ESTIMATIVA DE NÍVEIS DE TRANSTORNOS MENTAIS COM INTELIGÊNCIA ARTIFICIAL:

UMA AVALIAÇÃO DO DESEMPENHO DE CLASSIFICADORES SUPERVISIONADOS

Autores

  • Gustavo França Albano de Paula Faculdade de Tecnologia de Ourinhos-FATEC Ourinhos
  • Luis Felipe Francisco Fermino Ferreira Faculdade de Tecnologia de Ourinhos-FATEC Ourinhos
  • Mariana Frederico Mançan Faculdade de Tecnologia de Ourinhos-FATEC Ourinhos
  • Thiago Jose Lucas Faculdade de Tecnologia de Ourinhos-FATEC Ourinhos
  • Damaris Bezerra de Lima Faculdade de Tecnologia de Ourinhos-FATEC Ourinhos

Resumo

Estatísticas recentes apontam para uma proporção alarmante: uma em cada oito pessoas possui algum tipo de transtorno mental. A qualidade de vida de boa parte da população tem sido afetada por conta de problemas com Depressão, Ansiedade ou Stress. Detectar precocemente os níveis dos supracitados transtornos pode ser útil como ferramenta auxiliar aos profissionais da saúde e até mesmo ao público em geral. Esta pesquisa documenta a implementação Inteligência Artificial pela aplicação de algoritmos de Machine Learning para classificar os níveis de Depressão, Ansiedade e Stress. Foi construído um conjunto de dados para treinamento e validação dos modelos baseado no formulário DASS-42. Diversos classificadores foram testados e os melhores resultados obtidos apontam para uma acurácia de 99.98% utilizando Artificial Neural Networks. Portanto, classificadores supervisionados apresentam bom desempenho na estimativa de níveis de transtornos mentais, em especial o Neural Networks, o que demonstra a viabilidade de se construir um modelo de Machine Learning.

Biografia do Autor

  • Gustavo França Albano de Paula, Faculdade de Tecnologia de Ourinhos-FATEC Ourinhos

    Discente do curso superior em Análise e Desenvolvimento de Sistemas da Faculdade de Tecnologia de Ourinhos-FATEC Ourinhos

  • Luis Felipe Francisco Fermino Ferreira, Faculdade de Tecnologia de Ourinhos-FATEC Ourinhos

    Discente do curso superior em Análise e Desenvolvimento de Sistemas da Faculdade de Tecnologia de Ourinhos-FATEC Ourinhos

  • Mariana Frederico Mançan, Faculdade de Tecnologia de Ourinhos-FATEC Ourinhos

    Discente do curso superior em Análise e Desenvolvimento de Sistemas da Faculdade de Tecnologia de Ourinhos-FATEC Ourinhos

  • Thiago Jose Lucas, Faculdade de Tecnologia de Ourinhos-FATEC Ourinhos
    Thiago José Lucas é natural de Ourinhos/SP, 1990. Atualmente é Mestrando em Ciência da Computação (Computação Aplicada/Inteligência Computacional) na Universidade Estadual Paulista Júlio de Mesquita Filho (Unesp) de Bauru/SP, Especialista em Projeto e Implementação de Redes de Computadores pela Universidade Tecnológica Federal do Paraná (2013) e Tecnólogo em Segurança da Informação pela Faculdade de Tecnologia de Ourinhos (2011). Atualmente exerce o emprego público permanente de Professor de Ensino Superior 1/B na Faculdade de Tecnologia de Ourinhos. Possui formação técnica de nível médio em Eletrônica pela Escola Técnica Estadual de Ourinhos. É membro da Comissão de Vestibular, da Congregação e do Núcleo Docente Estruturante do Curso Superior de Tecnologia em Segurança da Informação, todas as membresias relacionadas a Faculdade de Tecnologia de Ourinhos. Profissional na área de Redes de Computadores e Segurança da Informação há 10 anos, possui experiência comprovada em projeto, implementação e gerenciamento de redes Linux; Convergência de redes IP/PSTN por meio de plataformas de software livre; Interceptação legal de dados em redes TCP/IP e telefonia móvel; Desenvolvedor back-end para plataformas UNIX like.
  • Damaris Bezerra de Lima, Faculdade de Tecnologia de Ourinhos-FATEC Ourinhos

    Discente do curso superior em Análise e Desenvolvimento de Sistemas da Faculdade de Tecnologia de Ourinhos-FATEC Ourinhos

Referências

ALEEM, S., HUDA, N., AMIN, R., KHALID, S., ALSHAMRANI, S., and ALSHEHRI, A. Machine learning algorithms for depression: Diagnosis, insights, and research directions. electronics 2022, 11, 1111, 2022.

