???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: https://tedebc.ufma.br/jspui/handle/tede/tede/3125
Tipo do documento: Dissertação
Título: Monitoramento ubíquo da saúde mental: detectando padrões de sociabilidade enriquecidos por contexto através do processamento de eventos complexos
Título(s) alternativo(s): Ubiquitous monitoring of mental health: detecting patterns of sociability enriched by context through the processing of complex events
Autor: MOURA, Ivan Rodrigues de 
Primeiro orientador: SILVA, Francisco José da Silva e
Primeiro coorientador: COUTINHO, Luciano Reis
Primeiro membro da banca: SILVA, Francisco José da Silva e
Segundo membro da banca: COUTINHO, Luciano Reis
Terceiro membro da banca: SOARES NETO, Carlos de Salles
Quarto membro da banca: CAMARGO, Raphael Yokoingawa de
Resumo: Tradicionalmente, o monitoramento de indivíduos com transtornos mentais é realizado por meio de reuniões presenciais com profissionais especializados em saúde mental. Hoje, no entanto, os métodos computacionais podem usar dispositivos ubíquos (e.g., smartphones e tecnologias vestíveis) para monitorar comportamentos sociais relacionados à saúde mental, em vez de depender de autorrelatos. Esses dispositivos representam uma fonte valiosa de dados contextuais que permitem a identificação das atividades sociais vivenciadas pelos indivíduos em sua rotina diária. Portanto, o uso dessas tecnologias para identificar o hábito de atividades sociais permite o reconhecimento de comportamentos sociais anormais que podem ser indicativos de transtornos mentais. Por esse motivo, este estudo apresenta uma nova abordagem para monitorar a saúde mental por meio da conscientização da situação social. Este trabalho apresenta um algoritmo capaz de detectar padrões de sociabilidade, ou seja, caracteriza os períodos do dia em que o indivíduo se socializa habitualmente. O reconhecimento da rotina social é realizado sob diferentes condições de contexto (e.g., dia útil e fim de semana), o que permite diferenciar comportamentos sociais anormais das mudanças nos hábitos sociais esperadas em determinadas situações. A solução apresentada também é capaz de identificar mudanças nos padrões sociais que podem ser indicativos da presença de transtornos mentais. A implementação do algoritmo proposto utilizou a combinação da abordagem de Mineração de Padrões Frequentes com o Processamento de Eventos Complexos, o que permite a realização do processamento contínuo do fluxo de dados sociais. A avaliação realizada demonstrou que o reconhecimento baseado em contexto fornece uma melhor compreensão da rotina social, indicando também que a solução proposta é capaz de detectar padrões de sociabilidade semelhantes a um algoritmo em lote. Além disso, foi validado o desempenho do mecanismo de detecção de mudanças no comportamento social.
Abstract: Traditionally, the monitoring of individuals with mental disorders is conducted through face-to-face meetings with professionals specialized in mental health. Today, however, computational methods can use ubiquitous devices (e.g., smartphones and wearable technologies) to monitor social behaviors related to mental health rather than relying on self-reports. These devices represent a valuable source of contextual data that allows the identification of the social activities experienced by individuals in their daily routine. Therefore, the use of these technologies to identify social activities habit enables the recognition of abnormal social behaviors that may be mental disorders indicative. For this reason, this study presents a new approach to monitoring mental health through social situation awareness. This work introduces an algorithm capable of detecting sociability patterns, i.e., it characterizes the periods of the day when the individual socializes habitually. The recognition of social routine is performed under different context conditions (e.g., workday and weekend), which allows differentiating abnormal social behaviors from changes in social habits expected in certain situations. The solution presented is also able to identify changes in social patterns that may be indicative of mental disorders presence. The implementation of the proposed algorithm used the combination of the Frequent Patterns Mining approach with the Complex Events Processing, which allows the realization of the continuous social data stream processing. The evaluation performed demonstrated that context-based recognition provides a better understanding of the social routine, also indicating that the proposed solution is capable of detecting sociability patterns similar to a batch algorithm. Additionally, it was validated the performance of the social behavior change detection mechanism.
Palavras-chave: Saúde Mental
Transtornos mentais
Computação ubíqua
Computação móvel
Padrões de sociabilidade
Mental health
Mental disorders
Ubiquitous computing
Mobile computing
Sociability pattern
Área(s) do CNPq: Ciência da Computação
Idioma: por
País: Brasil
Instituição: Universidade Federal do Maranhão
Sigla da instituição: UFMA
Departamento: DEPARTAMENTO DE INFORMÁTICA/CCET
Programa: PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET
Citação: MOURA, Ivan Rodrigues de. Monitoramento ubíquo da saúde mental: detectando padrões de sociabilidade enriquecidos por contexto através do processamento de eventos complexos. 2020.111 f. Dissertação (Programa de Pós-Graduação em Ciência da Computação/CCET) - Universidade Federal do Maranhão, São Luís, 2020.
Tipo de acesso: Acesso Aberto
URI: https://tedebc.ufma.br/jspui/handle/tede/tede/3125
Data de defesa: 10-Feb-2020
Appears in Collections:DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO

Files in This Item:
File Description SizeFormat 
IvanRodriguesdeMoura.pdfDissertação de Mestrado1,91 MBAdobe PDFDownload/Open Preview


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.