REDES NEURAIS RECORRENTES: APLICABILIDADE NA ANÁLISE DO MOVIMENTO HUMANO E NA SAÚDE

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 Recorrentes (RNR). Este artigo de revisão teve como objetivo mostrar como uma rede neural recorrente pode ser aplicada na área da saúde. Métodos: a busca pelos artigos foi realizada nas bases Scopus, ScienceDirect, PubMed, IEEE Xplore e google scholar, durante o mês fevereiro de 2020 com a seguinte sintaxe para os unitermos: Recursive Neural Network AND Human Movement. Foram encontrados 16 artigos que contemplavam os critérios de inclusão e exclusão, publicados entre 2011 e 2020. Resultados e discussão: As RNR são amplamente utilizadas no reconhecimento de caracteres e produção de textos de elevada qualidade; na identificação e estadiamento de doenças neurológicas como Parkinson e Alzheimer; na análise do movimento humano em situações esportivas ou não; no monitoramento de ecossistemas como florestas e plantações, vitais para a sobrevivência humana, dentre outros. Conclusão: concluímos que são enormes as possibilidades de aplicação das mesmas nos mais diferentes contextos. Isto acontece especialmente em relação à análise do movimento humano. O desafio está posto à ortopedia, educação física, fonoaudiologia, fisioterapia e áreas afins.

Palavras-chave


Redes Neurais Artificiais Recorrente, Saúde, Movimento Humano

Referências


VILELA JUNIOR, G.B. (2020). Passos, R. P. (Org). Fundamentos das Redes Neurais Recorrentes. in Inteligência Artificial na área da Saúde. Campinas: Editora CPAQV. Cap.6.

KUTAFINA, E., BECHTOLD, I., KABINO, K., & JONAS, S. M. (2019). Recursive neural networks in hospital bed occupancy forecasting. BMC medical informatics and decision making, 19(1), 39.

LI, J. (2014). Feature weight tuning for recursive neural networks. arXiv preprint arXiv:1412.3714.

GRAVES, A. (2013). Generating sequences with recurrent neural networks. arXiv preprint arXiv:1308.0850.

SUTSKEVER, I., MARTENS, J., & HINTON, G. E. (2011). Generating text with recurrent neural networks. In Proceedings of the 28th international conference on machine learning (ICML11) (pp. 1017-1024).

T. WIIK et al (2019)., “Predicting Peek Readiness-to-Train of Soccer Players Using Long Short-Term Memory Recurrent Neural Networks,” 2019 International Conference on Content-Based Multimedia Indexing (CBMI), Dublin, Ireland, pp. 1-6.

KYLE D. PETERSON (2018). Recurrent Neural Network to Forecast Sprint Performance, Applied Artificial Intelligence, 32:7-8, 692-706,

FOK, W. W., CHAN, L. C., & CHEN, C. (2018, November). Artificial intelligence for sport actions and performance analysis using recurrent

neural network (RNN) with long short-term memory (LSTM). In Proceedings of the 2018 4th international conference on robotics and artificial intelligence (pp. 40-44).

VILELA JUNIOR, G. B; (2020). PASSOS, R. P. (Org). Redes Neurais Convolucionais. In Inteligência Artificial nas Ciências da Saúde. 1 ed. -

Campinas, Editora CPAQV.

CATINI et al. (2019). Development of a Sensor Node for Remote Monitoring of Plants. Sensors, 19, 4865.

KANG et al. (2019). Prediction of cognitive impairment via deep learning trained with multicenter neuropsychological test data. BMC Medical Informatics and Decision Making 19:231.

MATARAZZO et al. (2019). Remote Monitoring of Treatment Response in Parkinson’s Disease: The Habit of Typing on a Computer .Movement Disorders, Vol. 34, No. 10.

DUC et al. (2020). 3D-Deep Learning Based Automatic Diagnosis of Alzheimer’s Disease with Joint MMSE Prediction Using Resting-State fMRI.

Neuroinformatics 18:71–86.

TANANA et al. (2017). A Comparison of Natural Language Processing Methods for Automated Coding of Motivational Interviewing. J Subst Abuse Treat. 2016 June ; 65: 43–50.


Texto completo: PDF

Apontamentos

  • Não há apontamentos.