Ai based motion analysis software for sport and physical therapy assessment / Software de análisis de movimiento basado en ia para la evaluación del deporte y la fisioterapia / Software de análise de movimento baseado em ia para avaliação de esporte e fisioterapia

ABSTRACT Introduction: As the World Health Organization declared the novel coronavirus as a pandemic in March 2020, physical therapy is more difficult to execute, and social distancing is mandatory in the healthcare sector. Objective: In physical therapy, an online video analysis software that provides real-time graphic and numerical information about the patient's movement executions without direct personal contact would mean a significant improvement in eHealth treatment. Methods: We have developed a software layer on top of OpenPose human body position estimation software that can extract the time series of angles of arbitrary body parts using the output coordinates from OpenPose processing the data recorded by two cameras simultaneously. To validate the procedure of determining the joint angles using the Openpose software we have used the Kinovea software. Results: The comparison of the determined maximal knee angle in our and the Kinovea software, which is widely used in biomechanical measurements, was not significantly different (2.03±1.06°, p<0.05) Conclusion: This indicates, that the developed software can calculate the appropriate joint angles with the accuracy that physiotherapy treatments require. As, to our knowledge no such software yet exists, with the help of this software development, therapists could control and correct the exercises in real-time, and also from a distance, and physical therapy effectiveness could be increased. Level of Evidence II; Experimental, comparative.

RESUMEN Introducción: Como la Organización Mundial de la Salud declaró el nuevo coronavirus como una pandemia en marzo de 2020, la fisioterapia es más difícil de ejecutar, el distanciamiento social es obligatorio en el sector de la salud. Objetivo: En la práctica de fisioterapia un software de análisis de vídeo online que proporcione información gráfica y numérica en tiempo real sobre las ejecuciones de movimiento del paciente sin contacto personal directo supondría una mejora significativa en el tratamiento de la eSalud. Métodos: Fue desarrollado una capa de software sobre el software de estimación de posición del cuerpo humano OpenPose que puede extraer la serie temporal de ángulos de partes arbitrarias del cuerpo utilizando las coordenadas de salida de OpenPose procesando los datos registrados por dos cámaras simultáneamente. Para validar el procedimiento de determinación de los ángulos articulares mediante el software Openpose fue utilizado el software Kinovea. Resultados: La comparación del ángulo máximo de rodilla determinado en nuestro software y Kinovea, que es ampliamente utilizado en mediciones biomecánicas, no fue significativamente diferente (2,03±1,06°, p<0,05). Conclusión: Esto indica que el software desarrollado puede calcular los ángulos articulares adecuados con la precisión que requieren los tratamientos de fisioterapia. Dado que aún no existe dicho software, con la ayuda de este desarrollo de software, los terapeutas podrían controlar y corregir los ejercicios en tiempo real, y también a distancia, y se podría aumentar la eficacia de la fisioterapia. Nivel de Evidencia II; Experimental, comparativo.

RESUMO Introdução: Como a Organização Mundial da Saúde declarou o novo coronavírus como pandemia em março de 2020, a fisioterapia é mais difícil de executar, o distanciamento social é obrigatório no setor de saúde. Objetivo: Na prática da fisioterapia, um software de análise de vídeo online que fornece informações gráficas e numéricas em tempo real sobre as execuções de movimento do paciente sem contato pessoal direto significaria uma melhora significativa no tratamento eHealth. Métodos: Desenvolveu-se uma camada de software em cima do software de estimativa de posição do corpo humano OpenPose que pode extrair as séries temporais de ângulos de partes do corpo arbitrárias usando as coordenadas de saída do OpenPose processando os dados gravados por duas câmeras simultaneamente. Para validar o procedimento de determinação dos ângulos articulares utilizando o software Openpose utilizou-se o software Kinovea. Resultados: A comparação do ângulo máximo do joelho determinado em nosso e no software Kinovea, amplamente utilizado em medidas biomecânicas, não foi significativamente diferente (2,03±1,06°, p<0,05) Conclusão: Isso indica que o software desenvolvido pode calcular os ângulos articulares adequados com a precisão que os tratamentos de fisioterapia exigem. Como esse software ainda não existe, com a ajuda do desenvolvimento desse software, os terapeutas puderam controlar e corrigir os exercícios em tempo real, e também à distância, aumentando a eficácia da fisioterapia. Nível de Evidência II; Experimental, comparativo.

