Você está aqui: Página Inicial curitiba Estrutura do Câmpus Diretorias Diretoria de Pesquisa e Pós-Graduação Mestrado e Doutorado CPGEI Edital de Defesas 2014 CPGEI (Doutorado): Cecilia Haydée Vallejos de Schatz-18/02/14

CPGEI (Doutorado): Cecilia Haydée Vallejos de Schatz-18/02/14

Defesa Pública de Doutorado do Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
Quando 18/02/2014
das 14h30 até 18h30
Onde Sede Central: Sala B-205
Nome do Contato Prof. Fábio Kurt Schneider
Participantes Prof. Fábio Kurt Schneider, Dr., Orientador - UTFPR
Prof. Paulo José Abatti, Dr., Co-orientador - UTFPR
Banca examinadora:
Prof. Fábio Kurt Schneider, Dr. Presidente - UTFPR
Prof. Julio Cesar Nievola, Dr. - PUCPR
Prof. Márcia Ito, Dr. - Facultade de Tecnologia de São Paulo
Adicionar evento ao calendário vCal
iCal

Sistema inteligente para monitoramento e predição do estado clínico de paciente baseado em lógica fuzzy e redes neurais

Resumo: O conforto e a liberdade de movimentos de pacientes com doenças crônicas e que têm que ser continuamente monitorados é um tema que tem incentivado o desenvolvimento de novas tecnologias como as redes de sensores corporais sem fios (WBAN) e novas áreas de pesquisa como a telemedicina. Além disso, a incorporação de software inteligente que permite simular o raciocínio dos especialistas, auxiliar a eles na tomada de decisões e detectar com antecedência condições anormais ou tendência ao desenvolvimento de determinadas doenças abre um campo ainda maior de pesquisas, como o campo da Inteligência Artificial na Medicina (AIM). O monitoramento de pacientes por meio de equipamentos sem fios, junto com a tecnologia AIM permite desenvolver soluções fáceis para poder monitorar pacientes confortavelmente. Nesta tese foram pesquisadas técnicas inteligentes para o desenvolvimento de uma aplicação que permita monitorar cinco sinais vitais de pacientes sem que eles precisem usar leitos hospitalares. Em uma primeira etapa os procedimentos médicos tipicamente usados pelos especialistas para avaliar um paciente foram estudados e transformados em regras para o modelo fuzzy. O modelo fuzzy proposto permite analisar o estado clínico presente do paciente e criar as saídas desejadas (targets) que permitam treinar as redes neurais artificiais. Logo foi desenvolvido um modelo neural que, analisando os dados atuais e saídas anteriores do paciente, permite predizer o seu estado clínico futuro próximo. A fim de achar a metodologia mais precisa, seis redes neurais artificiais foram analisadas e comparadas umas às outras. As redes Elman MISO, Elman MIMO, e NNARX – totalmente conectadas e podadas – foram testadas. O modelo fuzzy teve um excelente resultado concordando com as respostas dadas pelos especialistas em um 99,76%. Logo de analisar as seis redes propostas, os resultados revelaram que únicamente a rede NNARX totalmente conectada pode oferecer a mais alta acurácia de 99,38%, enquanto os outros modelos degradam o seu desempenho em até um 29%. As técnicas de parada temprana para o treinamento junto com o a obtenção de valores médios de MSE, FPE e coeficientes de correlação conseguiram obter as melhores topologias de cada tipo de rede, fazendo desnecessária a poda das redes. No conjunto de dados de validação as redes NNARX e NNARX podada conseguiram resultados bem melhores que as redes restantes, mas a acurácia na rede NNARX podada observou uma diminuição em um 11% respeito à rede NNARX totalmente conectada. Finalmente, os resultados obtidos com a implementação do sistema inteligente proposto nesta tese, o melhor modelo de rede achado foi the Fuzzy-NNARX com uma acurácia de 98,28% para uma predição no tempo (t+1), utilizando os dados de 30 novos pacientes. Foram feitas mais provas com periodos de predição maiores e o sistema demostrou uma ligeira diminuiçãona acurácia, chegando a 93,47% para um tempo (t+60), mas ainda ficando na faixa dos 90%. Como conclusão, pode-se dizer que, para este caso particular, as redes NNARX capturam a essência do sistema dinâmico não-linear muito melhor do que as redes Elman MISO e MIMO. Os resultados demonstram que o modelo proposto Fuzzy-NNARX tem um excelente desempenho na predição dos três estados clínicos do paciente e pode ser usado como ferramenta para a medicina preventiva em pacientes crônicos.
Palavras-chave: Redes Neurais Artificiais. Fuzzy Logic. Redes Neurais Recorrentes. Redes Neurais Auto-Regressivas com entradas exógenas. Redes Elman.

