Abordagem baseada em Transformers para análise do movimento de crianças do Espectro Autista

• Processo: 25/02986-8
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de junho de 2025
• Data de Término da vigência: 31 de maio de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: André Carlos Ponce de Leon Ferreira de Carvalho
• Beneficiário: Enzo Tonon Morente
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Empresa: Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC)
• Vinculado ao auxílio: 20/09835-1 - IARA - Inteligência Artificial Recriando Ambientes, AP.PCPE
• Assunto(s): Inteligência artificial Aprendizado computacional Transtorno do espectro autista
• Palavra(s)-Chave do Pesquisador: Análise de Movimento | Inteligência Artificial | machine learning | Transformers | Transtorno do Espectro Autista | Inteligência Artificial

Resumo

Este projeto busca aplicar arquiteturas baseadas em transformers para a análise de movimentos decrianças com TEA. Busca-se contribuir para a literatura existente ao testar esses modelos baseadoe, com o auxílio de algoritmos de Explainable AI (XAI) compreender os padrões aprendidos pelosmodelos e identificar possíveis novos biomarcadores comportamentais.A inteligência artificial (IA) tem sido cada vez mais integrada à medicina devido à sua capacidadede processar grandes volumes de dados e identificar padrões complexos presentes neles. O Transtornodo Espectro Autista (TEA) é um distúrbio do neurodesenvolvimento caracterizado principalmente pordéficits na interação social, padrões de movimento atípicos e comportamentos restritivos e repetitivos.Atualmente, o diagnóstico do TEA não se baseia em biomarcadores bem definidos, o que tornaa avaliação dependente de análises comportamentais e, portanto, suscetível à subjetividade. Em res-posta a essa limitação, modelos de machine learning têm sido implementados com o objetivo de au-xiliar no diagnóstico do TEA e identificar potenciais biomarcadores comportamentais que poderiampassar despercebidos por métodos tradicionais de análise.