Artificial intelligence to predict bed bath time in Intensive Care Units / Inteligencia artificial para predecir la hora del baño en cama en Unidades de Cuidados Intensivos / Inteligência artificial para predição do tempo de banho no leito em Unidades de Terapia Intensiva

ABSTRACT Objectives: to assess the predictive performance of different artificial intelligence algorithms to estimate bed bath execution time in critically ill patients. Methods: a methodological study, which used artificial intelligence algorithms to predict bed bath time in critically ill patients. The results of multiple regression models, multilayer perceptron neural networks and radial basis function, decision tree and random forest were analyzed. Results: among the models assessed, the neural network model with a radial basis function, containing 13 neurons in the hidden layer, presented the best predictive performance to estimate the bed bath execution time. In data validation, the squared correlation between the predicted values and the original values was 62.3%. Conclusions: the neural network model with radial basis function showed better predictive performance to estimate bed bath execution time in critically ill patients.

RESUMEN Objetivos: evaluar el rendimiento predictivo de diferentes algoritmos de inteligencia artificial para estimar el tiempo de ejecución del baño en cama en pacientes críticos. Métodos: estudio metodológico, que utilizó algoritmos de inteligencia artificial para predecir el tiempo de baño en cama en pacientes críticos. Se analizaron los resultados de modelos de regresión múltiple, redes neuronales perceptrón multicapa y función de base radial, árbol de decisión y random forest. Resultados: entre los modelos evaluados, el modelo de red neuronal con función de base radial, que contiene 13 neuronas en la capa oculta, presentó el mejor desempeño predictivo para estimar el tiempo de ejecución del baño en cama. En la validación de datos, la correlación al cuadrado entre los valores predichos y los valores originales fue del 62,3%. Conclusiones: el modelo de red neuronal con función de base radial mostró mejor rendimiento predictivo para estimar el tiempo de ejecución del baño en cama en pacientes críticos.

RESUMO Objetivos: avaliar a performance preditiva de diferentes algoritmos de inteligência artificial para estimar o tempo de execução do banho no leito em pacientes críticos. Métodos: estudo metodológico, que utilizou algoritmos de inteligência artificial para predizer o tempo de banho no leito em pacientes críticos. Foram analisados os resultados dos modelos de regressão múltipla, redes neurais perceptron multicamadas e função de base radial, árvore de decisão e random forest. Resultados: entre os modelos avaliados, o modelo de rede neural com função de base radial, contendo 13 neurônios na camada oculta, apresentou melhor performance preditiva para estimar o tempo de execução do banho no leito. Na validação dos dados, o quadrado da correlação entre os valores preditos e os valores originais foi de 62,3%. Conclusões: o modelo de rede neural com função de base radial apresentou melhor performance preditiva para estimar o tempo de execução do banho no leito em pacientes críticos.

