A Convolutional Neural Network-based Mobile Application to Bedside Neonatal Pain Assessment

Redes neurais convolucionais para avaliação de dor neonatal em imagens de face: uma análise quantitativa e qualitativa

“…Dessa forma, nos últimos 10 anos principalmente, têm surgido estudos destinados ao desenvolvimento de sistemas computacionais para a avaliação automática e contínua da dor neonatal (BRAHNAM et al, 2005(BRAHNAM et al, , 2006HEIDERICH, 2013;THOMAZ, 2018;ZAMZMI et al, 2017ZAMZMI et al, , 2018ZAMZMI et al, , 2019cSALEKIN et al, 2019bSALEKIN et al, , 2020CARLINI et al, 2021).…”

“…Mais recentemente e no escopo do aprendizado profundo, Zamzmi et al (2018Zamzmi et al ( , 2019c, Buzuti et al (2020) e Carlini et al (2021) propuseram metodologias para a aplicação de redes neurais convolucionais (CNN) pré-treinadas na tarefa em questão, demonstrando alta acurácia na classificação da presença ou ausência de dor por meio das expressões faciais. Adicionalmente, Zamzmi et al (2019c,b) apresentaram a primeira rede neural convolucional confeccionada e treinada exclusivamente para a detecção de expressões faciais de dor em RNs.…”

“…Neste contexto, escalas de avaliação de dor têm sido propostas para identificar a dor neonatal e usam, entre outros parâmetros, a avaliação dos movimentos faciais do RN (GRUNAU; JOHNSTON; CRAIG, 1990). Dessa forma, permite-se a investigação e criação de métodos de avaliação, baseados em Inteligência Artificial (IA) e imagens de faces, não-invasivos e mais específicos ao fenômeno doloroso, possibilitando o acompanhamento automático do RN e uma melhor compreensão desta experiência negativa enfrentada pelo neonato (HEIDERICH, 2013;TERUEL et al, 2018;BRAHNAM et al, 2019;CARLINI et al, 2021).…”

“…Até o presente momento, diversos trabalhos propuseram soluções baseadas em diferentes arquiteturas de CNN que alcançaram elevada acurácia de classificação (ZAMZMI et al, 2018(ZAMZMI et al, , 2019cBUZUTI et al, 2020;CARLINI et al, 2021;SALEKIN et al, 2019b). Entretanto, estes estudos foram realizados com diferentes protocolos de treinamento e teste e com bases de dados distintas, consequentemente, evitando a direta comparação do desempenho destas arquiteturas.…”

“…Com o intuito de amenizar a falta de dados, esta dissertação empregou a união de dois bancos de imagens de face de RNs, o iCOPE e o banco da UNIFESP, além de um processo de data augmentation. Esta união foi inicialmente proposta emCarlini et al (2021), que demonstrou que a rede VGG-16 treinada com a junção das bases possui maior 90 acurácia e capacidade de generalização que os modelos treinados com as bases separadamente.No entanto, há que se comentar uma possível incompatibilidade entre as bases. As imagens do iCOPE possuem resolução de 3008x2000, enquanto as da UNIFESP apresentam resolução de 320x233, ou seja, espera-se que amostras do iCOPE forneçam uma quantidade maior de informações relevantes para a classificação das expressões de dor.…”