia Via Deep Learning
dc.contributor.advisor | Becker, Carla Diniz Lopes | |
dc.contributor.advisor-co | Rech, Rafaela Soares | |
dc.contributor.author | Silva, Gabriele Pessoa da | |
dc.contributor.department | Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde | |
dc.date.accessioned | 2024-09-13T14:47:54Z | |
dc.date.available | 2024-09-13T14:47:54Z | |
dc.date.date-insert | 2024-09-13 | |
dc.date.issued | 2024-07-22 | |
dc.description | Dissertação (Mestrado)-Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre. | pt_BR |
dc.description.abstract | Introdução: A disfagia é um sintoma resultante de algum comprometimento no processo de deglutição, diagnosticado tradicionalmente por videofluoroscopia ou avaliação endoscópica com nasofibrolaringoscópio. Apesar de serem consideradas técnicas padrão-ouro devido à alta precisão na identificação de casos de disfagia, ambas são invasivas e desconfortáveis para o paciente. A ausculta cervical surge como uma técnica auxiliar aos exames de imagem padrão-ouro e é amplamente utilizada na prática clínica. Assim, é uma técnica auxiliar que pode qualificar a identificação de pessoas com alteração na deglutição. Objetivo: O objetivo deste trabalho é propor um modelo de rede neural convolucional capaz de classificar espectrogramas de sinais acústicos de deglutição, obtidos via ausculta cervical digital, de indivíduos com e sem disfagia. Materiais e Métodos: Foram utilizados sinais de áudios de deglutição via ausculta cervical de indivíduos adultos com e sem disfagia coletados pela equipe do projeto Sistema de Diagnóstico da Disfagia Apoiado por Inteligência Artificial (DIGDIS). Durante a coleta de dados, são auscultados o processo de deglutição em 7 condições diferentes: saliva, líquido controlado e livre, pastosos controlado e livre e sólido controlado e livre. Optou-se por trabalhar com os sinais de áudio da condição pastoso controlado, devido ao número de dados mais expressivo. Resultados: Os eventos de deglutição foram isolados dos sinais completos, gerando um banco de dados com 1888 eventos de deglutição. Foram obtidos 1888 espectrogramas referentes aos eventos de deglutição isolados de indivíduos com e sem disfagia. As imagens foram usadas como dados de entrada de uma rede neural convolucional associada a uma validação cruzada. Os resultados experimentais obtidos pelo modelo proposto de rede neural convolucional apresentaram uma acurácia de 75,13%, uma sensibilidade de 75,47%, uma especificidade de 75% e uma precisão de 54,5%, um F-score de 62,99% e a Curva ROC de 0,7524. Conclusões: Os resultados obtidos são similares com aqueles encontrados na literatura e evidenciam a potencialidade do diagnóstico de indivíduos com disfagia via ausculta cervical assistido por um modelo de inteligência artigicial. | |
dc.description.abstract-en | Introduction: Dysphagia is a symptom resulting from some impairment in the swallowing process, traditionally diagnosed by videofluoroscopy or endoscopic evaluation with a nasofibrolaryngoscope. Although they are considered gold standard techniques due to their high accuracy in identifying cases of dysphagia, both are invasive and uncomfortable for the patient. Cervical auscultation appears as an auxiliary technique to the gold standard imaging exams and is widely used in clinical practice. Thus, it is an auxiliary technique that can qualify the identification of people with swallowing alterations. Objective: The objective of this work is to propose a convolutional neural network model capable of classifying spectrograms of acoustic swallowing signals, obtained via digital cervical auscultation, of individuals with and without dysphagia. Materials and Methods: Acoustic signals of swallowing via cervical auscultation of adult individuals with and without dysphagia collected by the team of the Artificial IntelligenceSupported Dysphagia Diagnostic System (DIGDIS) project were used. During data collection, the swallowing process was auscultated in 7 different conditions: saliva, controlled and free liquid, controlled and free pasty, and controlled and free solid. It was decided to work with the audio signals of the controlled pasty condition, due to the more expressive number of data. Results: The swallowing events were isolated from the complete signals, generating a database with 1888 swallowing events. A total of 1888 spectrograms were obtained referring to the isolated swallowing events of individuals with and without dysphagia. The images were used as input data for a convolutional neural network associated with cross-validation. The experimental results obtained by the proposed convolutional neural network model presented an accuracy of 75.13%, a sensitivity of 75.47%, a specificity of 75% and a precision of 54.5%, an F-score of 62.99% and a ROC curve of 0.7524. Conclusions: The results obtained are similar to those found in the literature and demonstrate the potential for diagnosing individuals with dysphagia via cervical auscultation assisted by an artificial intelligence model | |
dc.identifier.uri | https://repositorio.ufcspa.edu.br/handle/123456789/2987 | |
dc.language.iso | pt_BR | |
dc.relation.requires | TEXTO - Adobe Reader | |
dc.rights | Acesso Embargado | pt_BR |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/br/ | |
dc.subject | Transtornos de Deglutição | pt_BR |
dc.subject | Aprendizado Profundo | pt_BR |
dc.subject | Rede neural convolucional | pt_BR |
dc.subject | [en] Deglutition Disorders | en |
dc.subject | [en] Deep Learning | en |
dc.subject | [en] Convolutional neural network | en |
dc.title | Uma Metodologia para Classificação de Sinais Acústicos de Deglutições de Indivíduos com e sem Disfagia Via Deep Learning | |
dc.type | Dissertação |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- [DISSERTAÇÃO] Silva, Gabriele Pessoa da (P).pdf
- Tamanho:
- 455.61 KB
- Formato:
- Adobe Portable Document Format
- Descrição:
- Texto parcial