Apresentador : Leonardo dos Santos Gavioli

Data: 17/12/2024
Horário: 14:30
Local: Sala 600B do DCM nas Exatas, andar superior - Bloco 1 - Apresentação modo hibrido

Descrição: Resumo: A segurança alimentar é uma preocupação global, buscando garantir que alimentos consumidos sejam seguros, nutritivos e livres de contaminação. A presença de bactérias patogênicas é um dos principais desafios, e entre elas destaca-se o Staphylococcus aureus, que pode contaminar o leite, afetar a saúde dos consumidores e causar doenças graves. Na produção de leite, a mastite – inflamação das glândulas mamárias, geralmente causada por bactérias – representa um problema significativo. Detectar e monitorar a concentração de S. aureus é fundamental para evitar riscos. Para isso, biossensores, como línguas eletrônicas, são empregados. Estes dispositivos simulam o paladar humano e, por meio da espectroscopia de impedância elétrica, permitem detectar contaminações bacterianas rapidamente. Além disso, o uso de técnicas computacionais, tais como o aprendizado de máquina, auxiliam na análise desses dados, calibrando os sensores e aprimorando a precisão das detecções. Nesse contexto, o objetivo do presente trabalho foi explorar e avaliar a aplicação de diferentes algoritmos de aprendizado de máquina para a análise de dados de espectroscopia de impedância elétrica, obtidos a partir da aplicação de línguas eletrônicas formadas por sensores não específicos, sobre amostras de leite de vacas acometidas por mastite. Com essa abordagem, buscou-se modelar, aplicar e avaliar algoritmos de classificação e regressão em três estudos específicos: 1) identificar a presença de diferentes bactérias; 2) predizer a concentração de uma bactéria específica (S. aureus); e 3) classificar o nível de risco da amostra a partir da concentração bacteriana. Foram explorados diferentes algoritmos de aprendizado de máquina convencionais e profundo, técnicas para aumento e balanceamento dos dados, e validação cruzada para aprimorar os resultados. Como resultado a rede neural Long Short-Term Memory obteve melhor resultado em todos os estudos: acurácia de 93,46% no estudo 1; raiz quadrada do erro médio igual a 0,52 e coeficiente de determinação igual a 0,95 no estudo 2; e acurácia de 92,65% no estudo 3. Os resultados deste trabalho demonstram a aplicabilidade do aprendizado de máquina para melhorar e auxiliar o desempenho de biossensores não específicos, proporcionando precisão e eficácia nas predições.