Redes neurais convolucionais para avaliação de dor neonatal em imagens de face: uma análise quantitativa e qualitativa

• Autor(a) principal: Coutrin, Gabriel de Almeida Sá
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da FEI
• Texto Completo: https://repositorio.fei.edu.br/handle/FEI/4764; https://doi.org/10.31414/EE.2023.D.131609
• topic: Dor neonatal; Expressão facial; Rede neural convolucional

A 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