https://repositorio.ufsc.br/handle/123456789/159971 Engenharia de Computação 2026-10-06T23:18:47Z https://repositorio.ufsc.br/handle/123456789/277004 Aplicação de Visão Computacional na Saúde: do Desenvolvimento Farmacêutico ao Diagnóstico Clínico de Souza, Rodrigo Guedes A visão computacional e o aprendizado profundo têm demonstrado grande potencial para automatizar tarefas críticas na saúde, desde etapas laboratoriais ligadas ao desenvolvimento e controle de qualidade de fármacos até o apoio ao diagnóstico clínico. Este trabalho integra dois estudos aplicados nesses domínios: (i) classificação de lesões cutâneas (benignas vs. malignas) utilizando uma rede convolucional com backbone ResNet18 modificado e mecanismos de atenção, implementada com TensorFlow/Keras; e (ii) caracterização automática de cristais farmacêuticos (forma e densidade) por meio de abordagens baseadas em CNNs, comparando estratégias multi-estágio e de estágio único. No domínio dermatológico, foi desenvolvido um pipeline de pré-processamento e aumento de dados específico para imagens médicas, com emprego do Grad-CAM para geração de explicações visuais. Os experimentos no conjunto ISIC alcançou AUC-ROC de 0,92, especificidade de 0,96, acurácia de validação de 88,12% e 99,42% no conjunto de teste reportado. Para a caracterização de cristais (conjunto OpenCrystalData), avaliou-se uma solução multi-etapa, obtendo-se 96,25% de acurácia em densidade e 82,50% em forma, e uma solução de estágio único com 92,50% de acurácia. Ao reunir esses estudos, discutem-se técnicas comuns (arquiteturas, pré-processamento, métricas), desafios transversais (desequilíbrio de classes, anotação, robustez a artefatos) e práticas de MLOps para garantir reprodutibilidade e segurança em aplicações sensíveis na área da saúde. TCC (graduação) - Universidade Federal de Santa Catarina, Campus Araranguá, Engenharia de Computação. 2025-11-26T00:00:00Z https://repositorio.ufsc.br/handle/123456789/274397 Desenvolvimento de Protótipo de Óculos com Câmeras e Algoritmo para Rastreamento Ocular Isaias, José Norberto Fagundes O diagnóstico de doenças e alterações no sistema visual de crianças recém-nascidas e prematuras atualmente envolve um protocolo de exames de difícil execução para o profissional da saúde e desconfortável para o paciente. Esses exames são realizados por meio da observação do sistema visual da criança. Para isto, pode ser utilizado tecnologias de Visão Computacional (CV) e rastreamento ocular. O rastreamento ocular, do inglês eye tracking, pode ser feito através de outras técnicas, como eletro-oculografia (EOG) porém, com o avanço de tecnologias de Inteligência Artificial, tornou-se mais eficiente a utilização de CV para este fim. Neste contexto, este trabalho apresenta o desenvolvimento de um protótipo de óculos equipado com câmeras e de um algoritmo de rastreamento ocular para auxiliar a realização desse tipo de exame. O protótipo utiliza microcontroladores ESP para transmitir, via Wi-Fi, as imagens capturadas para um computador, responsável pelo armazenamento e pela gravação dos vídeos. Além do desenvolvimento do protótipo, foi implementado um algoritmo de rastreamento ocular capaz de processar os vídeos capturados para identificar a posição das pupilas ao longo do tempo. Com base nessas informações, o sistema gera gráficos contendo as coordenadas x e y e a circunferência das íris durante toda a duração do vídeo. O protótipo foi projetado considerando as características faciais de crianças prematuras. Nos testes realizados, os microcontroladores ESP transmitiram as imagens para o computador via Wi-Fi de forma estável, permitindo a gravação dos vídeos. O algoritmo identificou corretamente a posição das pupilas em todos os vídeos utilizados na avaliação, embora tenham sido observadas limitações em situações específicas. Além disso, o sistema gerou corretamente os gráficos das coordenadas e da circunferência das pupilas para todos os vídeos analisados. Os resultados demonstram a viabilidade do protótipo para aquisição de imagens e do algoritmo para o rastreamento ocular, constituindo uma base para o desenvolvimento de sistemas de apoio à avaliação do sistema visual neonatal. TCC (graduação) - Universidade Federal de Santa Catarina, Campus Araranguá, Engenharia de Computação. 