https://hdl.handle.net/1884/39829 Thu, 25 Jun 2026 04:07:32 GMT 2026-06-25T04:07:32Z https://hdl.handle.net/1884/105435 From sequences to structures : mathematical optimization applied to protein structure prediction Resumo: As proteínas são componentes fundamentais da vida, atuando como blocos de cons trução em diversos processos biológicos. Consequentemente, compreender a sua formação é um campo de amplo alcance e relevância. O problema de previsão da estrutura de proteínas (PSP) se baseia no uso da sequência linear dos aminoácidos e em funções matemáticas baseadas em física e biologia para determinar sua estrutura nativa, possuindo esta o mínimo de energia livre para garantir a estabilidade da confor mação. À vista disso, a principal contribuição dessa tese de doutorado é a execução de uma abordagem pioneira para PSP baseada em otimização matemática que utiliza o modelo de representação de proteínas AB off-lattice, o qual faz uso das características hidrofílicas dos aminoácidos para classificá-los e calcular suas posições. A formulação quebra o cenário energético de dobramento de proteínas, transformando a questão do PSP convencionalmente não linear em um problema de otimização bilinear (BL), uma vez que a natureza intrinsecamente não convexa do PSP continua sendo uma limitação que desafia a eficácia dos métodos de otimização global. Essa formulação foi obtida através da introdução de variáveis e restrições auxiliares que descrevem a relação complexa entre o espaço conformacional da proteína e seu cenário energético, introduzindo uma decomposição matematicamente estruturada que ainda não havia sido explorada neste contexto. Essa reformulação oferece um novo caminho para codificar padrões de interação, dependências geométricas e contribuições energéticas dentro de uma preposição algébrica tratável, permitindo a aplicação de ferramentas avançadas de programação matemática a um problema biofísico classicamente intra tável. Múltiplas abordagens usando heurísticas aparecem na literatura com sucesso variado em relação ao PSP; assim, o problema de otimização BL é comparado às metaheurísticas mais utilizadas para validar o método sugerido. O modelo BL proposto demonstrou notável precisão na identificação das conformações de energia mínima global em um conjunto de dados de referência fornecido pelo Protein Data Bank (PDB). Comparada aos métodos heurísticos tradicionais, a abordagem BL viabilizou soluções exatas, reduzindo a probabilidade de aprisionamento em mínimos locais, com melhor acurácia, especialmente quando testada em proteínas grandes e com custo compu tacional até cinco vezes menor do que o das metaheurísticas tradicionais. Essa tese destaca o potencial de reformular o problema tradicionalmente não linear de PSP; a transformação bilinear oferece um caminho para metodologias que podem determinar a solução global, desafiando os paradigmas atuais de PSP; Abstract: Proteins are fundamental components of life and act as building blocks in various bio logical processes. Consequently, understanding their formation is a field of broad scope and relevance. The protein structure prediction (PSP) problem is based on the use of the linear amino acid sequence that constitutes a protein and on mathematical functions based on physics and biology to determine its native structure, which holds the minimum free energy to guarantee the stability of the conformation. This process is essential to clarify the functions and actions of a protein. In light of this, the main contribution of this Doctoral thesis is the implementation of a pioneering approach to PSP based on mathematical optimization that uses the AB off-lattice protein representation model, which exploits the hydrophilic characteristics of amino acids to classify them and calcu late their positions. The formulation breaks the intricate energetic scenario of protein folding, reformulating the traditionally nonlinear PSP problem as a bilinear optimization problem, although the inherently highly non-convex nature of PSP continues to pose challenges for global optimization. The BL design was obtained through the estab lishment of auxiliary variables and constraints that describe the complex relationship between the protein’s conformational space and its energy landscape, introducing a mathematically structured decomposition that had not yet been explored in this context. This reformulation provides a novel pathway to encode interaction patterns, geomet ric dependencies, and energetic contributions within a tractable algebraic preposition, enabling the application of advanced mathematical programming tools to a classically intractable biophysical problem. Multiple approaches using heuristics appear in the literature with varying success in relation to the PSP; thus, the bilinear (BL) optimization problem is compared to the most widely used metaheuristics with the best results in the studied application to validate the