Use este identificador para citar ou linkar para este item:
https://repositorio.pucgoias.edu.br/jspui/handle/123456789/10380| Tipo: | Trabalho de Conclusão de Curso |
| Título: | Identificação da doença de Parkinson pela dinâmica da marcha sob dupla tarefa com machine learning |
| Autor(es): | Saraiva, João Victor Andrade de Aquino |
| Primeiro Orientador: | Felix, Juliana Paula |
| metadata.dc.contributor.referee1: | Ribeiro, Lucília Gomes |
| metadata.dc.contributor.referee2: | Vinhal, Gustavo Siqueira |
| Resumo: | Este trabalho investiga a capacidade do uso de aprendizado de máquina para a predição da Doença de Parkinson por meio da análise de sinais de marcha sob a dinâmica de dupla tarefa cognitiva. A metodologia utiliza séries temporais de força de reação no solo a partir de sensores acoplados em 27 indivíduos e submetidos a caminhada simultânea durante subtrações matemáticas seriadas. A pesquisa processa e segmenta os dados para extrair características globais que alimentam uma rede neural Multilayer Perceptron (MLP), avaliada por validação cruzada estratificada por sujeito com balanceamento SMOTE. O modelo alcança 96% de acurácia média e 100% de sensibilidade, identificando com sucesso todos os pacientes com a patologia, sem registrar falsos negativos. Assim, o estudo aponta para o potencial da eficácia clínica da abordagem proposta quando utilizado o experimento de dupla tarefa e sua viabilidade de aplicação em dispositivos com baixo custo computacional para o diagnóstico da Doença de Parkinson. |
| Abstract: | This study examines the application of machine learning for Parkinson's Disease classification using gait signal analysis under dual-task cognitive conditions. The methodology uses vertical ground reaction force time series from sensors attached to 27 individuals during simultaneous walking and serial mathematical subtraction. Data are preprocessed and segmented to extract global features that feed a Multilayer Perceptron (MLP) neural network, evaluated by subject-stratified cross-validation with SMOTE balancing. The model achieves 96% mean accuracy and 100% sensitivity, correctly identifying all patients with the condition without any false negatives. Results support the clinical viability of the dual-task approach and its potential for deployment in low-cost computational devices for Parkinson's Disease screening. |
| Palavras-chave: | Parkinson Aprendizado de máquina Machine learning Marcha Gait |
| CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
| Idioma: | por |
| País: | Brasil |
| Editor: | Pontifícia Universidade Católica de Goiás |
| Sigla da Instituição: | PUC Goiás |
| metadata.dc.publisher.department: | Escola Politécnica |
| Tipo de Acesso: | Acesso Restrito |
| URI: | https://repositorio.pucgoias.edu.br/jspui/handle/123456789/10380 |
| Data do documento: | 8-Abr-2026 |
| Aparece nas coleções: | TCC Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Tamanho | Formato | |
|---|---|---|---|
| TCC - JV-RAG.pdf Restricted Access | 4,94 MB | Adobe PDF | Visualizar/Abrir Solictar uma cópia |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.
Ferramentas do administrador