Publicação: Classificação de alto nível baseada em meta-grafos de grafos de visibilidade para detecção do Autismo
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
Este trabalho explora técnicas avançadas de classificação para a detecção do Transtorno do Espectro Autista (TEA) utilizando espectroscopia ATR-FTIR aplicada a amostras de saliva. A plataforma proposta é rápida, sustentável e permite a coleta não invasiva
de amostras. O espectro ATR-FTIR gerado é uma sequência de alta dimensionalidade
que representa interações moleculares, mas cuja natureza sequencial é frequentemente
ignorada em estudos da área.
Enquanto métodos tradicionais com ATR-FTIR utilizam classificadores de baixo nível
baseados em atributos físicos, abordagens de alto nível mais recentes incorporam características topológicas e estruturais. No entanto, esses métodos enfrentam limitações na
construção de grafos, especialmente na representação das relações sequenciais dos dados.
Para superar esse desafio, propomos o VisG2, um método de construção de meta-grafos
que representa espectros como grafos de visibilidade e calcula a similaridade entre eles
para gerar uma estrutura de alto nível. Avaliações com dados reais de TEA mostram que
o VisG2 supera classificadores tradicionais e modernos, como SVM, CNN e Transformers,
além de outras técnicas de construção de grafos.
Além disso, quando combinado com métodos de baixo nível, o VisG2 compõe um
classificador híbrido que melhora ainda mais o desempenho da abordagem de alto nível.
Os resultados confirmam a eficácia do VisG2 na captura de relações sequenciais e seu
potencial para a detecção do TEA e aplicações similares.
Abstract
This study explores advanced classification techniques for the detection of Autism
Spectrum Disorder (ASD) using ATR-FTIR spectroscopy applied to saliva samples. The
proposed platform is fast, sustainable, and enables non-invasive sample collection. The
resulting ATR-FTIR spectrum is a high-dimensional sequence that encodes molecular
interactions, yet its sequential nature is often overlooked in related studies.
While traditional ATR-FTIR approaches rely on low-level classifiers based on physical
attributes, more recent high-level methods incorporate topological and structural features. However, these high-level methods face challenges in the graph construction phase,
particularly in accurately capturing the sequential relationships within the data.
To address this limitation, we propose VisG2, a meta-graph construction method that
represents spectra as visibility graphs and computes their similarities to build a high-level
structure. Experiments with real ASD data demonstrate that VisG2 outperforms both
traditional and modern classifiers such as SVM, CNN and Transformers, as well as other
commonly used graph construction techniques.
Furthermore, when combined with low-level methods, VisG2 forms a hybrid classifier
that further enhances the performance of the original high-level approach. The results
confirm VisG2’s effectiveness in capturing sequential relationships and highlight its potential for ASD detection and other applications involving sequential data.
Palavras-chave
Redes complexas, Classificação de alto nível, Medidas de redes complexas, Grafo de Vvsibilidade, Transtorno do Espectro Autista, ATR-FTIR, Complex networks, High-Level classification, Complex network measurements, Visibility graph, Autism Spectrum Disorder
Citação
LIMA FILHO, Ricardo B., Classificação de alto nível baseada em meta-grafos de grafos de visibilidade para
detecção do Autismo. 2026. 119 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2026. DOI http://doi.org/10.14393/ufu.di.2026.160.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto