Classificação automática de dor em neonatos através da segmentação de partes da face

• Autor(a) principal: Schumann Neto, Carlos Antônio
• Data de Publicação: 2021
• Outros Autores: Matano, David Mascarenhas, Chaves, Rafael Orejas
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da FEI
• Texto Completo: https://repositorio.fei.edu.br/handle/FEI/4434
• topic: neonato; dor; redes neurais convolucionais; detecção facial; neonate; pain; convolutional neural networks; face detection

Uma das formas de se avaliar a dor neonatal é através da análise da expressão facial, com avaliação da movimentação das regiões faciais. No entanto, a identificação da dor em recém-nascidos internados em Unidade de Terapia Intensiva Neonatal (UTIN), pode ser dificultada pela presença de aparatos em sua face, que são necessários para a manutenção da vida. Muitos trabalhos estão sendo desenvolvidos para avaliação da expressão facial de dor neonatal, mas o uso de aparatos na região facial inviabiliza a possibilidade de detecção automática da face e sua análise, justamente pela incapacidade de visualizar alguns pontos faciais. Diante disso, este trabalho visa aperfeiçoar o sistema automatizado de identificação de dor em neonatos, enquanto estes encontram-se em leitos ou incubadoras, possibilitando o diagnóstico da face de dor, estando o neonato com ou sem aparatos em sua face. Para isso, foi criado um sistema de segmentação facial utilizando redes neurais convolucionais treinadas e modificadas. Estas redes foram desenvolvidas a partir da utilização de um banco de dados da UNIFESP contendo imagens de neonatos sem artefatos médicos em seus rostos. Como etapas subsequentes há detecção facial, segmentação e extração das áreas de interesse da face e para finalizar foi feito o processo de data augmentation. Após essa série de etapas houve a criação do banco de dados para cada segmento de face utilizados para o treinamento das redes neurais convolucionais. Com os bancos de dados criados, as redes conseguiram classificar a dor com uma acurácia aproximada de 71,16% para o seguimento da boca e 76,74% para os seguimentos dos olhos.