2026-07-03T00:00:00Z https://repositorio.ufsc.br/handle/123456789/274395 Aquisição Multimodal com Hardware Limitado: EMG e Visão Computacional para Reabilitação Giaboeski, Nicolas Sanson Lesões e rupturas musculares decorrentes de movimentos inadequados ou traumas exigem reabilitação fisioterapêutica precisa para a restauração da ativação muscular e da amplitude de movimento. Para isso, o presente trabalho investiga o desenvolvimento e avaliação de um protótipo de sistema que faz o uso de um sensor de eletromiografia de superfície de hardware limitado, aliado a técnicas de visão computacional, a fim de disponibilizar informações relevantes em uma aplicação própria destinada a servir como uma ferramenta de auxílio nessa etapa de reabilitação. A proposta é oferecer para o profissional da saúde uma ferramenta acessível, que o permite avaliar a ativação muscular e a execução dos movimentos, e com isso, possibilitando-o planejar exercícios de reabilitação que potencializem a recuperação do paciente. Para isso, adotou-se uma metodologia baseada em pesquisa bibliográfica referente ao uso de sensores baseados em eletrodos, aquisição e tratamento de sinais eletromiográficos, bem como a aplicação de visão computacional na área da saúde. A integração de hardware foi realizada entre um sensor de eletromiografia de superfície (DFRobot Sen0240), um conversor AD ADS1115 e um microcontrolador ESP32. No ambiente virtual, empregaram-se tecnologias baseadas na linguagem de programação Python, o que possibilitou o desenvolvimento de uma aplicação utilizando bibliotecas como PySide6, aliadas à integração com o MediaPipe Pose Landmarker para estimativa de pose. Essa abordagem integrada viabilizou a realização de ensaios experimentais destinados a avaliar a confiabilidade dos dados obtidos, tendo como foco inicial o músculo bíceps braquial. Os resultados demonstraram uma performance bastante satisfatória do sensor de eletromiografia limitado, que, após etapas de pós-processamento, ofereceu um sinal bastante fiel ao esperado quando comparado a um modelo padrão-ouro. O mesmo reflete no uso visão computacional, a qual forneceu uma estimativa de angulação articular coerente, mostrando-se uma alternativa promissora aos métodos arcaicos de goniometria. Assim, o protótipo desenvolvido evidencia o potencial de soluções acessíveis para aplicações em reabilitação, especialmente em cenários onde equipamentos comerciais não estão disponíveis. TCC (graduação) - Universidade Federal de Santa Catarina, Campus Araranguá, Engenharia de Computação. 2026-07-13T00:00:00Z https://repositorio.ufsc.br/handle/123456789/274137 Using Federated Learning to Analyze Occupational Stress: Preserving Privacy and Identifying Patterns Marchiolli, Rodrigo Neves de Senna Occupational stress is a relevant problem in contemporary work environments, affecting employee well-being and organizational performance. Wearable sensing and artificial intelligence can support continuous stress monitoring by analyzing physiological signals, but the centralized collection of these sensitive data raises privacy and security concerns. In this context, this study proposed and evaluated federated learning as a privacy-preserving approach for detecting and monitoring occupational stress. The work combines a rapid literature review with a practical prototype that integrates wearable sensing, a mobile privacy gateway, anonymized communication, authenticated data submission, and local model training. The review discusses the relevance of occupational stress, the role of wearable technologies and artificial intelligence in stress monitoring, and the privacy risks associated with centralized physiological data collection. For the practical implementation, a layered Internet of Medical Things (IoMT) architecture was developed in which ESP32-based wearable devices transmit physiological signals to an owner-authorized mobile application through authenticated Bluetooth Low Energy bonding. The mobile application stores provisioning credentials securely, signs outgoing JSON payloads with HMAC-SHA256, and forwards authenticated requests through the Tor anonymity network to a local training node hosted at a healthcare institution. The stress classification component detects general physiological stress states (amusement, baseline, stress) from the WESAD laboratory protocol, not specific occupational stressors; therefore, the occupational stress framing is the motivating application context, not the validated experimental scope. Within this scope, local model training was validated on the WESAD dataset using a regularized tabular Multilayer Perceptron (MLP), with the physiological data used for classifier training and validation originating exclusively from the WESAD benchmark dataset, not from the prototype sensors; this model achieved a validation macro F1-score of 0.9565 for three-class stress classification. The ESP32-based sensing hardware and mobile privacy gateway were functionally validated for data transmission and authentication. The proposed model was compared with an original MLP baseline and alternative training strategies, using accuracy, precision, recall, macro F1-score, validation loss, and overfitting gap as evaluation criteria. TCC (graduação) - Universidade Federal de Santa Catarina, Campus Araranguá, Engenharia de Computação. 2026-07-01T00:00:00Z