Intelligent System for monitoring and predicting patients conditions based on Fuzzy Logic and Neural Networks

Abstract: The comfort and freedom of movements of patients that have to be continually monitored is a theme that has motivated the development of new technologies such as networks of wireless body sensors (WBAN) and new research areas such as telemedicine. In addition, the incorporation of intelligent software to simulate the reasoning of experts, assist them in decision making and in early detection of abnormal conditions or tendencies to develop certain diseases, opens an even larger field of research, as the field of Artificial Intelligence in Medicine (AIM its acronym in English). Patient monitoring through wireless equipment and AIM technology allows to develop easy solutions to control patients in environments outside of clinics or hospitals. In this thesis, intelligent tools were resaerched for the development of an application that permits monitoring of five vital signs of patients without them being present in the hospital bed. In a first step, typical medical procedures used by specialists for evaluating a patient were studied and transformed into rules for the fuzzy model. The proposed fuzzy model permits the analysis of the current state of the patient to create the desired outputs (targets) that permit training the artificial neural networks. Then, a neural model was developed which, by analysing current and historic patient data, permits forecasting of a patients’ clinical status in the near future. In order to find the most precise methodology, four artificial neural networks were analyzed and compared with each other using thousands of real patient data sets. Elman MISO, Elman MIMO and NNARX – fully connected and pruned – were tested. The fuzzy model answered in a excelent form, agreeing in 99.76% to the answers given by the experts. After analizing the six proposed networks, it was discovered that the fully connected NNARX can offer the highest overall accuracy of 99.38%, whereas the others show a decrease of up to 29%. Through techniques such as early stopping for the training with the search of the mean of MSE, FPE and correlation coefficients it was possible to achieve the best topologies of every network type, making the pruning of the networks unnecessary. In the validation dataset, the fully connected NNARX and the pruned NNARX achieved much better results than the other networks, but a decrease of 11% was observed in the overall accuracy of the pruned network with respect to the fully connected NNARX network. Finally, the results obtained with the implementation of the proposed smart system, the best scenario was found to be the Fuzzy-NNARX solution where an overall acuracy of 98.28%, for the prediction time (t+1), by using data of 30 new patients. More tests made with higher prediction periods demonstrate a slight decrease in the overall acuracy reaching up 93.47% for the prediction time (t+60). Nevertheless, it still remained over 90%. It can finally be said that for this particular case, NNARX networks capture the essence of the dynamic non-linear system much better than Elman MISO and MIMO. Results demonstrate that the Fuzzy-NNARX model proposed has a very good performance in predicting the three possible patient conditions, and it will become a useful tool for preventive medicine for chronic patients.
Keywords: Artificial Neural Network. Fuzzy Logic. Recurrent Neural Network. Neural Network Auto-Regressive model with eXogenous inputs. Elman Networks

Lista de publicações:
SCHATZ, C. V.; MEDEIROS, H.; SCHNEIDER, F.; ABATTI, P.; Wireless Medical Sensor Networks: Design Requirements and Enabling Technologies. Telemedicine Journal and e-Health (JCR), 2012,
doi:10.1089/tmj.2011.0169.

SCHATZ, C. V. ; SCHNEIDER, F. Intelligent and Expert Systems in Medicine - A Review. In: SABI 2011- XVIII Congreso Argentino de Bioingeniería, 2011, Mar del Plata. SABI 2011- XVIII Congreso Argentino de Bioingeniería y VII Jornadas de Ingeniería Clínica, 2011.

SCHATZ, C. V. ; MEDEIROS, H. ; SCHNEIDER, F.; ABATTI, P. Wireless Protocols for Ad-Hoc Medical Sensor Networks. Advanced Technology for Learning, 2011, DOI: 10.2316/P.2011.737-038

Ações do documento

registrado em: