Divulgação - Defesa Nº 239

Aluna: Mariana de Albuquerque Campos

Título: "Inteligência Artificial Explicável para suporte à decisão fisioterapêutica na análise da marcha humana em idosos."

Orientador: Fernando Buarque de Lima Neto (PPGEC)

Corientador: Rafael Rego Caldas (UPE)

Examinador Externo : Teresa Bernarda Ludermir - Doutora - (UFPE)

Examinador Interno : João Fausto L. de Oliveira (PPGEC)

Data-hora: 16/Agosto/2021 (10:00h) - PM
Local: Formato Remoto (meet.google.com/njy-fzep-sve)


Resumo:

A Fisioterapia busca encontrar tratamentos eficazes e diagnósticos precoces para que doenças motoras e neurodegenerativas não se desenvolvam e comprometam a vida da pessoa idosa. A marcha humana como tarefa motora sensorial proporciona diferentes análises, para avaliação física e cognitiva. Essas análises trazem consigo algumas dificuldades como a grande quantidade de recursos que demandam experiência dos profissionais de fisioterapia e custo elevado em materiais e aparelhos. Diante deste contexto, o objetivo desta pesquisa é indicar diferentes análises, para acompanhamento do progresso do paciente, global e individualmente. Além do mais, indicar métodos de explicação dos resultados e extração de variáveis mais significativas. Neste projeto, algoritmos de Inteligência Artificial (IA) e Inteligência Artificial Explicável (XAI) foram aplicados em dados cinéticos e cinemáticos da marcha humana com protocolos de exercício em tarefas simples e dupla para análises por períodos de intervenção e por grupos funcionais de avaliação, a fim de interpretar dos resultados dos algoritmos. A predição da idade do paciente foi utilizada a fim de comparação e escolha de um preditor para entrada em técnicas de XAI, onde foram utilizados o SHAP (SHappley Additive exPlanations) e o LIME (Local Interpretable Model-agnostic Explanations) para análise global e individual dos pacientes, respectivamente. Nos resultados obtidos, em análises por períodos de intervenção e pós intervenção do paciente, foram encontradas diferenças da importância das variáveis entre os períodos, indicando que a qualidade da intervenção não foi mantida. Na análise por grupos funcionais, o algoritmo de regressão lightGBM aplicado ao XAI mostrou visualizações de grupos formados para as variáveis mais importantes. Ao final dos experimentos, o SHAP possibilitou listar as variáveis mais importantes entre todos os dados, observou-se variáveis que poderiam ser descartadas nas análises por não exercerem influência nos resultados do modelo regressor. Além disso, os resultados mostraram-se promissores para a possibilidade da aplicação de XAI em análises dos dados para interpretação das decisões em análises por grupo e individual do paciente, em aplicações clínicas. Ademais, modelos regressores ainda mais robustos podem ser obtidos se essas análises clínicas forem consideradas.

Go to top Menu