suggested method. The proposed BL model demonstrated remarkable accuracy in identifying global minimum energy conformations in a reference dataset provided by the Protein Data Bank (PDB). Compared to traditional heuristic methods, the BL approach provided exact solutions, reducing the likelihood of local minima blockage, with satisfactory performance metrics, i.e., better accuracy, especially when tested on larger proteins (composed of more than 100 amino acids) and with a computational runtime cost up to five times lower than traditional metaheuris tics. This thesis highlights the potential to reformulate the traditionally non-linear PSP problem, as bilinear transformation offers a path to methodologies that can determine the global solution, challenging current PSP paradigms Orientador: Dr. Leandro dos Santos Coelho; Coorientador: Dr. Laio Oriel Seman; Banca: Leandro dos Santos Coelho (Presidente da Banca), Gideon Villar Leandro, Hamed Yazdanpanah e Roberto Zanetti Freire; Tese (doutorado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa : Curitiba, 24/02/2026; Inclui referências Thu, 01 Jan 2026 00:00:00 GMT https://hdl.handle.net/1884/105435 2026-01-01T00:00:00Z https://hdl.handle.net/1884/105206 Estimação de estados desacoplada para sistemas de distribuição e sistemas integrados T&D via método do Tableau Esparso de Hachtel Resumo: Em decorrência do aumento significativo de geração distribuída (GD) nos sistemas de distribuição e subtransmissão, novos desafios surgem na análise dos sistemas elétricos de potência, entre os quais se destaca a intensificação da interação entre os sistemas de transmissão e distribuição (T&D), decorrente do caráter cada vez mais ativo das redes de distribuição. Nesse contexto, este trabalho propõe uma metodologia para estimação de estados em sistemas T&D baseada em uma formulação restrita com informações a priori, solucionada pelo método do Tableau Esparso de Hachtel combinado a técnicas de desacoplamento, aliando a eficiência computacional e esta bilidade numérica. A abordagem emprega uma nova interpretação da normalização complexa por unidade (cpu), que possibilita a representação explícita de alimentadores ativos e o processamento conjunto dos subsistemas, mesmo diante de diferenças de parâmetros e níveis de relação X/R. Como contribuições complementares, este trabalho também apresenta um estimador de estados restrito desacoplado para sistemas de distribuição (SD) e a incorporação de uma estratégia processamento de erros gros seiros na estimação de estados irrestrita para SD baseada na extensão dos testes geométricos para os resíduos desacoplados. Tal estratégia de processamento de erros elimina a necessidade de sucessivas reestimações típicas de procedimentos tradicio nais, evidenciando a redução do esforço computacional. Para validar e demonstrar a eficiência e desempenho das metodologias propostas, rotinas computacionais foram implementadas e diversos testes e simulações conduzidos em diferentes SD e T&D, considerando a representação monofásica e trifásica da rede elétrica; Abstract: Due to the significant increase of distributed generation (DG) in distribution and sub transmission systems, new challenges have emerged in electric power system analysis, among which the intensification of the interaction between transmission and distribution (T&D) systems stands out, driven by the increasingly active nature of distribution net works. In this context, this work proposes a state estimation methodology for integrated T&D systems based on a constrained formulation with a priori information, solved through the Sparse Hachtel Tableau method combined with decoupling techniques, thus achieving both computational efficiency and numerical stability. The proposed approach employs a novel interpretation of complex per-unit (cpu) normalization, which enables the explicit representation of active feeders and the joint processing of subsystems, even in the presence of differences in parameters and X/R ratio levels. As comple mentary contributions, this work also presents a restricted decoupled state estimator for distribution systems (DS) and the incorporation of a gross error processing strat egy for unrestricted DS state estimation based on the extension of geometric tests to decoupled residuals. This error-processing strategy eliminates the need for succes sive re-estimations typically required by conventional procedures, thereby reducing the overall computational burden. To validate and demonstrate the effectiveness and performance of the proposed methodologies, computational routines were implemented and several tests and simulations were carried out on different DS and integrated T&D systems, considering both single-phase and three-phase network representations Orientadora: Profª Draª Elizete Maria Lourenço; Coorientador: Profº Dr Odilon Luis Tortelli; Banca: Elizete Maria Lourenço (Presidente da Banca), Camila dos Anjos Fantin, Roman