Anais do Encontro de Computação do Oeste Potiguar ECOP/UFERSA (ISSN 2526-7574)

ReCiclo: Sistema Inteligente para Gestão eIncentivo da Reciclagem

2026-04-19T17:21:02-03:00

O aumento da geração de resíduos sólidos urbanos, aliado à baixa adesão da população à coleta seletiva, evidencia a necessidade de soluções tecnológicas capazes de promover práticas sustentáveis e ampliar o acesso à informação. Nesse contexto, este trabalho tem como objetivo desenvolver e avaliar um sistema inteligente voltado à otimização da coleta de resíduos recicláveis no município de Pau dos Ferros/RN. O sistema proposto é composto por uma plataforma digital interativa e uma lixeira eletrônica automatizada, equipada com sensores e tecnologia RFID, permitindo a identificação dos usuários e o registro dos resíduos descartados. A metodologia envolveu o mapeamento dos pontos de coleta existentes, o desenvolvimento da plataforma com integração a APIs de localização e a realização de testes experimentais com usuários, visando avaliar a funcionalidade e o impacto da solução proposta. Os resultados evidenciaram aumento significativo no engajamento dos participantes e na conscientização ambiental, além do registro de 386 resíduos recicláveis coletados durante o período de testes. Observou-se também maior interesse dos usuários na adoção de práticas sustentáveis, impulsionado pelo uso da tecnologia como ferramenta educativa e interativa.

Include: Repositório de Materiais Adaptados para Pessoas com Necessidades Educacionais Especiais no Ensino Técnico

2026-04-24T10:19:54-03:00

A Educação Inclusiva é essencial para a equidade educacional, porém ainda é limitada no ensino técnico, especialmente quanto à disponibilidade de materiais adaptados. Este trabalho apresenta o projeto Include, que propõe um ambiente que permita o armazenamento, a organização e a disponibilização de recursos educacionais adaptados. Para isso, foi desenvolvido o protótipo de um repositório digital web utilizando Python e Flask. Como resultado parcial, obteve-se um protótipo funcional com potencial de aplicação institucional. Conclui-se que a solução pode contribuir para o fortalecimento da Educação Inclusiva no ensino técnico, embora ainda existam desafios técnicos.

Gamificação com Hardware de Baixo Custo como Ferramenta de Apoio à Motricidade dos Membros Superiores

2026-05-05T17:42:27-03:00

Os jogos sérios têm sido amplamente utilizados em contextos educacionais, clínicos e terapêuticos por combinarem elementos lúdicos com objetivos funcionais, oferecendo uma experiência motivadora e orientada ao desenvolvimento de habilidades. Este trabalho propõe o desenvolvimento de uma ferramenta baseada em gamificação aplicada como apoio às atividades motoras dos membros superiores, voltada a pessoas com limitações de mobilidade, com foco em usuários com Síndrome de Down. O projeto fundamenta-se em estudos sobre jogos sérios e tecnologias assistivas, propondo o desenvolvimento de um sistema integrado de hardware e software. A metodologia adotada envolveu a construção de um protótipo vestível de baixo custo, composto por uma luva interativa integrada a um jogo digital embarcado, no qual as ações do usuário controlam elementos do ambiente virtual em tempo real. Os resultados obtidos indicam boa aceitação do sistema e elevado nível de engajamento dos usuários. Conclui-se que a combinação entre tecnologia assistiva, hardware interativo e jogo digital representa uma abordagem promissora como ferramenta de apoio às atividades motoras, tornando o processo mais acessível e atrativo.

Previsão de Interrupções em Cadeias de Suprimento Globais Utilizando Aprendizado de Máquina

2026-05-05T08:42:57-03:00

Este artigo apresenta um estudo comparativo de modelos de aprendizado de máquina para a previsão de interrupções em cadeias de suprimento globais. Utilizando o conjunto de dados Global Supply Chain Risk and Logistics, foram desenvolvidas e avaliadas três abordagens: uma rede neural artificial com camadas de Dropout para regularização, uma rede neural otimizada via busca manual de hiperparâmetros com validação cruzada (KFold) e um classificador Random Forest. O pré-processamento incluiu codificação de
variáveis categóricas por LabelEncoder, normalização Min-Max, remoção de outliers pelo método IQR e balanceamento de classes via NearMiss. Os resultados demonstram que o Random Forest obteve o melhor desempenho geral, com 66,00% de acurácia e F1-Score de 63%, seguido pela rede neural com Dropout (64,65%) e pela rede otimizada (62,00%). A análise de importância de variáveis revelou que atributos como risco geopolítico, confiabilidade do transportador e índice de combustível são os mais influentes na predição de
interrupções logísticas.