Performance analysis of pretrained convolutional neural network models for ophthalmological disease classification / Análise de desempenho de modelos de rede neural convolucional pré-treinados para classificação de doenças oftalmológicas

ABSTRACT Purpose: This study aimed to evaluate the classification performance of pretrained convolutional neural network models or architectures using fundus image dataset containing eight disease labels. Methods: A publicly available ocular disease intelligent recognition database has been used for the diagnosis of eight diseases. This ocular disease intelligent recognition database has a total of 10,000 fundus images from both eyes of 5,000 patients for the following eight diseases: healthy, diabetic retinopathy, glaucoma, cataract, age-related macular degeneration, hypertension, myopia, and others. Ocular disease classification performances were investigated by constructing three pretrained convolutional neural network architectures including VGG16, Inceptionv3, and ResNet50 models with adaptive moment optimizer. These models were implemented in Google Colab, which made the task straight-forward without spending hours installing the environment and supporting libraries. To evaluate the effectiveness of the models, the dataset was divided into 70%, 10%, and 20% for training, validation, and testing, respectively. For each classification, the training images were augmented to 10,000 fundus images. Results: ResNet50 achieved an accuracy of 97.1%; sensitivity, 78.5%; specificity, 98.5%; and precision, 79.7%, and had the best area under the curve and final score to classify cataract (area under the curve = 0.964, final score = 0.903). By contrast, VGG16 achieved an accuracy of 96.2%; sensitivity, 56.9%; specificity, 99.2%; precision, 84.1%; area under the curve, 0.949; and final score, 0.857. Conclusions: These results demonstrate the ability of the pretrained convolutional neural network architectures to identify ophthalmological diseases from fundus images. ResNet50 can be a good architecture to solve problems in disease detection and classification of glaucoma, cataract, hypertension, and myopia; Inceptionv3 for age-related macular degeneration, and other disease; and VGG16 for normal and diabetic retinopathy.

RESUMO Objetivo: Avaliar o desempenho de classificação de modelos ou arquiteturas de rede neural convolucional pré--treinadas usando um conjunto de dados de imagem de fundo de olho contendo oito rótulos de doenças diferentes. Métodos: Neste artigo, o conjunto de dados de reconhecimento inteligente de doenças oculares publicamente disponível foi usado para o diagnóstico de oito rótulos de doenças diferentes. O banco de dados de reconhecimento inteligente de doenças oculares tem um total de 10.000 imagens de fundo de olho de ambos os olhos de 5.000 pacientes para oito categorias que contêm rótulos saudáveis, retinopatia diabética, glaucoma, catarata, degeneração macular relacionada à idade, hipertensão, miopia, outros. Investigamos o desempenho da classificação de doenças oculares construindo três arquiteturas de rede neural convolucional pré-treinadas diferentes, incluindo os modelos VGG16, Inceptionv3 e ResNet50 com otimizador de Momento Adaptativo. Esses modelos foram implementados no Google Colab o que facilitou a tarefa sem gastar horas instalando o ambiente e suportando bibliotecas. Para avaliar a eficácia dos modelos, o conjunto de dados é dividido em 70% para treinamento, 10% para validação e os 20% restantes utilizados para teste. As imagens de treinamento foram expandidas para 10.000 imagens de fundo de olho para cada tal. Resultados: Observou-se que o modelo ResNet50 alcançou acurácia de 97,1%, sensibilidade de 78,5%, especificidade de 98,5% e precisão de 79,7% e teve a melhor área sob a curva e pontuação final para classificar a categoria da catarata (área sob a curva=0,964, final=0,903). Em contraste, o modelo VGG16 alcançou uma precisão de 96,2%, sensibilidade de 56,9%, especificidade de 99,2% e precisão de 84,1%, área sob a curva 0,949 e pontuação final de 0,857. Conclusão: Esses resultados demonstram a capacidade das arquiteturas de rede neural convolucional pré-treinadas em identificar doenças oftalmológicas a partir de imagens de fundo de olho. ResNet50 pode ser uma boa solução para resolver problemas na detecção e classificação de doenças como glaucoma, catarata, hipertensão e miopia; Inceptionv3 para degeneração macular relacionada à idade e outras doenças; e VGG16 para retinopatia normal e diabética.

