Contribuição para o desenvolvimento de um software de diagnóstico baseado em sensores magnetoelásticos

• Ano de defesa: 2024
• Autor(a) principal: Andreatta, Alessandro Josue da Silva
• Orientador(a): Zorzi, Janete Eunice
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng; por
• Palavras-chave em Português: Materiais; Magnetostricção; Magnetismo; Elasticidade; Maquinas - Projetos
• Palavras-chave em Inglês: Materials; Magnetostriction; Magnetism; Elasticity; Machine design
• Link de acesso: https://repositorio.ucs.br/11338/13541

Nas últimas décadas, ocorreram várias epidemias de vírus mortais com grande impacto na saúde pública global. Exemplos incluem o Ebola, o Marburg, o Nipah, o Zika, a febre hemorrágica da Crimeia-Congo, Dengue e, mais recentemente, o coronavírus SARS-CoV-2, que causou a pandemia de COVID-19. A rápida disseminação desses vírus e a falta de infraestrutura de saúde adequada em algumas regiões tornaram difícil conter as epidemias. A mobilização global foi necessária para conter a disseminação e fornecer assistência médica adequada às pessoas afetadas. A detecção rápida e o desenvolvimento de medicamentos e vacinas eficazes são cruciais para combater futuras epidemias. Sensores feitos com materiais magnetoelásticos e modelos de aprendizado de máquina podem ser úteis nessa corrida. Neste trabalho, a análise de um conjunto de dados coletados em um analisador de rede, a partir de sensores magnetoelásticos, foi utilizada para treinar um algoritmo de aprendizado de máquina. Um modelo de classificação foi desenvolvido para se obter o diagnóstico correto da presença de patógenos nos sensores de teste, com a exportação do mesmo para uso em dados externos. O modelo desenvolvido foi capaz de distinguir entre dados de controle e de teste, demonstrando precisão na identificação da presença de patógenos. A aplicação de aprendizado de máquina permitiu a detecção de pequenas variações nos sinais dos sensores, permitindo o uso para diagnóstico. A quantidade de dados disponíveis para o treinamento do modelo limitou parcialmente o aprofundamento da análise, não comprometendo, contudo, a técnica aplicada. [resumo fornecido pelo autor]