O Transtorno do Espectro Autista (TEA) é uma condição complexa e heterogênea que afeta o desenvolvimento cerebral e é caracterizada por disfunções cognitivas, comportamentais e sociais. Muito esforço vem sendo feito para identificar biomarcadores baseados em imagens cerebrais e desenvolver ferramentas que poderiam facilitar o diagnóstico do TEA - atualmente baseado em critérios comportamentais, através de um processo longo e demorado. Em particular, o uso de algoritmos de Aprendizado de Máquina para classificação de dados de Imagens de Ressonância Magnética funcional em estado de repouso (rs-fMRI) é promissor, mas há uma necessidade contínua de pesquisas adicionais a respeito da precisão desses classificadores. Assim, este trabalho realiza uma revisão sistemática e meta-análise de modo a resumir e agregar as evidências disponíveis na literatura da área até o momento. A busca sistemática por artigos resultou na seleção de 93 deles, que tiveram seus dados extraídos e analisados através da revisão sistemática. Um modelo meta-analítico bivariado de efeitos aleatórios foi implementado para investigar a sensibilidade e especificidade dos 55 estudos (132 amostras independentes) que ofereceram informação suficiente para serem utilizados na análise quantitativa. Os resultados obtidos indicaram estimativas gerais de sensibilidade e especificidade de 73.8% (95% IC: 71.8-75.8%) e 74.8% (95% IC: 72.3-77.1%), respectivamente, e os classificadores baseados em SVM (do inglês, Support Vector Machine) se destacaram como os mais utilizados, apresentando estimativas acima de 76%. Estudos que utilizaram amostras maiores tenderam a obter piores resultados de precisão, com exceção do subgrupo composto por classificadores baseados em Redes Neurais Artificiais. O uso de outros tipos de imagens cerebrais ou dados fenotípicos para complementar as informações obtidas através da rs-fMRI se mostrou promissor, alcançando especialmente sensibilidades mais altas (p = 0.002) em relação aos estudos que utilizaram apenas dados de rs-fMRI (84.7% - 95% IC: 78.5-89.4% - versus 72.8% - 95% IC: 70.6-74.8%). Valores menores de sensibilidade/especificidade foram encontrados quando o número de Regiões de Interesse (ROIs, do inglês Regions of Interest) aumentou. Vale destacar também o desempenho das abordagens utilizando o atlas AAL (do inglês, Automated Anatomical Labelling) com 116 ROIs. Em relação às features usadas para treinar os classificadores, foram encontrados melhores resultados nos estudos que utilizaram a correlação de Pearson em conjunto com a transformação Z de Fisher ou outras features em comparação ao uso da correlação de Pearson sem modificações. Finalmente, a análise revelou valores da área sob a curva ROC (do inglês, Receiver Operating Characteristic) entre aceitável e excelente. Entretanto, considerando as várias limitações que são indicadas no estudo, mais estudos bem desenhados são necessários para estender o uso potencial desses algoritmos de classificação a ambientes clínicos.

Metais estão presentes em mais de 30% das proteínas encontradas na natureza e desempenham funções biológicas importantes, além de atuarem na manutenção da estrutura de proteínas. Íons metálicos em proteínas estão ligados a grupos de átomos e a esse conjunto é dado o nome de sítio metálico. Um sítio metálico pode exercer funções catalíticas, estruturais, transporte e transferência de elétrons em uma proteína.

Métodos tradicionais e experimentais para a predição de sítios metálicos geralmente encontram empecilhos relacionados a tempo e custo de execução, e por isso cresce a necessidade de ferramentas computacionais que possam auxiliar em predições. Diversos métodos na literatura têm empenhado esforços na predição de sítios metálicos e tem mostrado grandes resultados, porém ainda encontram barreiras por questões relacionadas ao tamanho da proteína, tipo de íons e ligantes, capacidade de encontrar resíduos interdomínio e até mesmo ao obter taxas de acerto não satisfatórias.

O objetivo desta dissertação é adaptar o algoritmo GASS (Genetic Active Site Search), inicialmente proposto para a predição de sítios catalíticos, para a busca de sítios metálicos. O método criado, GASS-Metal, divide os resíduos de uma proteína no espaço tridimensional e utiliza paralelismo de algoritmos genéticos para encontrar sítios metálicos candidatos que sejam próximos em relação à distância de templates curados provenientes dos M-CSA e MetalPDB.

