Classificação da linguagem corporal de pacientes no leito utilizando aprendizado profundo

• Ano de defesa: 2025
• Autor(a) principal: Rivera, Fernando Pujaico
• Orientador(a): Rodrigues, Paulo Sérgio Silva
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Centro Universitário FEI, São Bernardo do Campo
• Palavras-chave em Português: CNN; Linguagem corporal; Monitoramento de pacientes
• Link de acesso: https://repositorio.fei.edu.br/handle/FEI/5823; https://doi.org/10.31414/EE.2025.T.132182

A comunicação humana envolve não apenas palavras, mas também elementos não verbais, como gestos, expressões faciais e postura corporal. Em contextos hospitalares, a análise dessas interações é especialmente relevante, pois a detecção precoce de comportamentos anormais em pacientes pode prevenir o agravamento de condições clínicas graves. No entanto, detectar automaticamente a linguagem corporal de pacientes acamados apresenta desafios significativos devido às variações de postura, expressões faciais e movimentos restritos no leito. Além disso, o desenvolvimento de sistemas robustos de detecção da linguagem corporal enfrenta dificuldades relacionadas à variedade e diversidade das fontes de informação, bem como às condições de coleta em ambientes reais. O problema computacional abordado nesta pesquisa consiste no desenho de um sistema de classificação automática de linguagem corporal mediante imagens de pacientes no leito, considerando ângulos de imagens em diferentes perspectivas, para categorizações precisas. Assim, para resolver este problema, o objetivo desta pesquisa é criar duas bases de dados, BER2024 com imagens em ambientes simulados e PER2024 com imagens em ambientes reais, além de um sistema de classificação multimodal que utilize aprendizado profundo. Este sistema emprega redes neurais convolucionais e totalmente conectadas para extrair características e classificar a linguagem corporal a partir de imagens digitais de diferentes perspectivas. Com este fim, várias arquiteturas de extratores de características foram testadas. O sistema analisa expressão facial, postura e imagens completas do corpo para identificar quatro estados distintos: dor, linguagem corporal negativa, positiva e neutra. Os resultados, mesmo num dataset pequeno, sugerem a eficácia dessa abordagem, com acurácias alcançando 96.47% e 92.51% nas bases de dados BER2024 e FULL2024 (BER2024 + PER2024), respectivamente. Dessa forma, os altos valores de acurácia obtidos, mesmo quando a informação nas bases de dados utilizadas aumenta em diversidade, mostram a robustez do sistema proposto e indicam direções promissoras para o aumento de estudos com dados de maior variabilidade. Finalmente, as bases de dados BER2024 e PER2024 também representam contribuições relevantes ao estado da arte, pois oferecem conjuntos inéditos e organizados de dados que podem ser utilizados em pesquisas futuras na área