Uso de algoritmos de machine learning para auxiliar no diagnóstico de pacientes portadores de disfonia espasmódica

Página do item simplificado
dc.contributor.advisor1Barcellos, Robson
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9844506370403162
dc.contributor.advisor1orcidhttps://orcid.org/0000-0002-6009-4825
dc.contributor.authorSouza, Felippe Favati de
dc.contributor.authorlatteshttp://lattes.cnpq.br/6243087328339802
dc.contributor.authororcidhttps://orcid.org/0009-0008-9057-9293
dc.date.accessioned2025-10-01T21:52:06Z
dc.date.issued2024-08-21
dc.description.abstractSpasmodic dysphonia (SD) is a rare voice disorder of neurological etiology that typically affects patients around the age of 30, impairing the process of vocal production and potentially being exacerbated by stressful situations. Given its neurological origin, diagnosis by speech-language pathology professionals is challenging and highly dependent on the evaluator’s expertise in recognizing the disorder. This may prevent patients from receiving optimal treatment, leading to the persistence of symptoms. With technological advances, the search for non-invasive methods for identifying voice disorders can be advantageous in supporting the diagnosis of SD. This study aims to evaluate the use of machine learning techniques to classify voice signals between patients with SD and healthy individuals.eng
dc.description.resumoA disfonia espasmódica (DE) é um distúrbio vocal raro de etiologia neurológica que acomete pacientes por volta dos 30 anos de idade, dificultando o processo de produção vocal e podendo ser agravado por situações de estresse. Dado sua origem neurológica, seu diagnóstico por profissionais da área da fonoaudiologia é difícil e depende muito da expertise do médico avaliador para reconhecer a doença. Isso pode levar o paciente a não receber o tratamento ideal, acarretando a persistência dos sintomas. Com a evolução da tecnologia, a busca por métodos não invasivos para identificação de distúrbios vocais pode ser vantajosa no auxílio do diagnóstico de DE. Este trabalho tem como objetivo avaliar o uso de técnicas de machine learning para realizar a classificação de sinal de vozes entre pacientes portadores de DE e pessoas saudáveis.
dc.description.sponsorshipNão recebi financiamento
dc.identifier.citationSOUZA, Felippe Favati de. Uso de algoritmos de machine learning para auxiliar no diagnóstico de pacientes portadores de disfonia espasmódica. 2024. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica) – Universidade Federal de São Carlos, São Carlos, 2024. Disponível em: https://repositorio.ufscar.br/handle/20.500.14289/22856.por
dc.identifier.urihttps://hdl.handle.net/20.500.14289/22856
dc.language.isopor
dc.publisherUniversidade Federal de São Carlos
dc.publisher.addressCampus São Carlos
dc.publisher.courseEngenharia Elétrica - EE
dc.publisher.initialsUFSCar
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazilen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/
dc.subjectDisfonia espasmódica
dc.subjectMachine learningeng
dc.subjectAprendizado de máquina
dc.subjectRandom foresteng
dc.subjectDecision treeeng
dc.subjectÁrvore de decisão
dc.subjectProcessamento vocal
dc.subjectAnálise vocaleng
dc.subjectSpasmodic dysphoniaeng
dc.subjectVoice processingeng
dc.subjectVocal analysiseng
dc.subject.cnpqENGENHARIAS::ENGENHARIA ELETRICA::MEDIDAS ELETRICAS, MAGNETICAS E ELETRONICAS; INSTRUMENTACAO
dc.subject.ods3. Saúde e Bem-Estar
dc.titleUso de algoritmos de machine learning para auxiliar no diagnóstico de pacientes portadores de disfonia espasmódica
dc.title.alternativeApplication of machine learning algorithms to support the diagnosis of patients with spasmodic dysphoniaeng
dc.typeTCC

Arquivos

Pacote Original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TCC_Felippe_Favati_De_Souza_v9_final_corrigido.pdf
Tamanho:
2.98 MB
Formato:
Adobe Portable Document Format
Baixar

Coleções

TCC