Machine learning in predicting severe acute respiratory infection outbreaks / Aprendizado de máquina na previsão de surtos de síndrome respiratória aguda grave / Aprendizaje automático en la predicción de brotes de síndrome respiratorio agudo grave

Abstract: Severe acute respiratory infection (SARI) outbreaks occur annually, with seasonal peaks varying among geographic regions. Case notification is important to prepare healthcare networks for patient attendance and hospitalization. Thus, health managers need adequate resource planning tools for SARI seasons. This study aims to predict SARI outbreaks based on models generated with machine learning using SARI hospitalization notification data. In this study, data from the reporting of SARI hospitalization cases in Brazil from 2013 to 2020 were used, excluding SARI cases caused by COVID-19. These data were prepared to feed a neural network configured to generate predictive models for time series. The neural network was implemented with a pipeline tool. Models were generated for the five Brazilian regions and validated for different years of SARI outbreaks. By using neural networks, it was possible to generate predictive models for SARI peaks, volume of cases per season, and for the beginning of the pre-epidemic period, with good weekly incidence correlation (R2 = 0.97; 95%CI: 0.95-0.98, for the 2019 season in the Southeastern Brazil). The predictive models achieved a good prediction of the volume of reported cases of SARI; accordingly, 9,936 cases were observed in 2019 in Southern Brazil, and the prediction made by the models showed a median of 9,405 (95%CI: 9,105-9,738). The identification of the period of occurrence of a SARI outbreak is possible using predictive models generated with neural networks and algorithms that employ time series.

Resumo: Surtos de síndrome respiratória aguda grave (SRAG) ocorrem anualmente, com picos sazonais variando entre regiões geográficas. A notificação dos casos é importante para preparar as redes de atenção à saúde para o atendimento e internação dos pacientes. Portanto, os gestores de saúde precisam ter ferramentas adequadas de planejamento de recursos para as temporadas de SRAG. Este estudo tem como objetivo prever surtos de SRAG com base em modelos gerados com aprendizado de máquina usando dados de internação por SRAG. Foram incluídos dados sobre casos de hospitalização por SRAG no Brasil de 2013 a 2020, excluindo os casos causados pela COVID-19. Estes dados foram preparados para alimentar uma rede neural configurada para gerar modelos preditivos para séries temporais. A rede neural foi implementada com uma ferramenta de pipeline. Os modelos foram gerados para as cinco regiões brasileiras e validados para diferentes anos de surtos de SRAG. Com o uso de redes neurais, foi possível gerar modelos preditivos para picos de SRAG, volume de casos por temporada e para o início do período pré-epidêmico, com boa correlação de incidência semanal (R2 = 0,97; IC95%: 0,95-0,98, para a temporada de 2019 na Região Sudeste). Os modelos preditivos obtiveram uma boa previsão do volume de casos notificados de SRAG; dessa forma, foram observados 9.936 casos em 2019 na Região Sul, e a previsão feita pelos modelos mostrou uma mediana de 9.405 (IC95%: 9.105-9.738). A identificação do período de ocorrência de um surto de SRAG é possível por meio de modelos preditivos gerados com o uso de redes neurais e algoritmos que aplicam séries temporais.

Resumen: Brotes de síndrome respiratorio agudo grave (SRAG) ocurren todos los años, con picos estacionales que varían entre regiones geográficas. La notificación de los casos es importante para preparar las redes de atención a la salud para el cuidado y hospitalización de los pacientes. Por lo tanto, los gestores de salud deben tener herramientas adecuadas de planificación de recursos para las temporadas de SRAG. Este estudio tiene el objetivo de predecir brotes de SRAG con base en modelos generados con aprendizaje automático utilizando datos de hospitalización por SRAG. Se incluyeron datos sobre casos de hospitalización por SRAG en Brasil desde 2013 hasta 2020, salvo los casos causados por la COVID-19. Se prepararon estos datos para alimentar una red neural configurada para generar modelos predictivos para series temporales. Se implementó la red neural con una herramienta de canalización. Se generaron los modelos para las cinco regiones brasileñas y se validaron para diferentes años de brotes de SRAG. Con el uso de redes neurales, se pudo generar modelos predictivos para los picos de SRAG, el volumen de casos por temporada y para el inicio del periodo pre-epidémico, con una buena correlación de incidencia semanal (R2 = 0,97; IC95%: 0,95-0,98, para la temporada de 2019 en la Región Sudeste). Los modelos predictivos tuvieron una buena predicción del volumen de casos notificados de SRAG; así, se observaron 9.936 casos en 2019 en la Región Sur, y la predicción de los modelos mostró una mediana de 9.405 (IC95%: 9.105-9.738). La identificación del periodo de ocurrencia de un brote de SRAG es posible a través de modelos predictivos generados con el uso de redes neurales y algoritmos que aplican series temporales.

