Reconhecimento e recomendação de hábitos alimentares de pacientes diabéticos do tipo 2

• Autor(a) principal: Silva, João Carlos Campos Moreira da
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.22/21723
• topic: Diabetes Tipo 2; Machine Learning; Redes Neuronais Convolucionais; Reconhecimento Alimentar; Type 2 Diabetes; Machine Learning; Convolutional Neural Networks; Food Recognition

As doenças relacionadas com a alimentação são um dos principais problemas de saúde pública, sendo a DM2 uma das principais doenças. Esta é uma doença crónica caracterizada por apresentar uma resistência à insulina, levando a um aumento dos níveis de glicose sanguínea, e que pode trazer problemas graves para os pacientes. Embora não exista uma cura, um estilo de vida saudável pode ser suficiente para a controlar. Desta forma o controlo da alimentação pode trazer francas melhorias à qualidade de vida destas pessoas, sendo que o desenvolvimento das tecnologias veio oferecer novos meios para tornar este processo mais rápido, simples e cómodo face aos métodos tradicionais. Assim, os objetivos do presente trabalho passam pelo desenvolvimento de um sistema, simples e intuitivo, que seja capaz de identificar uma refeição a partir de uma foto da mesma, e determinar os valores nutricionais dessa mesma refeição. Para tal, recorreu-se a métodos de machine learning para tentar desenvolver um sistema com estas características. O modelo proposto é baseado em RNC combinadas com métodos de transfer learning, sendo que para o desenvolvimento do mesmo recorreu-se a 5 classes da base de dados ETHZ Food-101. O sistema desenvolvido comtempla ainda um modelo para identificar e dar feedback da informação nutricional relativa às refeições da pessoa. Nos testes realizados ao modelo obtiveram-se bons resultados a nível de performance, de tal forma que pudesse considerar que o modelo desenvolvido é capaz de realizar previsões com elevada exatidão, mesmo com uma resolução reduzida, para as 5 classes usadas. Embora seja difícil comparar os resultados obtidos com outras abordagens presentes na literatura foi possível verificar que as RNC são o melhor método para este tipo de sistema.