Implantação de machine learning para o monitoramento da saúde humana

• Processo: 23/16437-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de abril de 2024
• Data de Término da vigência: 31 de dezembro de 2024
• Área de conhecimento: Engenharias - Engenharia Elétrica
• Pesquisador responsável: Fernando Luis de Almeida
• Beneficiário: Beatriz Sayury Furuyama
• Instituição Sede: Faculdade de Tecnologia de Itaquera Miguel Reale (FATEC Itaquera). Centro Paula Souza (CEETEPS). São Paulo , SP, Brasil
• Assunto(s): Aprendizado computacional Metabolismo energético Polímeros condutores Sensores inteligentes
• Palavra(s)-Chave do Pesquisador: doenças cardíacas | machine learning | Medição cronoamperométrica | Metabolismo energético | polímeros condutores | sensor inteligente | Eletroquímica e bioquímica

Resumo

Neste projeto de iniciação científica e tecnológica (ICT) será desenvolvido um sistema inteligente a partir de uma matriz com 60 microeletrodos de ouro (diâmetro E 50 µm) modificados com polímeros condutores, obtendo os microtransdutores para as medições cronoamperométricas e um eletrodo de referência (Ag/AgCl ou compatível) com a função combinada de eletrodo auxiliar com 1,20 mm2 de área sob uma mesma pastilha (substrato de papel, polimérico ou vítreo). Esse sistema será empregado na medição cronoamperométrica de metabólitos, a saber: fosfatos (PO43-); nitrito (NO2-); cloretos (Cl-) e ácido úrico (AU). Atualmente, na literatura, encontram-se diversos trabalhos científicos que relacionam a concentração dessas espécies ao metabolismo energético de pacientes. Porém, na medição eletroquímica em fluidos biológicos (sangue, saliva e/ou suor), há uma considerável complexidade experimental, devido a uma infinidade de espécies interferentes em meio bioquímico. Nesse sentido, há poucos procedimentos que abordam a inteligência artificial e a medição cronoamperométrica de metabólitos juntamente com a avaliação das espécies interferentes em fluidos biológicos, que justifica a execução deste projeto. Por fim, a matriz será configurada para medições cronoamperométricas usando uma solução química de referência (SQR), métodos de redes neurais convolucionais e deep learning para a implantação de machine learning Node-RED empregada na análise dos metabólitos, correlacionando-os com a saúde humana.