Skip to content
Raul Mello Silva edited this page Oct 14, 2021 · 3 revisions

SPIRA LABXP - WIKI


    O SPIRA (Sistema de detecção precoce de insuficiência respiratória por meio de análise de áudio) é um projeto focado em criar um método de triagem baseado em áudio e inteligência artificial para a detecção de insuficiência respitória.

O nosso grupo da matéria LabXP de 2021 está encarregado de construir a API responsável pela interação com o modelo de inteligência artificial.


Tabela de Conteudo



Grupo


  • João Vitor Soares
  • Leonardo Meireles da Silva
  • Lucas Vilela Aleixo
  • Raul Mello Silva
  • Vitor Daisuke Tamae
  • Ygor Sad Machado

Ferramentas



Desenvolvimento


Preparação e decisões iniciais

    Para iniciarmos o projeto tivemos que estudar a pesquisa em que o SPIRA se baseia para compreender a lógica por trás do modelo com que estamos trabalhando e sobre como é feita a coleta de dados.

    O modelo de inteligência artificial foi construído em Python através da biblioteca PyTorch. Por questões de compatibilidade, optamos por também utilizar a linguagem Python para construir a API, utilizando a biblioteca Flask para o recebimento de requisições de inferência, que por sua vez são realizadas com o auxílio do próprio PyTorch. A ferramenta MongoDB é utilizada para o banco de dados de outros setores do projeto. Sendo assim, tendo em mente potenciais futuros planos de integração das aplicações, optamos por também utilizá-la para a nossa API.

    Houve a necessidade de pesquisar sobre as ferramentas visto que nenhum dos membros da equipe tiveram contato prévio com elas.

Construção da API

    Foi necessário compreender o funcionamento do código do modelo para que pudéssemos produzir uma inferência sobre os resultados obtidos, no entanto isso se mostrou um desafio muito maior do que esperado, devido à nossa falta de experiência trabalhando com modelos e a complexidade ímpar do código, causando diversas dúvidas sobre as configurações que deveriam ser usadas e como utilizar algumas funções do PyTorch.     

Futuros Passos


  • Dockerizar a aplicação
  • Implementação do armazenamento de resultados no banco de dados
  • Ajustes na inferência do modelo