Kuiava e Julio Cesar Stacchini de Souza; Tese (doutorado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa : Curitiba, 30/04/2026; Inclui referências Thu, 01 Jan 2026 00:00:00 GMT https://hdl.handle.net/1884/105206 2026-01-01T00:00:00Z https://hdl.handle.net/1884/105158 Enhancing detection in automotive environments with synthetic data and anonymization techniques Resumo: Esta pesquisa explora o uso de dados sintéticos e técnicas de anonimização para aprimorar e preservar a privacidade na detecção e segmentação de objetos no in terior de veículos, focando principalmente na detecção de pessoas e crianças. Um modelo de segmentação YOLOv9 foi treinado e avaliado em diversos cenários, in cluindo dados reais, dados sintéticos e dados reais anonimizados por meio de más caras semânticas e desfoque gaussiano. O objetivo foi avaliar como essas técnicas diferentes e transformações afetam o desempenho do modelo, especialmente em contextos relativos à privacidade. Para garantir uma análise abrangente e impar cial, adotou-se uma estratégia de validação cruzada com cinco divisões (five-fold cross-validation). O modelo foi treinado do zero utilizando a arquitetura GELAN C, e o desempenho foi avaliado com métricas padrão: precisão, recall, F1-score e acurácia, todas calculadas por classe. Essas métricas forneceram uma visão detalhada da capacidade do modelo em detectar e segmentar corretamente cada categoria de objeto, incluindo cadeirinhas de bebê, assentos elevados, pessoas e objetos em geral. Os resultados experimentais revelam que, apesar dos dados sin téticos serem eficazes, a combinação de dados reais e sintéticos tende a produzir melhor generalização. Além disso, a anonimização com uso de máscaras semânti cas preserva mais características do que o blur gaussiano, resultando em melhor acurácia do modelo. Isso sugere que a anonimização utilizando máscaras pode ser uma alternativa eficaz para preservar a privacidade sem comprometer significati vamente o desempenho. De modo geral, os resultados indicam que a aplicação de dados sintéticos e uso de técnicas de anonimização são ferramentas valiosas para o desenvolvimento de modelos de visão computacional robustos e que levam em consideração leis de privacidade em ambientes automotivos; Abstract: This research explores the use of synthetic data and anonymization techniques to enhance and preserve privacy in the detection and segmentation of objects inside vehicles, focusing mainly on the detection of people and children. A YOLOv9 segmentation model was trained and evaluated in several scenarios, including real data, synthetic data, and real data anonymized through semantic masks and Gaus sian blur. The objective was to evaluate how these different techniques and trans formations affect the model’s performance, especially in privacy-related contexts. To ensure a comprehensive and impartial analysis, a five-fold cross-validation strat egy was adopted. The model was trained from scratch using the GELAN-C archi tecture, and performance was evaluated with standard metrics: precision, recall, F1-score, and accuracy, all calculated per class. These metrics provided a detailed view of the model’s ability to correctly detect and segment each object category, including baby car seats, booster seats, people, and general objects. The exper imental results reveal that, although synthetic data is effective, the combination of real and synthetic data tends to produce better generalization. Furthermore, anonymization using semantic masks preserves more features than Gaussian blur, resulting in better model accuracy. This suggests that anonymization using masks can be an effective alternative for preserving privacy without significantly compro mising performance. Overall, the results indicate that the application of synthetic data and the use of anonymization techniques are valuable tools for developing robust computer vision models that take privacy laws into account in automotive environments Orientador: Prof. Dr. Eduardo Gonçalves de Lima; Banca: Eduardo Gonçalves de Lima (Presidente da Banca), Luis Schuartz e Juan Camilo Castellanos Rodriguez; Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa: Curitiba, 19/12/2025; Inclui referências; Área de concentração: This research explores the use of synthetic data and anonymization techniques to enhance and preserve privacy in the detection and segmentation of objects inside vehicles, focusing mainly on the detection of people and children. A YOLOv9 segmentation model was trained and evaluated in several scenarios, including real data, synthetic data, and real data anonymized through semantic masks and Gaus sian blur. The objective was to evaluate how these different techniques and trans formations affect the model’s performance, especially in privacy-related contexts. To ensure a comprehensive and impartial analysis, a five-fold cross-validation strat egy was adopted. The model was trained from scratch using the GELAN-C archi tecture, and performance was evaluated with standard metrics: precision, recall, F1-score, and accuracy, all calculated per class. These metrics provided a detailed view of the model’s ability to correctly detect and segment each object category, including baby car seats, booster seats, people, and general objects. The exper imental results reveal that, although synthetic data is effective, the combination of real and synthetic data tends to produce better generalization. Furthermore, anonymization using semantic masks preserves more features than Gaussian blur, resulting in better model accuracy. This suggests that anonymization using masks can be an effective alternative for preserving privacy without significantly compro mising performance. Overall, the results indicate that the application of synthetic data and the use of anonymization techniques are valuable tools for developing robust computer vision models that take privacy laws into account in automotive environments Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/1884/105158 2025-01-01T00:00:00Z https://hdl.handle.net/1884/102096 Abordagens de inferência causal e aprendizado de máquina na otimização de alertas de deterioração clínica Resumo: Instituições hospitalares enfrentam o desafio crítico da identificação precoce de sinais clínicos de deterioração em pacientes internados em suas instalações. Embora existam soluções baseadas em aprendizado de máquina (ML) para monitoramento clínico, a maioria delas opera sob uma lógica estritamente correlativa, sem distinguir relações de causa e efeito, e que pode comprometer a interpretabilidade dos modelos e reduz a confiabilidade dos alertas. Esta dissertação propõe a integração de inferência causal computacional a técnicas de aprendizado de máquina, com o objetivo de superar essa limitação e aprimorar a compreensão dos fatores que levam à deterioração clínica. O objetivo consiste em modelar relações causais entre variáveis fisiológicas coletadas de pacientes hospitalizados, utilizando uma base de dados real proveniente de um sistema de inteligência clínica, com o propósito de identificar fatores diretamente associados à deterioração clínica e ao risco de óbito. A metodologia incluiu etapas de préprocessamento dos dados, modelagem causal e avaliação estatística dos efeitos estimados, complementadas por uma análise de interpretabilidade para validar a influência das variáveis mais relevantes do conjunto de dados. Os resultados demonstraram que a abordagem causal identificou fatores com impacto direto e estatisticamente significativo sobre o desfecho de óbito, como idade e internações em unidades de terapia intensiva, além de revelar variações de efeito entre subgrupos etários e condições hemodinâmicas associadas aos pacientes. As evidências reforçam o potencial da abordagem proposta para aprimorar sistemas de alerta clínico, oferecendo suporte à decisão médica baseado em relações de causa e efeito; Abstract: Hospitals face the critical challenge of early identification of clinical deterioration in hospitalized patients. Although machine learning (ML) based solutions are widely used for clinical monitoring, most operate under strictly correlative logic, without distinguishing cause-and-effect relationships, which can compromise model interpretability and reduce the reliability of alerts. This dissertation proposes the integration of computational causal inference with machine learning techniques to overcome this limitation and enhance the understanding of the factors leading to clinical deterioration. The objective is to model causal relationships among physiological variables collected from hospitalized patients, using a real dataset derived from a commercial clinical intelligence system, in order to identify factors directly associated with clinical deterioration and mortality risk. The methodology included data preprocessing, causal modeling, and statistical evaluation of the estimated effects, complemented by an interpretability analysis to validate the influence of the most relevant variables in the dataset. The results demonstrated that the causal approach identified factors with a direct and statistically significant impact on patient mortality—such as age and intensive care unit admission—while also revealing variations in effect across patient age subgroups and different hemodynamic conditions. The findings highlight the potential of the proposed approach to enhance clinical alert systems, providing medical decision support based on true cause-and-effect relationships Orientador: Leandro dos Santos Coelho; Banca: Leandro dos Santos Coelho (Presidente da Banca), Gideon Villar Leandro, Roberto Zanetti Freire, Luiz Henrique Assumpção Lolis; Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa : Curitiba, 23/02/2026; Inclui referências Thu, 01 Jan 2026 00:00:00 GMT https://hdl.handle.net/1884/102096 2026-01-01T00:00:00Z