Os resultados dos testes de sanidade e com proteínas homólogas mostraram que o GASS-Metal é um método robusto, capaz de encontrar sítios metálicos em diversos tipos de íons diferentes e não restringe sua busca a uma única cadeia. Além disso, ao usar mutações conservativas, a taxa de acerto na predição melhora ainda mais, ajudando a encontrar sítios em situações onde antes era inviável, pela falta de resíduos em determinadas proteínas.

Em comparação a preditores estado da arte, o GASS-Metal conseguiu desempenho satisfatório na predição de sítios metálicos de diferentes íons. Os resultados mostraram que o método foi superior na predição em 5 dos 12 íons metálicos avaliados e ainda obteve performance equivalente em outros 6 sítios metálicos diferentes.

Este trabalho tem o objetivo de apresentar uma t´ecnica constru´ıda `a partir de modelo de aprendizado profundo para rastreamento de objetos em tempo real denominada SingleShot MultiBox Detector - SSD, usada como meio de detec¸ca˜o para os objetos em imagens, em conjunto com uma biblioteca gratuita de Reconhecimento ´Otico de Caracteres (OCR), usada para Reconhecimento Autom´atico de Placas de Ve´ıculos (ALPR), chamada OpenALPR, sendo usada para o reconhecimento das placas dos ve´ıculos em tempo real, e o MAVSDK, um kit de desenvolvimento de software do protocolo MAVLink, servindo de assistˆencia para determinar o posicionamento e rastreamento em tempo real para quadrico´ptero durante voˆos autonomos guiados por software. O algoritmo foi todo implementado na linguagem de programa¸c˜ao Python em conjunto com a biblioteca OpenCV para processamento de v´ıdeo e imagem, o MAVSDK para controle remoto do PX4, o software de controle de voˆo do drone, o OpenALPR para o reconhecimento das placas e um modelo de aprendizado profundo SSD treinado usando os frameworks Caffe e TensorFlow. Uma mini-cˆamera FPV foi usada como dispositivo para a captura das imagens em tempo real para a rede SSD e o OpenALPR, sendo processadas pela biblioteca OpenCV e coordenadas pelo MAVSDK, tornando possivel o controle de rastreamento e posicionamento. Ambos experimentos simulados e em ambiente aberto foram conduzidos para coletar resultados sobre o rastreamento e posicionamento a fim de serem utilizados para futuras an´alises e refinamento.

O controle de gastos relacionado à energia elétrica vem apresentando um grande cresci-
mento, principalmente em ambientes residenciais. O monitoramento das cargas elétricas

acionadas e removidas de uma residência é realizado frequentemente através de smart-
plugs, fornecendo aos consumidores o intervalo de funcionamento e a potência consumida

por cada equipamento. Apesar de uma solução prática de controle e redução de gastos

de energia elétrica, possui um custo elevado devido à quantidade de medidores neces-
sários. O problema do custo elevado pode ser contornado utilizando uma proposta de

monitoramento de cargas não intrusivo (NILM), onde as medições de tensão e corrente
são realizadas na entrada da residência, em contra partida demanda uma etapa extra de
processamento. Nessa etapa extra, é necessário calcular a potência, identificar a ocorrência
dos eventos e por fim, a identificar qual equipamento foi ligado ou desligado. As propostas
desse trabalho foram utilizar um novo padrão de cálculo de potência proposto pela IEEE

(1459-2010), a elaboração de um detector de evento do tipo heurístico utilizando jane-
las de análise flutuante para localização de zonas de estabilidade nos sinais de potência

após indicação de uma variação de potência acima de um valor pré-determinado, testes
da melhor forma de disposição dos dados do identificador de eventos para a identificação

de qual carga foi adicionada ou removida do circuito monitorado, e otimização dos pa-
râmetros do classificador Floresta Aleatória (RF-Random Forest) utilizando o algoritmo

de otimização fogos de artifício (Fireworks Algorithm- FA). Os testes do identificador de

eventos proposto e do classificador utilizado foram realizados no dataset BLUED, que con-
tém dados coletados em uma residência norte-americana em um período de uma semana.

