Engenharia Elétrica
URI permanente desta comunidadehttps://repositorio.fei.edu.br/handle/FEI/21
Navegar
3 resultados
Resultados da Pesquisa
Tese Reconhecimento automatizado da dor por movimentos faciais de recém-nascidos internados em unidade de terapia intensiva neonatal(2024) Heiderich, Tatiany MarcondesRecém-nascidos internados em Unidades de Terapia Intensiva Neonatal (UTIN) frequentemente passam por procedimentos que causam dor. A presença de dispositivos médicos fixados à face do neonato dificulta a avaliação adequada da dor. Este estudo teve como objetivo desenvolver um método automatizado para reconhecer a dor em neonatos, mesmo em condições de visibilidade facial limitada. Foi proposto e implementado um arcabouço computacional utilizando técnicas atuais de processamento de imagens e de Inteligência Artificial para segmentar regiões faciais específicas e para classificar movimentos faciais indicativos de dor, sendo estes: boca aberta, boca estirada, sulco nasolabial aprofundado, fronte saliente e fenda palpebral estreitada. Com o uso de quatro bases de dados distintas e de referência na literatura afim, o método foi treinado, validado e testado, permitindo a análise apenas das áreas visíveis da face. Uma abordagem inovadora foi aplicada, atribuindo pesos diferenciados aos movimentos faciais mais relevantes, com maior pontuação para os movimentos de maior poder discriminatório, como o sulco nasolabial aprofundado. O método proposto demonstrou ser eficiente e confiável, apresentando na validação um F1 score de 83%, valor-p de McNemar de 0,146, e Kappa de Cohen de 0,668, resultados compatíveis e, em alguns aspectos, superiores aos métodos tradicionais, especialmente em condições de visibilidade parcial da face do neonato. Esta pesquisa não pretende substituir os métodos tradicionais, mas sim otimizá-los, oferecendo uma solução prática e robusta para os desafios do diagnóstico de dor em neonatos na UTIN. A combinação de análise segmentada da face, avaliação apenas das regiões visíveis e pontuações diferenciadas para movimentos faciais mais discriminantes posiciona este arcabouço como uma contribuição significativa e viável para a evolução do manejo da dor neonatal, promovendo uma avaliação mais objetiva e precisa em cenários clínicos complexos- Redes neurais convolucionais para avaliação de dor neonatal em imagens de face: uma análise quantitativa e qualitativa(2023) Coutrin, Gabriel de Almeida SáA experiência da dor, quando intensa ou repetitiva, pode prejudicar o desenvolvimento de recém-nascidos. Estima-se que, durante o período de internação de um recém-nascido em unidade de terapia intensiva neonatal, ocorram mais de 500 intervenções dolorosas, com eventual uso de analgesia, a qual também pode impactar o desenvolvimento da criança. Diante da incapacidade do neonato verbalizar sua dor, realizam-se estudos, procedimentos e tratamentos para identificação da presença de dor por meio da análise comportamental, principalmente pela mímica facial. No entanto, a aplicação clínica destas propostas para o reconhecimento da dor está sujeita às variações entre profissionais da saúde. Neste contexto, faz-se importante o desenvolvimento de soluções computacionais para a avaliação da dor neonatal com menor subjetividade. Na última década, Redes Neurais Convolucionais (CNNs) ganharam popularidade devido às diversas aplicações de sucesso em tarefas de reconhecimento de imagens. Portanto, o presente trabalho tem como objetivo investigar a aplicação de diferentes modelos de CNN para a classificação automática da dor neonatal a partir de imagens de face. Especificamente, foram implementados modelos das arquiteturas VGG-16, ResNet50, SENet50 e Inception-V3, utilizando o aprendizado por transferência, e da arquitetura N-CNN (Neonatal Convolutional Neural Network), o qual não foi previamente treinado. Duas bases de dados distintas foram utilizadas: iCOPE e UNIFESP. Em uma comparação experimental baseada não somente em resultados quantitativos (métricas de desempenho de classificação), mas também em uma análise qualitativa por meio de métodos de Inteligência Artificial Explicável, foi evidenciada a superioridade dos modelos pré-treinados com imagens de face, destacando as diferenças mais relevantes no tocante à interpretação das informações extraídas por cada modelo, bem como a necessidade de um maior conjunto de dados, um fator limitante para a aplicação de redes neurais neste problema
- Human vs machine towards neonatal pain assessment: a comparison of the facial features extracted by adults and convolutional neural networks(2023) Carlini, Lucas CarliniOne of the most important challenges of the scientific community is to mitigate the several consequences for neonates due to pain exposure. This challenge is mainly justified by the fact that neonates are not able to verbally communicate pain, hindering the correct identification of the presence and intensity of this phenomenon. In this context, several clinical scales have been proposed to assess pain, using, among other parameters, the facial features of the neonate. However, a better comprehension of these features is yet required, since some recent results have shown the subjectivity of these scales. Meanwhile, computational frameworks have been implemented to automate neonatal pain assessment. Despite their impressive performances, these frameworks still lack to understand the corresponding decision-making processes. Therefore, we propose to investigate in this dissertation the facial features related to the human and machine neonatal pain assessments, comparing the visual perceived regions by health-professionals experts and parents of neonates with the most relevant ones extracted by eXplainable Artificial Intelligence (XAI) methods using two classification models: (i) VGG-Face, trained originally in facial recognition, and (ii) N-CNN, implemented and trained end-to-end for neonatal pain assessment. Our findings show that the regions used by the classification models are clinically relevant to neonatal pain assessment, yet do not agree with the facial perception of healthprofessionals and parents. Consequently, these differences suggest that humans and machines can learn with each other in order to improve their current decision-making process of identifying the discriminant information related to neonatal pain. Additionally, we observed that, using the same classification model, the XAI methods implemented here yield distinct relevant facial features to the same input image. These results raise concerns about the effective use and interpretation of XAI methods, and, more importantly, what regions of the image are truly relevant to the decision-making process of the classification model. Nevertheless, our findings advance the current knowledge on how humans and machines code and decode the neonatal facial response to pain. We believe that these findings might enable further improvements in clinical scales and computation tools widely used in real situations, whether based on human or machine decision-making process