Um Estudo Analítico sobre Algoritmos de Inteligência Computacional para Determinação de Níveis de Ativação em Comportamentos Típicos Autistas
Algoritmos de aprendizado de máquina, Análise de desempenho, Estado afetivo, Comportamento estereotipado, Autismo
Os comportamentos estereotipados são movimentos atípicos e repetitivos do corpo, os quais podem estar relacionados a transtornos mentais. Estes comportamentos pode ocasionar o aumento dos níveis de ativação de pacientes. Deste modo, o desenvolvimento de sistemas capazes de reconhecer automaticamente tanto comportamentos estereotipados como inferir seu nível de ativação pode ajudar abordagens terapêuticas. Este trabalho propõe um sistema para inferir os níveis de ativação de comportamentos estereotipados típicos do autismo, onde diferentes Algoritmos de Aprendizado de Máquina (AAMs) são utilizados para classificar os comportamentos estereotipados e para determinar os níveis de ativação relacionados. Uma métrica de desempenho denominado de Índice de Desempenho Temporal (IDT) é também proposto para avaliar o desempenho dos AAMs, considerando o tempo de classificação dos comportamentos estereotipados relacionando-o com os níveis de acurácias e precisão. Para classificação dos comportamentos estereotipados, o Hidden Markov Models (HMM) e o Multilayer Percetron (MLP) apresentaram melhores desempenho que o Support Vector Machine (SVM) e Convolutional Neural Network (CNN). A aplicação de técnicas de Adaptive Neuro-Fuzzy baseados no algoritomo de agrupamento Fuzzy C-Means permitiram determinar e diferenciar os níveis de ativação dos comportamentos estereotipados considerados neste trabalho.