ABSTRACT
Background: The sun is a natural source of electromagnetic radiation, upon which are found the ultraviolet (UV) rays, where only the types A and B are able to irradiate over the surface of the Earth in different proportions. Although the sun helps human skin in the formation of vitamin D, the mineralization of bones, and absorption of calcium and phosphorus in the organism, it can cause damage on the skin by prolonged exposure to UV radiation, generating adverse effects on human health like erythema formation, photo-toxicity, photo-allergy, idiopathic lesions, and photo-dermatitis, among others. This paper, shows the results of developing a prediction system of the exposure time of a person to UV rays coming from the sun, which can cause erythema on human skin, using the standards in UV index and the dose limits of radiation allowed for phototypes I and II, aiming to foresee the generation of these kind of lesions. This was made by the implementation of artificial intelligence algorithms like Deep Belief Networks and Backpropagation, based in the Deep Learning technique. These algorithms use as training parameters for the neural network, the meteorological data such as the sky clearness index, the radiation on the horizontal surface and average air temperature, supplied by the National Aeronautics and Space Administration (NASA). With the data, a neural network aiming to foresee the UV index for the following year of the data input was trained, in addition some mathematical regressions were applied allowing in this way, to obtain an approach to the behavior of the UV index along the day. Likewise, this information was used to estimate the maximum time of sun exposure, for the period of time contained between 6:00 a.m. and 6:00 p.m. This paper, also presents some conclusions based in the results found, which try to establish some important considerations in order to implement the neural networks.
Resumen: El sol es una fuente natural de radiación electromagnética, en la cual se encuentran presentes los rayos ultravioleta (UV), de los cuales solo los tipos A y B (de Paula Corrêa, 2005) pueden irradiar sobre la superficie de la tierra en distintas proporciones. Aunque el sol le ayuda a la piel en el proceso de formación de la vitamina D, además de favorecer la mineralización de los huesos, y la absorción de calcio y fosforo en el organismo, puede ocasionar daños sobre la piel ante exposiciones prolongadas a la radiación UV, generando efectos adversos sobre la salud humana como eritemas, foto toxicidad, foto alergia, lesio nes idiopáticas, foto dermatitis, entre otras. En este trabajo, se presentan los resultados del desarrollo de un sistema de predicción del tiempo de exposición de una persona, a rayos UV provenientes del sol, que pueden producir eritemas sobre la piel, utilizando la estandarización del índice ultravioleta y los límites de dosis de radiación permitidos para los fototipos cutáneos I y II, con el objetivo de prever la generación de este tipo de lesiones. Esto se realizó a través de la implementación de algoritmos de inteligencia artificial como Deep Belief Networks y Backpropagation, basados en la técnica de Deep Learning. Este algoritmo, utiliza como parámetros de entrenamiento para la red neuronal, los datos meteorológicos como el índice de cielo despejado, la radiación sobre la superficie horizontal de la tierra, y la temperatura promedio del día, provistos por National Aeronautics and Space Administration (NASA). Con estos datos se entrenó una red neuronal con el objeto de pronosticar el índice UV del año posterior a los datos de entrada, adicionalmente se aplicaron algunas regresiones matemáticas permitiendo de esta manera, obtener una aproximación al comportamiento del índice UV a lo largo del día. De igual manera, esta información se empleó para estimar los tiempos de exposición solar máximos, para el periodo de tiempo comprendido entre las 6:00 a.m. y las 6:00 p.m. En este artículo, también se presentan algunas conclusiones basadas en los resultados encontrados, las cuales tratan de establecer algunas consideraciones importantes para implementar este tipo de redes neuronales.