Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/45282
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2025_HanielRodriguesGuimaraesLima_tcc.pdf3,43 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorMiosso, Cristiano Jacques-
dc.contributor.authorLima, Haniel Rodrigues Guimarães de-
dc.identifier.citationLIMA, Haniel Rodrigues Guimarães de. Análise de ausculta pulmonar para ferramentas de auxílio a diagnóstico com base em redes neurais convolucionais e caraterísticas cepstrais. 2025. 63 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica) — Universidade de Brasília, Brasília, 2025.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Faculdade UnB Gama, 2025.pt_BR
dc.description.abstractEsta pesquisa apresenta uma alternativa para o processamento de áudio de ausculta cardiopulmonar, com foco em determinadas patologias pulmonares contidas em uma base de dados. O processamento sonoro envolve a separação dos sons das contrações cardíacas e dos sons dos movimentos pulmonares. Como parâmetro de avaliação dessa abordagem, foi utilizada uma rede neural convolucional em duas situações de entrada de dados: uma com a base de dados original, sem modificações, e outra com a mesma base, porém submetida ao processamento de separação. O objetivo é analisar a efetividade da separação sonora e as possíveis vantagens e desvantagens desse procedimento em uma análise computacional. Por meio da rede neural convolucional, foram extraídos dados estatísticos para avaliar o procedimento e definir ações futuras, possibilitando, posteriormente, uma análise clínica. Foi realizada uma análise gráfica e sonora de amostras obtidas da base de dados utilizada para estudos científicos, empregando espectrogramas para comparar os áudios originais com aqueles processados para separação dos sons. Os áudios da base de dados foram processados, convertidos em gráficos de espectrograma MFCC e submetidos à extração de características MFCC, que foram então utilizadas como entrada na rede neural convolucional. A partir dos dados estatísticos, foi avaliada a performance da rede tanto com os áudios brutos quanto com aqueles processados, que enfatizavam os sons pulmonares. Os resultados mostraram uma melhora de 5,3% na acurácia da identificação da patologia estudada. No entanto, ressalta-se a necessidade de uma base de dados com maior número de amostras para aprimorar a identificação das características sonoras de outras patologias. Devido ao desbalanceamento das bases de dados utilizadas, apenas uma patologia foi analisada: a Doença Pulmonar Obstrutiva Crônica (COPD). Quanto à separação dos sons pulmonares e cardíacos, recomenda-se que testes futuros sejam conduzidos com especialistas da área da saúde para avaliar se esse processo contribui para a semiologia médica.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordAusculta pulmonarpt_BR
dc.subject.keywordPulmões - auscultapt_BR
dc.subject.keywordProcessamento de áudiopt_BR
dc.titleAnálise de ausculta pulmonar para ferramentas de auxílio a diagnóstico com base em redes neurais convolucionais e caraterísticas cepstraispt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2026-07-31T21:46:43Z-
dc.date.available2026-07-31T21:46:43Z-
dc.date.submitted2025-02-25-
dc.identifier.urihttps://bdm.unb.br/handle/10483/45282-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1This research presents an alternative approach to processing cardiopulmonary aus cultation audio, focusing on specific pulmonary pathologies contained in a database. The sound processing involves separating the sounds of cardiac contractions from those of pul monary movements. As an evaluation parameter for this approach, a convolutional neural network was used in two data input scenarios: one with the original, unmodified database and another with the same database but subjected to the separation process. The objec tive is to analyze the effectiveness of sound separation and the possible advantages and disadvantages of this procedure in a computational analysis. Through the convolutional neural network, statistical data were extracted to assess the procedure and define fu ture actions, ultimately enabling clinical analysis. A graphical and auditory analysis was performed on samples obtained from the database used for scientific studies, employing spectrograms to compare the original audio recordings with those processed for sound separation. The database audio files were processed, converted into MFCC spectrogram graphs, and subjected to MFCC feature extraction, which was then used as input for the convolutional neural network. Based on statistical data, the network’s performance was evaluated using both raw audio files and processed ones that emphasized pulmonary sounds. The results showed a 5.3% improvement in the accuracy of identifying the studied pathology. However, it is important to highlight the need for a database with a larger number of samples to enhance the identification of sound characteristics associated with other pathologies. Due to the imbalance in the databases used, only one pathology was analyzed: Chronic Obstructive Pulmonary Disease (COPD). Regarding the separation of pulmonary and cardiac sounds, it is recommended that future tests be conducted with healthcare specialists to assess whether this process contributes to medical semiology.pt_BR
Aparece na Coleção:Engenharia Eletrônica



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.