Para os testes do classificador foram utilizados quatro formas diferentes de entrada de da-
dos inicialmente, e posteriormente as duas formas que obtiveram melhores desempenhos

foram utilizadas no processo de otimização do classificador. O desempenho do identifica-
dor de evento proposto foi comparado com outras publicação que utilizaram abordagens

diferentes e obtiveram resultados satisfatórios. E os resultados das classificações foram

comparadas entre si, por utilizarem formas de entrada de dados diferentes, e como tam-
bém um classificador ideal, onde também foram observados uma melhora dos resultados

quando comparados com os resultados de um classificador com parâmetros normalmente
utilizados, um número maior de árvores foi utilizada em cada RF, mas com limitação
na profundidade de cada árvore. E a importância das variáveis envolvidas no processo
de classificação também foi calculada, destacando a importância da utilização do novo
padrão de potência proposto pela IEEE.

Bancos de Dados Relacionais são os modelos mais utilizados em diversas aplicações em razão da facilidade existente em sua linguagem de consulta e utilização em ambientes multi-usuários. Com o grande volume de informação que se tem nos dias de hoje e, sendo que estes encontram-se cada vez mais relacionadas, surgem os bancos de dados orientados a grafos como forma de lidar com esta nova demanda, frente às dificuldades do modelo relacional a este novo cenário. Diante disto, esta pesquisa tratou dos processos de mapeamento, conversão e migração do modelo relacional para o orientado a grafos, tratando, sobretudo, a sobrecarga semântica de construtores entre os dois modelos. O objetivo deste estudo foi o desenvolvimento de uma aplicação, denominada \textit{ThrusterDB}, que realiza esse processo de conversão do modelo relacional para o orientado a grafos de forma automática. A pesquisa traz contribuição ao integrar as fases de mapeamento, conversão e migração automática de um banco de dados relacional para um orientado a grafos. Esta dissertação apresenta resultados que mostram que o banco de dados gerado, após o processo, provê um desempenho melhor no tempo médio de consultas realizadas, além de preservar a semântica do banco de dados relacional de origem, sem qualquer perda ou redundância de dados.

O número de veículos nas ruas de todo o mundo tem crescido rapidamente ao longo da última década, impactando diretamente em como o tráfego urbano é gerenciado. O controle de cruzamentos sinalizados é um problema largamente conhecido e estudado e que, embora cada vez mais tecnologias sejam exploradas e aplicadas, ainda se encontram desafios e oportunidades ao tratar o problema, principalmente quando confronta-se a ineficiência dos já bem difundidos semáforos de tempos fixos, incapazes de lidar com eventos dinâmicos. O objetivo deste trabalho é aplicar Hierarchical Reiforcement Learning (HRL) ao controle de um cruzamento veicular semaforizado e, a partir dos resultados obtidos, compará-lo a um semáforo de tempos fixos dimensionado pelo Método de Webster. HRL é uma variação de Reinforcement Learning (RL), em que objetivos secundários, representados por sub-políticas, são propostos e organizados em um modelo hierárquico e gerenciados por uma política macro, responsável por selecioná-las quando se espera rendimento máximo das mesmas, sendo que tanto as sub-políticas quanto a principal são regidas pelo framework Q-learning. Herarchical Reinforcement Learning foi escolhido por aliar a capacidade de aprendizado e tomada de decisão feitos de acordo com observações do ambiente em tempo real, característicos do Reinforcement Learning, com um modelo similar ao Dividir para Conquistar, que desmembra o problema principal em sub-problemas. Isso traz ao modelo uma maior dinâmica e poder de adaptabilidade a um problema que exibe, por vezes, variações imprevisíveis, impossíveis de serem levadas em conta em abordagens determinísticas, como o Método de Webster. Os cenários de testes, formados por diversos tipos de fluxo de veículos, aplicados a um cruzamento de duas vias simples, foram construídos através da ferramenta de simulação SUMO. Os modelos HRL, suas sub-políticas isoladas e o Método de Webster são aplicados e avaliados a partir destes cenários onde, de acordo com os resultados obtidos, HRL se mostra superior tanto ao Método de Webster quanto às suas sub-políticas isoladas, mostrando-se uma alternativa simples e eficaz.