Development of a convolutional neural network for diagnosing osteoarthritis, trained with knee radiographs from the ELSA-Brasil Musculoskeletal / Desenvolvimento de rede neural convolucional para o diagnóstico radiográfico de osteoartrite dos joelhos no ELSA-Brasil Musculoesquelético

Abstract Objective: To develop a convolutional neural network (CNN) model, trained with the Brazilian "Estudo Longitudinal de Saúde do Adulto Musculoesquelético" (ELSA-Brasil MSK, Longitudinal Study of Adult Health, Musculoskeletal) baseline radiographic examinations, for the automated classification of knee osteoarthritis. Materials and Methods: This was a cross-sectional study carried out with 5,660 baseline posteroanterior knee radiographs from the ELSA-Brasil MSK database (5,660 baseline posteroanterior knee radiographs). The examinations were interpreted by a radiologist with specific training, and the calibration was as established previously. Results: The CNN presented an area under the receiver operating characteristic curve of 0.866 (95% CI: 0.842-0.882). The model can be optimized to achieve, not simultaneously, maximum values of 0.907 for accuracy, 0.938 for sensitivity, and 0.994 for specificity. Conclusion: The proposed CNN can be used as a screening tool, reducing the total number of examinations evaluated by the radiologists of the study, and as a double-reading tool, contributing to the reduction of possible interpretation errors.

Resumo Objetivo: Desenvolver um modelo computacional - rede neural convolucional (RNC) - treinado com radiografias da linha de base do Estudo Longitudinal de Saúde do Adulto Musculoesquelético (ELSA-Brasil Musculoesquelético), para a classificação automática de osteoartrite dos joelhos. Materiais e Métodos: Trata-se de um estudo transversal abrangendo todos os exames da linha de base do ELSA-Brasil Musculoesquelético (5.660 radiografias dos joelhos em incidência posteroanterior). Os exames foram interpretados por médico radiologista com treinamento específico e calibração previamente publicada. Resultados: A RNC desenvolvida apresentou área sob a curva característica de operação do receptor de 0,866 (IC 95%: 0,842-0,882). O modelo pode ser calibrado para alcançar, não simultaneamente, valores máximos de 0,907 para acurácia, 0,938 para sensibilidade e 0,994 para especificidade. Conclusão: A RNC desenvolvida pode ser utilizada como ferramenta de triagem, reduzindo o número total de exames avaliados pelos radiologistas do estudo, e/ou como ferramenta de segunda leitura, contribuindo com a redução de possíveis erros de interpretação.

Application analysis of digital neural network-based data mining method in maximizing the performance of sports training / Análise de aplicação do método de mineração de dados baseado em rede neural digital na maximização do desempenho do treinamento esportivo / Análisis de la aplicación del método de minería de datos basado en redes neuronales digitales para maximizar el rendimiento del entrenamiento deportivo

