Linha de pesquisa: Inteligência Artificial

Resumo: Este trabalho explora técnicas avançadas de classificação para a detecção do Transtorno do Espectro Autista (TEA) utilizando espectroscopia ATR-FTIR aplicada a amostras
de saliva. A plataforma proposta é rápida, sustentável e permite a coleta não invasiva de amostras. O espectro ATR-FTIR gerado é uma sequência de alta dimensionalidade
que representa interações moleculares, mas cuja natureza sequencial é frequentemente ignorada em estudos da área.
Enquanto métodos tradicionais com ATR-FTIR utilizam classificadores de baixo nível baseados em atributos físicos, abordagens de alto nível mais recentes incorporam características
topológicas e estruturais. No entanto, esses métodos enfrentam limitações na construção de grafos, especialmente na representação das relações sequenciais dos dados.
Para superar esse desafio, propomos o VisG2, um método de construção de meta-grafos que representa espectros como grafos de visibilidade e calcula a similaridade entre eles para gerar uma estrutura de alto nível. Avaliações com dados reais de TEA mostram que o VisG2 supera classificadores tradicionais e modernos, como SVM, CNN e Transformers,
além de outras técnicas de construção de grafos. Além disso, quando combinado com métodos de baixo nível, o VisG2 compõe um classificador híbrido que melhora ainda mais o desempenho da abordagem de alto nível. Os resultados confirmam a eficácia do VisG2 na captura de relações sequenciais e seu potencial para a detecção do TEA e aplicações similares.

Sala para a defesa: 1B126 - UFU