| dc.description.abstract | 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 | |
