REDES NEURAIS CONVOLUCIONAIS E PADRÃO CPAQV 100 PARA ANÁLISE DO MOVIMENTO HUMANO

Guanis de Barros Vilela Junior, Carlos Henrique Prevital Fileni, Ricardo Pablo Passos

Resumo


Um dos tipos de redes neurais artificiais (RNA) mais utilizados para análise de imagens são as Redes Neurais Convolucionais (RNC). O objetivo deste artigo é propor a partir do modelo adotado pelo CIFAR, um padrão de super classes e classes para treinamento de RNC para análise do movimento humano chamado de CPAQV 100, desenvolvido por pesquisadores do Centro de Pesquisas Avançadas em Qualidade de Vida (CPAQV). Métodos: Foi adotado o padrão do Canadian Institute for Advanced Research - CIFAR) para o desenvolvimento do presente critério de super classes e classes para análise do movimento humano. Na primeira etapa foram definidas as 20 super classes que são grandes conjuntos de atividade física voluntária que apresentam características em comum, como, por exemplo, atividades aquática indoor. O principal critério para criação das super classes foi abranger o maior espectro de diferentes atividades físicas em vários cenários (atividades da vida cotidiana, mundo do trabalho, esportes em geral atividades recreacionais fisicamente ativas, etc.). As classes foram definidas a partir de três critérios: 1) ser atividade física locomotora voluntária; 2) Que o movimento do critério anterior sendo atendido seja praticado por centenas de milhares ou milhões de milhões de pessoas no mundo; 3) Que preferencialmente sejam esportes olímpicos ou que tenham competições mundiais. Resultados e Discussão: O CPAQV 100 apresenta a seguinte estrutura: 20 super classes, abrangendo o maior espectro possível, de atividades físicas voluntárias, sendo que o CPAQV 100 apresenta 20 classes e cada classe cinco categorias. Conclusão: uma vez definidas as super classes e classes, alcançamos o objetivo de abranger 100 diferentes tipos de atividades físicas, segundo os critérios previamente definidos. É evidente que trata-se da primeira etapa da construção de uma database sobre movimento humano voluntário, que certamente será ampliado nos próximos anos. Mas foi dado o primeiro passo.

Palavras-chave


banco de dados; movimento humano; redes neurais artificiais

Referências


Nogovitsyn et al. (2019). Testing a deep convolutional neural network for automated hippocampus segmentation in a longitudinal sample of healthy participants. NeuroImage. 197 589-597.

Thyreau et a. (2018). Segmentation of the hippocampus by transferring algorithmic knowledge for large cohort processing. Medical image analysis volume 43.

Yang et a. (2019). Identifying relations of medications with adverse drug events using recurrent convolutional neural networks and gradient boosting. Journal of the American Medical Informatics Association. 0(0), 2019, 1–8 doi: 10.1093/jamia/ocz144

Suganya et al. (2019). An efficient categorization of liver cirrhosis using convolution neural networks for health informatics. Cluster Computing. https://doi.org/10.1007/s10586-017-1629-2

Avci et al. (2020). Convolutional Neural Networks for Real-Time and Wireless Damage Detection. https://doi.org/10.1007/978-3-030-12115-0_17

Kiranyaz et al. (2019). 1-D Convolutional Neural Networks for Signal Processing Applications. IEEE 978-1-5386-4658-8/18/.

Cai et al. (2019). Effective and Efficient Dropout for Deep Convolutional Neural Networks. arXiv:1904.03392v3.

CIFAR - Canadian Institute for Advanced Research. (2020). https://www.cifar.ca/

Alawad et al. (2019).Automatic extraction of cancer registry reportable information from free-text pathology reports using multitask convolutional neural networks Journal of the American Medical Informatics Association, 0(0), 1–10

Hatamzadeh M, et al. (2019). A new method of diagnosing athlete’s anterior cruciate ligament health status using surface electromyography and deep convolutional neural network. Biocybern Biomed Eng (2019), https://doi.org/10.1016/j.

Sanderson et al. (2020). Predicting death by suicide using administrative health care system data: Can recurrent neural network, one-dimensional convolutional neural network, and gradient boosted trees models improve prediction performance? Journal of Affective Disorders. 264 107-114

Radhika, K. et al (2020). Performance Analysis of NASNet on Unconstrained Ear Recognition. In Studies in Computational Intelligence. Springer.

Oh et al. (2020). Convolutional neural network–based data recovery method for structural health monitoring. Structural Health Monitoring. 1–18 https://doi.org/10.1177/1475921719897571

Mohagheghi, S. et al. (2020). Improving the Performance of Deep CNNs in Medical Image Segmentation with Limited Resources. In Deep Learning in Healthcare.Chen, Y.W. (org.) Springer Nature Switzerland AG.

Demir et a. (2020). Convolutional neural networks based efcient approach for classification of lung diseases. 8:4 https://doi.org/10.1007/s13755-019-0091-3

Vilela Junior, G. B; (2020). Passos, R. P. (Org). Inteligência Artificial nas Ciências da Saúde. 1 ed. - Campinas, Editora CPAQV.

OBSERVAÇÃO: Os autores declaram não existir conflitos de interesse de qualquer natureza.

O pesquisador M.Sc Ricardo Pablo Passos é bolsista da CAPES.


Texto completo: PDF

Apontamentos

  • Não há apontamentos.