Neste trabalho, buscou-se compreender a morfologia e os componentes do sinal da deglutição. Na busca desse entendimento diversas técnicas foram empregadas. No intuito de fazer marcações fidedignas em trechos específicos do sinal, o qual foi analisado simultaneamente com a imagem da videofluoroscopia da deglutição, considerado o melhor método atual na avaliação da dinâmica da deglutição. Os parâmetros numéricos utilizados para análise também foram abrangentes e com base em técnicas atuais de processamento de sinais, como emprego de transformada Wavelet. Quanto à classificação dos sinais, foram utilizados classificadores modernos como floresta de caminhos ótimos, máquinas de vetores de suporte, redes neurais artificiais e classificador Bayesiano, dando maior ênfase ao primeiro, por possuir um custo computacional bem menor quando comparado aos outros 3, e consequentemente convergindo mais rapidamente ao resultado. Foram avaliados 84 sinais, divididos em 2 grupos separados pela consistência do bolo alimentar oferecido (líquido e pastoso). Na distinção e/ou caracterização desses tipos foi definido um subconjunto com 4 variáveis que proporcionou uma boa acurácia na separação das classes representantes de cada tipo de bolo alimentar. / This work proposes to understand the morphology and the components of the swallowing signal. In pursuit of this understanding, a variety of techniques were employed. In order to make reliable markings on specific portions of the signal, the signal was examined simultaneously with videofluoroscopic swallowing, which is considered the best method in the evaluation of swallowing dynamics. The parameters used for numerical analysis were based on current signal processing techniques, such as: Wavelet transform, Optimum path forest, Support vector machines, Artificial neural networks and Bayesian classifier, emphasizing the first technique, due to a much lower computational cost when compared to the previous, and, consequently, the results converged much faster. Eighty four signals, divided into 2 groups separated by the consistency of food bolus offered (liquid and thickened), were evaluated. For distinction and/or characterization of such types, a subset with 4 variables was defined, providing a good accuracy in the separation of these classes representing each type of consistency of the food bolus.

Neste trabalho, buscou-se compreender a morfologia e os componentes do sinal da deglutição. Na busca desse entendimento diversas técnicas foram empregadas. No intuito de fazer marcações fidedignas em trechos específicos do sinal, o qual foi analisado simultaneamente com a imagem da videofluoroscopia da deglutição, considerado o melhor método atual na avaliação da dinâmica da deglutição. Os parâmetros numéricos utilizados para análise também foram abrangentes e com base em técnicas atuais de processamento de sinais, como emprego de transformada Wavelet. Quanto à classificação dos sinais, foram utilizados classificadores modernos como floresta de caminhos ótimos, máquinas de vetores de suporte, redes neurais artificiais e classificador Bayesiano, dando maior ênfase ao primeiro, por possuir um custo computacional bem menor quando comparado aos outros 3, e consequentemente convergindo mais rapidamente ao resultado. Foram avaliados 84 sinais, divididos em 2 grupos separados pela consistência do bolo alimentar oferecido (líquido e pastoso). Na distinção e/ou caracterização desses tipos foi definido um subconjunto com 4 variáveis que proporcionou uma boa acurácia na separação das classes representantes de cada tipo de bolo alimentar. / This work proposes to understand the morphology and the components of the swallowing signal. In pursuit of this understanding, a variety of techniques were employed. In order to make reliable markings on specific portions of the signal, the signal was examined simultaneously with videofluoroscopic swallowing, which is considered the best method in the evaluation of swallowing dynamics. The parameters used for numerical analysis were based on current signal processing techniques, such as: Wavelet transform, Optimum path forest, Support vector machines, Artificial neural networks and Bayesian classifier, emphasizing the first technique, due to a much lower computational cost when compared to the previous, and, consequently, the results converged much faster. Eighty four signals, divided into 2 groups separated by the consistency of food bolus offered (liquid and thickened), were evaluated. For distinction and/or characterization of such types, a subset with 4 variables was defined, providing a good accuracy in the separation of these classes representing each type of consistency of the food bolus.