Classificação Binária de Vantagem Posicional no Xadrez Com Modelo Perceptron Multicamadas

2026-04-21T13:36:06-03:00

O xadrez é um jogo de tabuleiro que possui um
grande número de posições diferentes, assim, evidenciando que,
apenas com a observação humana haja dificuldades quanto a
verificação de qual lado está com mais vantagem. Assim,
o presente trabalho traz o treinamento de um modelo de
inteligência artificial, baseado em perceptron multicamadas, que
tem o papel de, dado uma posição do tabuleiro, utilizando
classificação binária, indicar qual lado do tabuleiro está com
mais vantagem. Trazendo ao final os resultados do treinamento
do modelo, com acurácia de 79.42%, precisão de 78.93%, recall
de 80.36% e F1 score de 79.64%, o que evidencia um progresso
na rede.

Predição de Vagas de Empregos no Mercado de IA e Dados Utilizando Redes Neurais Artificiais

2026-04-24T10:25:25-03:00

O mercado de Inteligência Artificial apresenta alta variabilidade salarial e estrutural entre regiões e empresas. Este trabalho propõe o uso de redes neurais artificiais do tipo Perceptron de Múltiplas Camadas (MLP) para prever indicadores de vagas: salário, modalidade de trabalho e tamanho da empresa. O modelo previu salários com erro médio absoluto de 11,49%, porém apresentou limitações significativas nas classificações multi-classe, com acurácias de 33,6% para modalidade de trabalho (equivalente a predição aleatória) e 45,8% para tamanho da empresa. As principais limitações incluem: (i) arquitetura única não otimizada para cada tarefa; (ii) ausência de tratamento de desbalanceamento de classes; (iii) falta de engenharia de features especı́fica para problemas categóricos. Os resultados evidenciam a eficácia de MLPs para regressão salarial, mas indicam a necessidade de modelos especializados para classificação em mercados voláteis.

Classificação de Níveis de Obesidade através de Redes Neurais Multicamadas: Uma Abordagem Baseada em Hábitos de Vida e Dados Antropométricos

2026-05-04T20:00:05-03:00

A obesidade e o risco de doenças cardiovasculares representam desafios crescentes para a saúde pública global. O diagnóstico preventivo e a classificação precisa dos níveis de risco são fundamentais para intervenções médicas eficazes. Este estudo apresenta uma abordagem baseada em inteligência artificial, utilizando uma rede neural perceptron multicamadas para classificar o nível de obesidade de indivíduos com base em seus hábitos alimentares e condição física. O modelo proposto, estruturado com camadas densas, função de ativação ReLU, regularização dropout e otimizador Adam, alcançou uma acurácia geral de 94% nos dados de teste, com generalização consistente. A análise métrica demonstrou robustez notável, atingindo um F1-Score de 1,00 para a classe de Obesidade Grau III, com zero falsos negativos na categoria de maior risco.

Aplicação de Redes Perceptron Multicamadas no Diagnóstico da Doença de Alzheimer com IA Explicável

2026-05-05T11:18:21-03:00

Este artigo apresenta o desenvolvimento de uma rede neural do tipo MultiLayer Perceptron (MLP) para a classificação binária da Doença de Alzheimer (DA), utilizando dados clínicos estruturados. O objetivo é oferecer uma alternativa de baixo custo e alta sensibilidade para a triagem inicial, superando as barreiras socioeconômicas associadas aos exames de imagem. A metodologia envolveu o pré-processamento de 2.149 registros, incluindo normalização e balanceamento de classes, além de uma arquitetura otimizada com Batch Normalization, Dropout e regularização L2. Os resultados demonstraram uma acurácia de 79,07% e uma sensibilidade (recall) de 87,5%. Conclui-se que o modelo é eficaz na minimização de falsos negativos em cenários com infraestrutura limitada.

Deep Learning Algorithm for Hypertension Prediction using Hyperparameter Optimization via Latin Hypercube Sampling in High-Performance Computing Environments

2026-05-04T20:31:01-03:00

Hypertension is a chronic condition characterized
by persistently elevated blood pressure. Due to its asymptomatic
nature in the early stages, it is frequently underdiagnosed,
leading to diagnosis only after the occurrence of cardiovascular
complications. This silent progression highlights the need for
early diagnostic tools capable of identifying at-risk individuals
before irreversible damage occurs to target organs. To fill this
clinical gap, this study proposes a Deep Learning Algorithm for
Hypertension Prediction based on clinical variables. A Hyperparameter Optimization process was conducted to define the architecture and adjust the predictive capacity. The search space was
systematically explored using Latin Hypercube Sampling (LHS)
to define the neuron configuration, learning rate, dropout, and L2
regularization. Due to the computational complexity of evaluating
multiple neural network architectures through 10-fold Stratified
Cross-Validation, the optimization pipeline was implemented in
High-Performance Computing (HPC) environments. The model
achieved an accuracy of 90.21% and an F1-Score of 90.19%,
demonstrating the balance achieved between precision and recall.

