AVALIAÇÃO DA DATAÇÃO DE IMPRESSÕES DIGITAIS POR IMAGENS
impressão digital, envelhecimento, NIR-HSI, quimiometria.
A impressão digital é uma evidência comum e amplamente utilizadas para auxiliar na resolução de crimes. Estimar há quanto tempo esse vestígio foi deixado na cena de crime representaria um enorme ganho para a investigação criminal. Conforme a impressão latente envelhece são observadas tanto mudanças químicas relativas à degradação e proporção relativa de substâncias secretadas por glândulas cutâneas como também mudanças físicas relativa à morfologia das cristas. Tendo em vista a escassez de um método analítico confiável para estimar a idade de uma impressão digital, o presente estudo objetiva agregar as variações temporais das características químicas e físicas, simultaneamente, por meio de imagens hiperespectrais no infravermelho próximo (HSI-NIR) a fim de criar um método robusto, rápido, confiável e não-destrutivo, capaz de estimar a quanto tempo uma impressão digital latente foi deixada como marca numa cena de crime. Para tanto, foram analisados o perfil de 13 doadores voluntários, que tiveram suas impressões digitais coletadas para construção de um padrão de envelhecimento individual, bem como a análise de dias de teste e teste cego. A estimativa de tempo foi realizada por meio de técnica quimiométrica de classificação, para isso, quatro diferentes modelos de Análise Discriminante por Mínimos Quadrados Parciais (PLS-DA), avaliando diferentes agrupamentos de dias, foram executados. Para o modelo 1, que buscou estimar o dia exato que a IDL foi depositada, 20,56% das amostras de previsão foram corretamente classificadas. Já o modelo 2 abordou períodos de tempo mais flexíveis, alcançando 36,54% de acerto nas amostras de previsão. O terceiro modelo, por sua vez, avaliou uma variação do modelo 2 excetuando-se a região espectral relacionada a umidade visando excluir a possível variação de umidade como um fator ambiental, entretanto a porcentagem de acerto foi de 35,26% e, portanto, essa abordagem não apresentou melhorias ao modelo. O último modelo executado, 4, mostrou-se o mais eficiente, classificando corretamente 39,10% das amostras de previsão, para tanto o período de envelhecimento em estudo foi subdivido em dias mais recentes e dias mais envelhecidos.