UMA PROPOSTA PARA AUXÍLIO NO PRÉ-DIAGNÓSTICO DO TEA ATRAVÉS DA CLASSIFICAÇÃO DE IMAGENS FACIAIS BIDIMENSIONAIS ESTÁTICAS UTILIZANDO DEEP LEARNING
Nenhuma Miniatura disponível
Arquivos
Data
2022-08-31
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
O número de pessoas diagnosticadas com transtorno do espectro autista (TEA) vem
aumentando significativamente. Em decorrência disso, somado a fatores socioeconômicos,
o acesso ao tratamento precoce tem se tornado restrito, reduzindo os potenciais ganhos
advindos dessa intervenção e aumentando os gastos familiares e sociais em decorrência
de intervenções tardias. Alternativas viáveis para contornar problemas relacionados ao
TEA nesse contexto podem residir em soluções computacionais móveis pelo seu caráter
acessível. Em observância a isso, este trabalho propõe uma solução para auxílio ao prédiagnóstico
do TEA de forma não invasiva e de baixo custo. Para tanto, apoia-se em
técnicas e conceitos de aprendizado de máquina (AM), mais especificamente de aprendizado
profundo, para a geração de modelos que possam apoiar a implementação de soluções
computacionais móveis. Assim, foram avaliadas neste trabalho 5 arquiteturas de redes
neurais convolucionais (CNNs) no treinamento de modelos para classificação binária
do TEA, utilizando como entrada imagens faciais bidimensionais estáticas. Trabalhos
semelhantes analisados na literatura utilizaram tipos de imagens que inviabilizam sua
utilização massiva em decorrência da necessidade de equipamentos específicos e nem sempre
acessíveis, além de invasivos, comprometendo a espontaneidade nos resultados. Destarte,
há poucos sistemas para auxiliar na identificação do TEA desenvolvidos que possam de
fato ser usados na prática. Dentre as 5 arquiteturas CNNs utilizadas, destacaram-se a
MobileNet e a DenseNet201. Os resultados obtidos a partir delas atingiram, nos melhores
casos, a média de 90.7% de acurácia com cada uma dessas 2 arquiteturas, e desvio padrão
de 0.68% e 1.64%, respectivamente. Resultados de execuções individuais chegaram nos
melhores casos a 93.5% de acurácia com a DenseNet201.
ABSTRACT
The number of people with autism spectrum disorder (ASD) has been increasing signifi-
cantly. As a result, in addition to socioeconomic factors, access to treatment has become
restricted, reducing the potential gains from this intervention. tion and increasing family
and social expenditures as a result of late interventions. Viable alternatives to circumvent
problems related to ASD in this context may reside in mobile computing solutions due to
their accessible character. In compliance with this, this work proposes a solution to aid the
pre-diagnosis of ASD in a non-invasive and low-cost way. To do so, it relies on machine
learning (ML) techniques and concepts, more specifically deep learning, to generate models
that can support the implementation of mobile computing solutions. Thus, in this work,
5 architectures of convolutional neural networks (CNN) were evaluated in the training
models for binary classification of ASD, using static two-dimensional images as input.
Similar works analyzed in the literature use types of images that make their massive use
unfeasible due to the need specific equipment and not always accessible, in addition to
being invasive, compromising the spontaneity of the results. Thus, there are few systems
to assist in the identification of ASD developed that can actually be used in practice.
Among the 5 CNNs architectures used, MobileNet and DenseNet201 stood out. The results
obtained from them in these preliminary evaluations reached, in the best cases, the average
of 90.7% accuracy and standard deviation of 0.68% and 1.64%, using the architectures
respectively CNNs MobileNet and DenseNet201. Results of individual runs reached the
best cases to 93.5% of accuracy with each of these 2 architectures, and standard deviation
of 0.68% and 1.64%, respectively. Results from individual runs arrived in the best cases at
93.5% accuracy with DenseNet201.
Descrição
Examinador: Prof. Dr. Kelson Rômulo Teixeira Aires
Examinador externo: Prof. Dr. Anselmo Cardoso de Paiva
Examinador interno: Prof. Dr. André Castelo Branco Soares
Examinador interno: Prof. Dr. Vinícius Ponte Machado