ABSTRACT Introduction: In today's rapid development of science and technology, digital network data mining technology is developing as fast as the expansion of the frontiers of science and technology allows, with a very broad application level, covering most of the civilized environment. However, there is still much to explore in the application of sports training. Objective: Analyze the feasibility of data mining based on the digital network of sports training, maximizing athletes' training. Methods: This paper uses the experimental analysis of human FFT, combined with BP artificial intelligence network and deep data mining technology, to design a new sports training environment. The controlled test of this model was designed to compare advanced athletic training modalities with traditional modalities, comparing the athletes' explosive power, endurance, and fitness. Results: After 30 days of physical training, the athletic strength of athletes with advanced fitness increased by 15.33%, endurance increased by 15.85%, and fitness increased by 14.23%. Conclusion: The algorithm designed in this paper positively impacts maximizing athletes' training. It may have a favorable impact on training outcomes, as well as increase the athlete's interest in the sport. Level of evidence II; Therapeutic studies - investigating treatment outcomes.

RESUMO Introdução: No rápido desenvolvimento atual de ciência e tecnologia, a tecnologia de mineração de dados de rede digital desenvolve-se tão rápido quanto a expansão das fronteiras da ciência e tecnologia permitem, com um nível de aplicação muito amplo, cobrindo a maior parte do ambiente civilizado. No entanto, ainda há muito para explorar da aplicação no treinamento esportivo. Objetivo: Análise de viabilidade da mineração de dados com base na rede digital da formação esportiva, maximizar o treinamento dos atletas. Métodos: Este trabalho utiliza a análise experimental da FFT humana, combinada com a rede de inteligência artificial da BP e tecnologia de mineração profunda de dados, para projetar um novo ambiente de treinamento esportivo. O teste controlado deste modelo foi projetado para comparar modalidades avançadas de treinamento atlético com as modalidades tradicionais, comparando o poder explosivo, resistência e condição física do atleta. Resultados: Após 30 dias de treinamento físico, a força atlética dos esportistas com aptidão física avançada aumentou 15,33%, a resistência aumentou 15,85%, e o condicionamento físico aumentou 14,23%. Conclusão: O algoritmo desenhado neste artigo tem um impacto positivo na maximização do treinamento dos atletas. Pode ter um impacto favorável nos resultados do treinamento, bem como aumentar o interesse do atleta pelo esporte. Nível de evidência II; Estudos terapêuticos - investigação dos resultados do tratamento.

RESUMEN Introducción: En el rápido desarrollo actual de la ciencia y la tecnología, la tecnología de extracción de datos de redes digitales se desarrolla tan rápido como lo permiten las fronteras en expansión de la ciencia y la tecnología, con un nivel de aplicación muy amplio que abarca la mayor parte del entorno civilizado. Sin embargo, aún queda mucho por explorar de la aplicación en el entrenamiento deportivo. Objetivo: Análisis de viabilidad de la minería de datos basada en la red digital de entrenamiento deportivo, maximizar la formación de los atletas. Métodos: Este trabajo utiliza el análisis experimental de la FFT humana, combinado con la red de inteligencia artificial BP y la tecnología de minería de datos profunda, para diseñar un nuevo entorno de entrenamiento deportivo. La prueba controlada de este modelo se diseñó para comparar las modalidades de entrenamiento atlético avanzado con las modalidades tradicionales, comparando la potencia explosiva, la resistencia y la forma física del atleta. Resultados: Después de 30 días de entrenamiento físico, la fuerza atlética de los atletas con un estado físico avanzado aumentó en un 15,33%, la resistencia aumentó en un 15,85% y el estado físico aumentó en un 14,23%. Conclusión: El algoritmo diseñado en este trabajo tiene un impacto positivo en la maximización del entrenamiento de los atletas. Puede tener un impacto favorable en los resultados del entrenamiento, así como aumentar el interés del atleta por el deporte. Nivel de evidencia II; Estudios terapéuticos - investigación de los resultados del tratamiento.

