No dia 27 de Novembro de 2024, às 14h, aconteceu a defesa do Trabalho de Conclusão de Curso “Desenvolvimento de um pacote computacional para caracterização do padrão de sono em gestantes nulíparas por meio da actigrafia de pulso” realizado pela aluna Mariana Tavares Mozini. Participaram da banca o professor João Paulo Dias de Souza (orientador), e os membros titulares, Renato Cunha e Vinicius Beldi.
Link da defesa: https://www.youtube.com/live/49pXERHM0bQ?si=xyhNmMtPF2rsQM5v
Segue o resumo do TCC:
” Introdução: O sono adequado é essencial para o bem-estar geral, especialmente durante a gravidez, devido ao grande esforço físico e mental exigido pelo parto. A actigrafia permite o acompanhamento 24h do indivíduo por vários dias, apresentando uma alternativa menos invasiva à polissonografia. A compreensão de como os dados gerados pelo actígrafo podem ser aplicados para caracterização do padrão de sono em gestantes contribui para o avanço das tecnologias voltadas à melhora na qualidade de vida da população e pode ajudar a identificar possíveis complicadores da gestação.
Objetivo: Desenvolver um pacote computacional para análise de dados de actigrafia provenientes de mulheres grávidas. Desenvolver modelos de aprendizado de máquina para caracterização do sono treinados apenas com dados de actigrafia coletados durante a gestação.
Método: Foi realizada uma breve revisão de escopo para identificar o que havia sido desenvolvido até o momento a respeito de pacotes computacionais para processamento de dados de actigrafia. Posteriormente, o pacote SleepPy foi adaptado para as necessidades do projeto. Por fim, foram desenvolvidos dois modelos de aprendizado de máquina para caracterização do sono a partir dos resultados obtidos em etapas anteriores.
Resultados: Na revisão de escopo, um total de 102 referências da literatura científica foram analisadas e 23 estudos foram incluídos na seleção final. Para o desenvolvimento do pacote, foram utilizadas as funções adaptadas do pacote SleepPy, assim como novas funções foram desenvolvidas para ler e formatar os arquivos. Após o processamento feito pelo pacote, foi obtido um arquivo completo com os dados necessários para treinamento dos modelos de aprendizado de máquina. O método escolhido para ambos os modelos foi o Random Forest e as métricas de avaliação aplicadas foram: precisão, sensibilidade/especificidade, F1-Score e acurácia. O primeiro modelo apresentou resultados muito altos, levantando diversos questionamentos sobre o método escolhido e a forma como foi treinado. O segundo modelo apresentou resultados um pouco inferiores, mas mais próximos do esperado para um treinamento inicial. Por fim, foi aplicado outro teste com novos dados, reduzindo significativamente os valores das métricas.
Conclusão: Foi alcançado um entendimento aprofundado acerca da construção de um pacote computacional, assim como das etapas necessárias para processamento dos dados de actigrafia. Ademais, foi possível compreender os passos para desenvolvimento de modelos de aprendizado de máquina.”