REDES NEURAIS APLICADAS PARA CLASSIFICAÇÃO DE RISCO DE
QUEDA EM IDOSOS DISPONDO DE DADOS COLETADOS EM
UNIDADE DE MEDIÇÃO INERCIAL DURANTE APLICAÇÃO DA
ESCALA DE EQUILÍBRIO BERG
Dayana Laís Oliveira dos Santos(bolsista do PIBIC CNPq/UFPI), Hermes Manoel Galvão Castelo
Branco (Orientador, Departamento de Engenharia Elétrica, UFPI)
Palavras-chave: inteligência computacional; risco de queda; redes neurais.
1. INTRODUÇÃO
O envelhecimento da população já é um fato não só em países
desenvolvidos, mas no mundo como um todo, levando a uma série de
debates a respeito de como melhorar não só a expectativa de vida, mas
também o bem-estar e a qualidade de vida da população idosa. É
notável que as quedas são um problema recorrente, ocorrendo com
pelo menos um em cada três idosos com mais de 65 anos [Nukala, BT
et al], sendo essa a principal causa de lesões, disfunções
musculoesqueléticas, e imobilidade em idosos. Diversos fatores podem
estar associados ao risco de queda, no entanto, problemas de marcha
e equilíbrio são os mais comuns. Dessa forma, este trabalho tem o
intuito de utilizar algoritmos inteligência artificial de modo a classificar o
risco de queda em idosos, dispondo de dados obtidos de uma unidade
de medição incercial (acelerômetro e giroscópio) durante a aplicação da
Escala de Equilíbrio Berg (EEB).
2. METODOLOGIA
A realização deste trabalho contou com dados de 32 idosos voluntários,
que foram avaliados por testes de equilíbrio como a escala Berg e o
TUG test (Timed Up and Go test). Na fase de avaliação, 7 dos idosos
foram avaliados como com risco de queda, enquanto 25 foram
considerados sem risco de queda, pela escala de equilíbrio Berg.
Durante 4 dos exercícios da escala Berg, os voluntários vestiam uma
cinta contento acelerômetro e giroscópio de modo a colher os sinais
dos sensores. Os sinais coletados foram tratados utilizando o software
Matlab, no qual 10 características foram extraídas para cada exercício.
Por fim, obteve-se um conjunto de dados com 32 linhas e 240 colunas
(cada característica de cada exercício de cada eixo de cada sensor
triaxial). De modo a reduzir a dimensão da matriz de dados, aplicou-se
análise da componentes principais (PCA), reduzindo o número de
colunas de 240 para 10. Os 2 databases obtidos (original e reduzido)
foram utilizados em 2 arquiteturas de rede não supervisionada: K-
médias e mapas de Kohonen (ou mapas auto-organizáveis) e em uma
arquitetura supervisionada: Rede Perceptron multicamada.
3. RESULTADOS E DISCUSSÃO
Para análise dos resultados, comparou-se o desempenho das 3
arquiteturas entre si, bem como o uso ou não da análise das
componentes principais. Análises de sensibilidade e especificidade
também foram feitas. Para os algoritmos não supervisionados,
observaram-se bons resultados de sensibilidade, e resultados ruins de
especificidade, isto é, a maioria dos indivíduos com risco de queda
eram classificados corretamente, enquanto alguns indivíduos que não
possuíam risco de queda, eram classificados erroneamente. A tabela 1
mostra as acurácias obtidas:
Tabela 1: Resultados obtidos para os algoritmos não supervisionados
Database original Database Reduzido
Média Mínima Máxima Média Mínima Máxima
K-médias Sensibilidade 71,42% 57,14% 85,71% 86,67% 42,85%
Especificidade 41,6% 48,0% 36,0% 44,8% 40%
Mapas de Sensibilidade 88,57% 71,42% 100% 96,42% 71,42%
Kohonen Especificidade 38,4% 36,0% 40,0% 37,2% 36,0%
Semelhantemente ao algoritmo K-médias, os mapas de Kohonen
parecem classificar muito bem os idosos com risco de queda, chegando a
96,42% de acertos em média ao utilizar as componentes principais. No
entanto, a rede ainda apresenta dificuldades em identificar os idosos sem
risco de queda. A tabela 3 mostra os resultados encontrados com a rede MLP:
Tabela 2: Resultados obtidos com a rede MLP
Acurácia Database Database
original Reduzido
Média 79,37% 81,25%
Mínima 50% 62,5%
Máxima 100% 100%
4. CONCLUSÃO
Ao analisar a relação dos acertos com os indivíduos percebeu-se que os
algoritmos não supervisionados têm grande capacidade de identificar bem os
extremos, isto é, os indivíduos que com certeza possuem risco de queda e os
indivíduos que, definitivamente, não possuem risco de queda. Apesar de
resultados de especificidade pouco satisfatórios, o estudo mostrou grande
potencial das redes não supervisionadas em identificar os idosos com risco de
queda. Para a problemática abordada, é evidente que o principal objetivo é
diagnosticar corretamente os idosos que possuem risco de queda, ainda que
no processo alguns idosos sem problemas de equilíbrio sejam diagnosticados
erroneamente, apesar de não ser o ideal. Assim, o estudo aponta para uma
boa eficiência das Redes SONN para classificação do risco de queda, com
destaque para os mapas de Kohonen, devendo ser realizadas mais coletas de
dados, de modo a otimizar o aprendizado da rede.
5. REFERÊNCIAS
[1]Barros, I.F.O.de, Pereira, M.B., Weiller, T.H., & Anversa, E.T.R. (2015,
outubro-dezembro). Internações hospitalares por quedas em idosos brasileiros
e os custos correspondentes no âmbito do Sistema Único de Saúde. Revista
Kairós Gerontologia, 18(4), pp. 63-80
[2]Binder S. Injuries among older adults: the challenge of optimizing safety and
minimizing unintended consequences. Inj Prev 2002;8(suppl 4):iv2–4.
https://doi. org/10.1136/ip.8.suppl_4.iv2
[3]MARQUES, Heloisa et al. Escala de equilíbrio de berg: instrumentalização
para avaliar qualidade de vida de idosos. SALUSVITA, Bauru, v. 35, n. 1, p.
53-65, 2016.
[4]Nukala, BT et al. A Real-Time Robust Fall Detection System Using a
Wireless Gait Analysis Sensor and an Artificial Neural Network. In: Health
Innovations and Point-of-Care Technologies Conference, p. 219-222, 2014.
[5]Santos, A.M. et al. Usando Redes Neurais Artificiais e Regressão Logística
na Predição da Hepatite A. Rev Bras Epidemiol 2005; 8(2): 117-26
[6 ]SILVA, Ivan Nunes da; AMARAL, Wagner Caradori do; ARRUDA, Lúcia V.
R. de. Uma abordagem usando redes neurais artificiais para resolução de
100%
problemas de otimização restrita. Pesqui. Oper., Rio de Janeiro , v. 24, n. 2, p.
52%
285-302, Aug. 2004
100%
44,0%
6. APOIO
Um agradecimento à Universidade Federal do Piauí e ao CNPq, pela
infraestrutura e auxílio financeiro que possibilitaram a realização deste
trabalho.