Os sistemas de recomendação são filtros que sugerem produtos de interesse para seus clientes,
podendo assim causar um grande impacto nas vendas. Atualmente existe uma variedade
desses algoritmos, sendo importante escolher a opção mais adequada ao problema
em questão. Isso, no entanto, não é uma tarefa trivial. Nesse contexto é proposto o RSE
(Recommender Systems Evaluator): um framework que realiza a avaliação de desempenho
offline dos sistemas de recomendação. O uso da metodologia apropriada é fundamental ao
fazer uma avaliação. No entanto isso é frequentemente negligenciado, levando a resultados
inconsistentes. O RSE procura abstrair ao máximo a complexidade envolvida no processo,
e se baseia em conceitos estatísticos para proporcionar conclusões mais robustas. Os estudos
realizados comprovam a sua eficácia, mostrando inclusive que ele pode ser adaptado
para ser usado em outros contextos além dos sistemas de recomendação.

O eletrocardiograma é uma poderosa ferramenta na detecção de patologias. Diversos
doenças podem se manifestar através de alterações na forma do sinal elétrico produzido
pelo coração. O desenvolvimento de dispositivos portáteis e de fácil uso capazes de analisar
o sinal automaticamente permitiria o acompanhamento da evolução de patologias em casa,
além de mutirões de exames em comunidades carentes, com pouco acesso a médicos e
hospitais bem equipados. Neste trabalho é proposto um sistema completo combinando
diferentes algoritmos para realizar classificação em tempo real de batimentos cardíacos
para detecção de doenças utilizando hardware dedicado, com recursos limitados. Algumas
técnicas utilizadas, como o algoritmo de Pan Tompkins para detecção de complexos QRS,
já foram exaustivamente testados e utilizados em diversos sistemas de classificação de
batimentos cardíacos, enquanto outros, como a segmentação dinâmica e os parâmetros de
Hjorth, foram propostos recentemente para esse tipo de problema e seu funcionamento com
sinais armazenados para pós-processamento foi demonstrado, além de seu baixo consumo
de recursos computacionais. O sistema proposto foi testado verificando a integração das
diferentes técnicas sem nenhum tipo de conhecimento prévio sobre o sinal, mediu seu
desempenho utilizando a base de dados MIT-BIH Arrhythmia e seu tempo de execução.
Dentro da proposta de detectar doenças, o modelo obteve índices de acerto comparáveis
a outros trabalhos influentes nesta área de pesquisa, mas ele foi capaz de cumprir os
requisitos de tempo de execução apenas em um laptop convencional, não se mostrando
ainda viável para classificação em tempo real em sistemas embarcados mais acessíveis.

Atualmente, a pirâmide etária brasileira vem apresentando um grande aumento na faixa de pessoas idosas. Com isso, o crescente desenvolvimento de métodos, técnicas e ferramentas para avaliar a fragilidade dessas pessoas ganha cada vez mais importância no cenário nacional. A fragilidade é uma síndrome caracterizada pela redução das reservas físicas e cognitivas, tornando os idosos mais vulneráveis a eventos adversos, hospitalizações, quedas, perda de independência e morte. Para esta síndrome ser avaliada são necessários o uso de sensores de inércia, acelerômetros e algoritmos. Os sensores são utilizados para quantificar a avaliação de movimento no teste Time Up and Go (TUG), os acelerômetros são usados durante a avaliação do equilíbrio e os algoritmos detectam idosos frágeis, não frágeis e robustos. Nesse contexto, em parceria com pesquisadores da UNIFEI e UNIVAS, foi desenvolvido e testado um dispositivo eletrônico composto por sensores de alta qualidade, multifuncionais e baixo custo que, através da combinação de um giroscópio de 3 eixos, acelerômetro de 3 eixos, termômetro, oxímetro e medidor de frequência cardíaca, analisam a qualidade do movimento, o gasto energético, a velocidade da marcha, a alteração no equilíbrio e a variabilidade da frequência cardíaca durante o movimento e qualidade da contração do músculo pentríceps. Os dados são analisados em software específico, desenvolvido para o protótipo do equipamento. A validação dos sensores não causa danos ou prejuízos à saúde dos participantes. O sistema desenvolvido comprovou ser uma ferramenta eficaz para a análise da síndrome da fragilidade e continua sendo testado com sucesso em idosos voluntários.