BHATNAGAR, S., AGARWAL, J., and SHARMA, O. R. Detection and classification of anxiety in university students through the application of machine learning. Procedia Computer Science, 218:1542–1550, 2023.

BUDIYANTO, S.; SIHOMBING, H. C.; IM, F. R. Depression and anxiety detection through the closed-loop method using DASS-21. TELKOMNIKA (Telecommunication Computing Electronics and Control), Yogyakarta, v. 17, n. 4, p. 2087–2097, dez. 2019. Disponível em: https://doi.org/10.12928/telkomnika.v17i4.12619. Acesso em: 10 dez. 2025.

CONSELHO FEDERAL DE PSICOLOGIA. Resolução CFP nº 31, de 15 de dezembro de 2022. CFP. Brasília, DF, 2022. Disponível em: https://atosoficiais.com.br/cfp/resolucao-do-exercicio-profissional-n-31-2022-estabelece-diretrizes-para-a-realizacao-de-avaliacao-psicologica-no-exercicio-profissional-da-psicologa-e-do-psicologo-regulamenta-o-sistema-de-avaliacao-de-testes-psicologicos-satepsi-e-revoga-a-resolucao-cfp-no-09-2018. Acesso em: 10 dez. 2025.

COSTA, J. Ansiedade e depressão são os principais vilões da saúde mental. Senado Federal.Brasilia-DF, 28 nov. 2023. Disponível em: https://www12.senado.leg.br/institucional/sis/noticias-comum/ansiedade-e-depressao-sao-os-principais-viloes-da-saude-mental. Acesso em: 09 dez., 2025.

AMERICAN PSYCHIATRIC ASSOCIATION. Manual diagnóstico e estatístico de transtornos mentais: DSM-5-TR. 5. ed. rev. Tradução de D. Vieira, M. V. Cardoso e S. M. M. da Rosa; revisão técnica de J. A. de S. Crippa, F. de L. Osório e J. D. R. de Souza. Porto Alegre: Artmed, 2023.

GAO, S.; CALHOUN, V. D.; SUI, J. Machine learning in major depression: from classification to treatment outcome prediction. CNS Neuroscience&Therapeutics, v. 24, n. 11, p. 1037–1052, 2018. Disponível em: https://doi.org/10.1111/cns.13091. Acessoem: 10 dez. 2025.

GARG, P.; SANTHOSH, J.; DENGEL, A.; ISHIMARU, S. Stress detection by machine learning and wearable sensors. In: Proceedings of the 26th International Conference on Intelligent User Interfaces – Companion, p. 43-45. Disponívelem: https://doi.org/10.1145/3397482.3450732. Acessoem: 09 dez. 2025.

GAZI, A. H.; LIS, P.; MOHSENI, A.; OMPI, C.; GIUSTE, F. O.; SHI, W.; INAN, O. T.; WANG, M. D. Respiratory markers significantly enhance anxiety detection using multimodal physiological sensing. In:2021 IEEE EMBS International Conference on Biomedical and Health Informatics. IEEE, p. 1-4, 2021. Disponível em: https://www.researchgate.net/profile/Asim-Gazi/publication/353810047_Respiratory_Markers_Significantly_Enhance_Anxiety_Detection_Using_Multimodal_Physiological_Sensing/links/612e601d0360302a006f498c/Respiratory-Markers-Significantly-Enhance-Anxiety-Detection-Using-Multimodal-Physiological-Sensing.pdf. Acessoe m: 09 dez. 2025.

GIAKOUMIS, D.; DROSOU, A.; CIPRESSO, P.; TZOVARAS, D.; HASSAPIS, G.; GAGGIOLI, A.; RIVA, G. Using activity-related behavioural features towards more effective automatic stress detection. PLoS ONE, 7(9): e43571.Disponível em:https://doi.org/10.1371/journal.pone.0043571. Acesso em: 09 dez. 2025.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Internet chegou a 90% dos domicílios brasileiros no ano passado. IBGE, Brasília, DF, 2022. Disponível em: https://www.gov.br/pt-br/noticias/educacao-e-pesquisa/2022/09/internet-chegou-a-90-dos-domicilios-brasileiros-no-ano-passado. Acessoem: 10 dez. 2025.

JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. An introduction to statistical learning. Springer: New York, 2013. Disponível em: https://doi.org/10.1007/978-1-4614-7138-7. Acesso em: 09 dez. 2025.

KATSIS, C. D.; KATERTSIDIS, N. S.; FOTIADIS, D. I. An integrated system based on physiological signals for the assessment of affective states in patients with anxiety disorders. BiomedicalSignalProcessingandControl, v. 6, n. 3, p. 261–268, 2011. Disponível em: https://doi.org/10.1016/j.bspc.2010.12.001. Acesso em: 10 dez. 2025.

KUMARA, P.; GARG, S.; GARG, A. Assessment of anxiety, depression and stress using machine learning models. Procedia Computer Science, v. 171, p. 1989–1998, 2020. Disponível em: https://doi.org/10.1016/j.procs.2020.04.213. Acessoem: 10 dez. 2025.

LANTZ, B. Machine learning with R. Packt Publishing, 2015.

LEE, S.-J. et al. Genetic algorithm-based feature selection for depression scale prediction. In: proceedings of the genetic and evolutionary computation conference companion. New York: ACM, 2019. p. 65–66. Disponível em: https://doi.org/10.1145/3319619.3326779. Acesso em: 10 dez. 2025.

LOVIBOND, S. H.; LOVIBOND, P. F. Manual for the Depression Anxiety Stress Scales. 2 ed., Psychology Foundation of Australia, 1995.

MAITRE, J.; BERGERON-LECLERC, C.; MALTAIS, D.; GABOURY, S. Exploring anxiety of Quebec university community during COVID-19 pandemic via machine learning. In Proceedings of the 2022 ACM Conference on Information Technology for Social Good.Roma: ACM, 2022. p. 55–60. Disponível em: https://doi.org/10.1145/3524458.3547236.

Acesso em: 10 dez. 2025.

MARY, S. A.; JABASHEELA, L. An evaluation of classification techniques for depression, anxiety and stress assessment. In: Proceedings of the International Conference for Phoenixes on Emerging Current Trends in Engineering and Management (PECTEAM 2018), Atlantis Press, p. 64–69. Disponível em: https://www.atlantis-press.com/proceedings/pecteam-18/25893600. Acesso em: 09 dez. 2025.

MICROSOFT. Multiclass decision forest module reference. 2019a. Disponível em: https://learn.microsoft.com/en-us/previous-versions/azure/machine-learning/studio-module-reference/multiclass-decision-forest. Acesso em: 09 dez. 2025.

MICROSOFT.Multiclassdecisionjungle module reference. 2019b. Disponível em:https://learn.microsoft.com/en-us/previous-versions/azure/machine-learning/studio-module-reference/multiclass-decision-jungle, 2019b. Acesso em: 09 dez. 2025.

MICROSOFT.Multiclass neural network module reference.2019c. Disponível em:https://learn.microsoft.com/en-us/previous-versions/azure/machine-learning/studio-module-reference/multiclass-neural-network.Acessoem: 09 dez. 2025.

MUHAMMAD, F.; AL-AHMADI, S. Human state anxiety classification framework using

EEG signals in response to exposure therapy. PLOS ONE, v. 17, n. 3, p. e0265679, 2022. Disponível em: https://doi.org/10.1371/journal.pone.0265679. Acessoem: 09 dez. 2025.

PRIYA, A., GARG, S., & TIGGA, N. P. Predicting anxiety, depression and stress in modern life using machine learning algorithms. Procedia Computer Science, v. 167, p. 1258–1267, 2020. Disponível em: https://doi.org/10.1016/j.procs.2020.03.442. Acessoem: 09 dez. 2025. 2020.

WORLD HEALTH ORGANIZATION. World mental health report: transforming mental health for all. Geneva: WHO, 2022. Disponível em: https://www.who.int/publications/i/item/9789240049338. Acessoem: 10 dez. 2025.

YESUDAS, A. A machine learning framework to predict depression, anxiety and stress. 2022. 98 f. Dissertação (Mestradoem Master of Science in Data Analytics) – National College of Ireland, Dublin, 2022. Disponívelem: https://norma.ncirl.ie/5531/1/oritsejolomisanoneyor.pdf . Acesso em: 10 dez. 2025.

Downloads

Publicado

2026-01-26

Edição

v. 18 n. 2 (2025): RETEC - Revista de Tecnologias

Seção

Artigos