Sistema baropodométrico e classificação de escoliose utilizando técnicas de machine learning

• Ano de defesa: 2019
• Autor(a) principal: Castro Forero, Fabian Rodrigo [UNESP]
• Orientador(a): Carvalho, Aparecido Augusto de [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Escoliose; Baropodômetro; Aprendizado de máquina
• Palavras-chave em Inglês: Crosstalk; Scoliosis; Baropodometer; Machine learning
• Link de acesso: http://hdl.handle.net/11449/191635

A postura do corpo humano é o resultado da junção de sistemas ósseo, muscular e nervoso; no entanto, o segmento mais importante e estudado em pesquisas posturais é a coluna vertebral. Uma postura errada pode gerar desordens vertebrais, que dependendo da deformidade, pode ser classificada como escoliose, sendo ela uma deformidade tridimensional da coluna vertebral. Numerosos estudos mostraram que existem diferenças na distribuição de forças na região plantar e dados de estabilometria entre população diagnosticada com e sem escoliose. O equipamento indicado para realizar este tipo de pesquisa é o baropodômetro, que devido ao seu elevado custo, é pouco acessível para a maioria das instituições de saúde brasileiras. Assim, neste trabalho é apresentado, por um lado, o desenvolvimento e caracterização do sistema baropodométrico LiebScan System, que utiliza uma matriz piezoresistiva com 2304 sensels e circuito para controle de crosstalk. Foram utilizadas técnicas de aprendizado de máquina para explorar a correlação entre os dados baropodométricos, biométricos e de estabilometria, com o grau de desvio lateral, possibilitando desenvolver um classificador para o diagnóstico de escoliose totalmente inovador. O LiebScan System pode realizar avaliações baropodométricas estáticas, mensurando pressões na faixa 5-300 kPa, com acurácia de 6,02 % (RMSE%). Com frequência de amostragem máxima de 40 Hz, o sistema possibilita realizar avaliações de estabilometria. O circuito de controle crosstalk mostrou ser efetivo, apresentando erro de leitura médio de 0,23 %. As características técnicas do sistema LiebScan mostraram ser competitivas quando comparadas com as características de equipamentos comerciais. Em relação às técnicas de aprendizado de máquina utilizadas, a rede neural artificial do tipo multi layer perceptron com topologia [30--44--1] e algoritmo de treinamento trainscg mostrou ter o melhor rendimento com uma acurácia geral de 75 % de classificação. Por sua vez, a técnica de aprendizado support vector machine obteve uma acurácia geral de 74,89 %. Desta forma, estabeleceu-se que existe uma correlação entre as distribuições de força na região plantar, os dados biométricos, e os dados de estabilometria, com o grau do desvio lateral da coluna vertebral. No entanto, dita correlação não representa necessariamente causalidade, podendo haver mais fatores envolvidos.