REDES NEURAIS APLICADAS PARA CLASSIFICAÇÃO DE RISCO DE QUEDA EM

IDOSOS DISPONDO DE DAADOS COLETADOS EM UNIDADE DE MEDIÇÃO

INERCIAL DURANTE APLICAÇÃO DA ESCALA DE EQUILÍBRIO BERG

Dayana Laís Oliveira dos Santos, discente (bolsista do PIBIC/CNPq UFPI), Hermes Manoel Galvão Castelo
Branco, docente (Orientador(a), Departamento de Engenharia Elétrica, UFPI)

Palavras-chave: Redes Neurais Artificiais; Mapas Auto-organizáveis; Risco de queda em idosos

INTRODUÇÃO

O processo de envelhecimento da população tem se tornado um fato cada vez mais aparente, tendo sido
constatado não só em países desenvolvidos, mas no mundo como um todo[RAMOS, L.R. et al], 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.

Nesse contexto, 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. Tais dados mostram que há urgência em buscar alternativas
não somente paliativas, mas também no sentido de evitar a recorrência destes episódios.

Diversos fatores podem estar associados ao risco de queda, no entanto, problemas de marcha e
equilíbrio são os mais comuns. Assim, diversos testes têm sido utilizados de modo a avaliar e prever o risco
de queda, tais como o Timed Up and Go test (TUG test), que consiste em o idoso se levantar de uma cadeira,
andar 3 metros em linha reta, se virar, retornar à cadeira e se sentar; e a escala de equilíbrio Berg (EEB), que
consiste em submeter o paciente a uma série de exercícios e avalia-lo de acordo com seu desempenho em
cada um [MARQUES et al, 2016 ].

Modelos de classificação baseados em inteligência artificial (IA) têm se mostrado grandes aliadas da
medicina, existindo diversos estudos que utilizam Redes neurais artificiais (RNAs), regressão logística, e
outras ferramentas no diagnóstico de doenças como câncer e hepatite [Santos, A.M. et al]. Dessa forma,
percebe-se que o uso de IA tem grande capacidade de classificação do risco de queda em idosos, uma vez que
retira o teor subjetivo existente nos testes comuns.

METODOLOGIA

O trabalho iniciou com uma etapa de coleta de dados, na qual um grupo de 32 idosos voluntários foram
avaliados pela escala de Equilíbrio Berg. Nesta etapa, ao fim dos 14 exercícios, 7 idosos foram diagnosticados
como com risco de queda e 25 foram diagnosticados como sem risco de queda. Paralelamente, durante 4
dos exercícios da EEB, os idosos foram orientados a vestir uma cinta contendo um acelerômetro e um
giroscópio triaxial de modo a colher os sinais dos sensores. Os 4 exercícios foram: permanecer em pé com
olhos abertos; permanecer em pé com olhos fechado por 1 minuto; virar-se e olhar para trás; e teste de
alcance funcional.

Os sinais coletados foram tratados no software Matlab a fim de extrair 10 características: centroide,
densidade espectral de potência, média ponderada, maior pico, maior vale, média simples, valor eficaz,
desvio padrão, variância e deslocamento. Ao fim, obteve-se uma matriz de dados de 32 linhas (referentes
aos 32 voluntários) e 240 colunas (referentes às 10 características obtidas em cada eixo dos sensores, para
cada um dos 4 exercícios).

A análise das componentes principais é uma técnica de análise que avalia as inter-relações entre as
variáveis, dessa forma, é possível reduzir a dimensão do conjunto de dados tendo uma perda mínima de
informação []. Utilizando a análise das componentes principais foi possível reduzir a dimensão do conjunto
de dados de 240 para 10 colunas de dados. Os dois conjuntos de dados (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.

O algoritmo K-médias é um tipo de arquitetura não supervisionada de agrupamento iterativo que tem
por critério básico de funcionamento as distâncias dos objetos ao centro de cada grupo [Pham DT et al, 2005].
Dessa forma, a classificação é feita de modo a agrupar as amostras mais próximas (isto é, com características
mais parecidas) dentro de um mesmo grupo, sendo a quantidade de grupos pré-estabelecida. Já os mapas
auto-organizáveis de Kohonen se trata de um algoritmo baseado em aprendizagem competitiva, capaz de
diminuir a dimensão dos dados, representando-os bidimensionamente [Murtagh. F, 1995]. Desse modo, as
amostras similares são posicionadas próximas umas das outras.

3. RESULTADOS E DISCUSSÃO

Inicialmente foi implementado o algoritmo k-médias, que consiste em agrupar as amostras com base
nas distâncias euclidianas entre elas. Dessa forma, as amostras mais próximas umas das outras são
consideradas similares e por fim são agrupadas juntas. A Tabela 1 mostra os resultados médios de
sensibilidade e especificidade obtidos após executar o código 20 vezes.
Tabela 1 - Resultados para o algoritmo K-médias.

Database original Database Reduzido

Média Mínima Máxima Média Mínima Máxima
Sensibilidade 71,42% 57,14% 85,71% 86,67% 42,85% 100%
Especificidade 41,6% 48,0% 36,0% 44,8% 40% 52%

Analisando a tabela 1 observa-se que o algoritmo k-médias tem facilidade para identificar os idosos
com risco de queda, agrupando-os no mesmo cluster quase sempre. No entanto, muitos idosos sem risco de
queda também são incluídos no mesmo cluster, resultando em uma especificidade insatisfatória. Ao
implementar K-médias com o database reduzido, notou-se uma melhora na sensibilidade, chegando a uma
média de 86,67%, no entanto, os valores mínimos de sensibilidade e especificidade diminuíram
substancialmente, indicando uma maior instabilidade da rede, ora acertando muito, ora acertando muito
pouco. Em seguida, o database original foi implementado ao algoritmo mapas de Kohonen. Os resultados
médios obtidos após executar o código 20 vezes são mostrados na Tabela 2:
Tabela 2 - Resultados para o algoritmo Mapas de Kohonen

Database original Database Reduzido

Média Mínima Máxima Média Mínima Máxima
Sensibilidade 88,57% 71,42% 100% 96,42% 71,42% 100%
Especificidade 38,4% 36,0% 40,0% 37,2% 36,0% 44,0%

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.

Por fim, implementou-se um algoritmo supervisionado de modo a comparar o desempenho com o

aprendizado não supervisionado. A rede MLP foi treinada com 24 das 32 amostras, enquanto 8 foram
utilizadas para teste. A tabela 3 mostra os resultados encontrados:
 Tabela 3 – Resultados obtidos para a rede MLP.

Acurácia Database Componentes

original principais
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 problemas de otimização restrita. Pesqui. Oper., Rio de Janeiro , v. 24, n. 2, p. 285-302, Aug.
2004

6. APOIO

Um agradecimento à Universidade Federal do Piauí e ao CNPq, pela infraestrutura e auxílio financeiro que
possibilitaram a realização deste trabalho.