@MASTERSTHESIS{ 2015:189189249,
 	title = {Avaliação da gravidade da malária utilizando técnicas de extração de características e redes neurais artificiais},
 	year = {2015},
 	url = "http://tede.ufam.edu.br/handle/tede/4093",
 	abstract = "Cerca de metade da população mundial vive em áreas de risco da malária. Além disso, dada a
 globalização das viagens, essas doenças que antes eram consideradas exóticas e
 principalmente tropicais são cada vez mais encontradas em salas de emergência de hospitais
 no mundo todo. E frequentemente quando se trata de experiência em doenças tropicais, a
 opinião de especialistas na maioria das vezes está indisponível ou não acessível em tempo
 hábil. A tarefa de chegar a um diagnóstico da malária preciso e eficaz, fundamental na prática
 médica, pode tornar-se complexa. E a complexidade desse processo aumenta à medida que os
 pacientes apresentam sintomas não específicos com uma grande quantidade de dados e
 informação imprecisa envolvida. Nesse sentido, Uzoka e colaboradores (2011a), a partir de
 informações clínicas de 30 pacientes nigerianos com diagnóstico confirmado de malária,
 utilizaram a metodologia Analytic Hierarchy Process (AHP) e metodologia Fuzzy para
 realizar a avaliação da gravidade da malária. Os resultados obtidos foram comparados com o
 diagnóstico de médicos especialistas. Esta dissertação desenvolve uma nova metodologia para
 avaliação da gravidade da malária e a compara com as técnicas utilizadas por Uzoka e
 colaboradores (2011a). Para tal o conjunto de dados utilizados é o mesmo do referido estudo.
 A técnica utilizada é a de Redes Neurais Artificiais (RNA). São avaliadas três arquiteturas
 com diferentes números de neurônios na camada escondida, duas metodologias de
 treinamento (leave-one-out e 10-fold cross-validation) e três critérios de parada, a saber: o
 erro médio quadrático, parada antecipada e regularização. Na primeira fase, é utilizado o
 banco de dados completo. Posteriormente, são utilizados os métodos de extração de
 características: na segunda fase, a Análise dos Componentes Principais (do inglês, Principal
 Component Analysis - PCA) e na terceira fase, a Análise Discriminante Linear (do inglês,
 Linear Discriminant Analysis – LDA). O melhor resultado obtido nas três fases, foi com o
 banco de dados completo, utilizando o critério de regularização, associado ao leave-one-out,
 de 83.3%. Já o melhor resultado obtido em (Uzoka, Osuji e Obot, 2011) foi com a rede fuzzy
 onde obteve 80% de acurácia.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Engenharia Elétrica},
 	note = {Faculdade de Tecnologia}
}