Uma arquitetura de sistema Web de apoio ao ensino gamificado dos Objetivos de Desenvolvimento Sustent´avel

2026-05-04T19:56:35-03:00

A urgência em promover a conscientização global sobre o desenvolvimento sustentável exige estratégias educacionais que transcendam os métodos tradicionais, integrando tecnologia e interatividade. Este trabalho apresenta o desenvolvimento e a arquitetura do sistema Web Extensão ODS UFERSA, uma plataforma voltada ao ensino gamificado dos Objetivos de Desenvolvimento Sustentável (ODS) da ONU. A solução foi construída utilizando o framework Next.js e a biblioteca React, adotando uma arquitetura centrada no front-end com geração de site estático (SSG) para garantir alta performance, baixo custo de infraestrutura e escalabilidade via AWS Amplify. A interface foi estruturada sob a metodologia Atomic Design, proporcionando um ambiente responsivo e modular que facilita a navegação e o engajamento lúdico por meio de jogos educativos. Os resultados iniciais demonstram que a combinação de práticas de engenharia de software com estratégias de gamificação favorece a assimilação de temas complexos, consolidando o sistema como uma ferramenta viável para a educação básica e projetos de extensão universitária.

Palavras-chave: Objetivos de Desenvolvimento Sustentável; Arquitetura de Sistemas; Gamificação; Desenvolvimento de Software; Next.js.

Rede Neural Perceptron Multicamadas para Classificação Multiclasse de Câncer de Pele

2026-05-04T09:47:13-03:00

O câncer de pele é um problema relevante de saúde pública, e seu diagnóstico por computador tem sido amplamente explorado com aprendizado de máquina. Este trabalho investigou o uso de uma rede Perceptron Multicamadas (MLP) na classificação multiclasse de lesões do dataset HAM10000, destacando suas limitações para imagens, especialmente em cenários desbalanceados. As imagens foram redimensionadas para 64 × 64, vetorizadas (d= 12288) e padronizadas. O modelo utilizou duas camadas densas com ReLU e saída softmax para 7 classes. Sete configurações foram avaliadas, variando taxa de aprendizado e número de neurônios. O melhor resultado, utilizou balanceamento com SMOTE (α = 0.0001, arquitetura 128–64) obteve acurácia de 70,84% e F1 ponderado de 70,32%. Apesar de capturar padrões relevantes, houve baixo desempenho em classes minoritárias e indícios de overfitting. Comparada a abordagens como CNNs e Transformers, a MLP mostrou-se limitada por ignorar a estrutura espacial, sendo adequada apenas como baseline.

Detecção de Deepfakes Baseada em Metadados Forenses Utilizando Perceptron de Múltiplas Camadas

2026-05-04T19:07:46-03:00

As tecnologias de síntese de mídias falsas, denominadas deepfakes, constituem um dos principais desafios contemporâneos à segurança digital. Com o avanço das ferramentas de manipulação de vídeo e áudio, a distinção entre conteúdo autêntico e sintetizado artificialmente tornou-se progressivamente complexa. Este trabalho propõe uma abordagem baseada em metadados forenses: em vez de realizar análise em nível de pixel, o método proposto opera sobre características numéricas abstratas da mídia, tais como inconsistências na sincronização audiovisual e anomalias de compressão. Utilizou-se um dataset científico contendo essas métricas forenses, sobre o qual foi desenvolvida uma Rede Neural Artificial do tipo Multilayer Perceptron (MLP). O modelo proposto demonstrou capacidade de classificação binária entre mídias autênticas e deepfakes. Os resultados confirmam que as assinaturas forenses estruturais presentes em deepfakes constituem características discriminativas suficientes para sistemas de detecção computacionalmente eficientes, demandando recursos substancialmente inferiores quando comparados a abordagens baseadas puramente em visão computacional profunda. O modelo alcançou acurácia de 100% no conjunto de teste, com ausência total de falsos positivos e falsos negativos.

Base de Lançamento de Foguetes de Garrafa PET com Controle e Monitoramento Remoto

2026-04-21T13:40:51-03:00

Este trabalho apresenta o desenvolvimento e aper
feiçoamento de uma base de lançamento automatizada de
foguetes de garrafa PET com controle e monitoramento remoto.
Inicialmente criada em 2023 para garantir maior segurança nos
lançamentos da OBAFOG, a base foi redesenhada em 2024 a
partir da identificação de falhas. A nova versão incorpora um
aplicativo móvel desenvolvido em linguagem Flutter, comunicação
via Bluetooth e a integração de sensores. A pesquisa seguiu uma
abordagem com testes práticos e avaliações de usabilidade que
confirmaram a eficácia e a segurança do sistema.

Multilayer Perceptron-Based System for Behavioral Analysis and Educational Recommendation in Autism Spectrum Disorder

2026-04-21T13:43:59-03:00

Autism Spectrum Disorder (ASD) requires early identification and effective educational intervention. This study presents a multilayer perceptron neural network to identify behavioral patterns associated with ASD from questionnaire responses. The model achieved 100% accuracy, precision, recall, and F1-score on the test set. A rule-based interpretative layer translates model outputs into educational profiles and personalized pedagogical recommendations, enabling practical support for educators. The integration of machine learning with educational strategies demonstrates the potential of AI as a support tool for inclusive education and early intervention.