Uso de redes neurais para a predição de diagnóstico de AVE: uma revisão sistemática / Use of neural networks for stroke diagnosis prediction: a systematic review neural networks and stroke prediction

Fundamentos: O Acidente Vascular Encefálico (AVE) é uma síndrome de déficit neurológico agudo atribuído à lesão vascular do Sistema Nervoso (SN). As técnicas de Inteligência Artificial (IA) na Medicina ­ como algoritmos de Redes Neurais Artificiais (RNAs) ­ têm ajudado na tomada de decisões clínicas voltadas para essa condição. Objetivo: o objetivo desta revisão será avaliar como as redes neurais artificiais estão sendo utilizadas para a predição de diagnóstico de AVE. Métodos: Trata-se de uma revisão sistemática de artigos indexados nas bases de dados PubMed, BVS, SciELO, Cochrane e SpringerLink, entre janeiro e fevereiro de 2022. Os critérios de inclusão e filtros para esse trabalho foram: artigos relacionados ao tema, estudos randomizados, coorte e ensaios clínicos, trabalhos em humanos, realizados nos últimos 5 anos, apenas nos idiomas Português, Inglês e Espanhol e com texto completo disponível gratuitamente. Os parâmetros de exclusão foram: artigos duplicados, fuga ao tema, artigos de revisão e trabalhos que não preenchiam todos os critérios de inclusão. Resultados: As RNAs estão sendo utilizadas, principalmente, para avaliação de áreas de lesões isquêmicas e hemorrágicas por métodos de segmentação e os exames mais utilizados para a modelagem dos programas têm sido Ressonância Magnética (RM) e Tomografia Computadorizada (TC). Além da TC e RM, a angiorressonância e angiotomografia também estão sendo utilizadas para o modelamento do algoritmo e são úteis por apresentarem maior sensibilidade para detecção de infartos. Conclusão: Algoritmos de segmentação e classificação aplicados nas RNAs fazem parte da medicina personalizada e servem de base para médicos na prática clínica.

Background: Stroke is an acute neurological deficit syndrome attributed to vascular injury to the Nervous System (NS). Artificial Intelligence (AI) techniques in Medicine ­ such as Artificial Neural Networks (ANNs) algorithms ­ have helped in making clinical decisions aimed at this condition. Objective: the objective of this review will be to evaluate how artificial neural networks are being used to predict the diagnosis of stroke. Methods: This is a systematic review of articles indexed in PubMed, VHL, SciELO, Cochrane and SpringerLink databases, between January and February 2022. The inclusion criteria and filters for this work were: articles related to the topic, studies randomized, cohort and clinical trials, studies in humans, carried out in the last 5 years, only in Portuguese, English and Spanish and with full text available free of charge. The exclusion parameters were: duplicate articles, escape from the topic, review articles and works that did not meet all the inclusion criteria. Results: ANNs are being used mainly for the evaluation of areas of ischemic and hemorrhagic lesions by segmentation methods and the most used exams for modeling the programs have been Magnetic Resonance Imaging (MRI) and Computed Tomography (CT). In addition to CT and MRI, magnetic resonance angiography and tomography angiography are also being used to model the algorithm and are useful because they have greater sensitivity for detecting infarctions. Conclusion: Segmentation and classification algorithms applied in ANNs are part of personalized medicine and serve as a basis for physicians in clinical practice.

Reconocimiento de rutas biosintéticas para semioquímicos mediante técnicas de aprendizaje de máquina

En este trabajo consideramos 148 semioquímicos reportados para la familia Scarabaeidae, cuya estructura química fue caracterizada empleando un conjunto de 200 descriptores moleculares de cinco clases distintas. La selección de los descriptores más discriminantes se realizó con tres técnicas: análisis de componentes principales, por cada clase de descriptores, bosques aleatorios y Boruta-Shap, aplicados al total de descriptores. A pesar de que las tres técnicas son conceptualmente diferentes, seleccionan un número de descriptores similar de cada clase. Propusimos una combinación de técnicas de aprendizaje de máquina para buscar un patrón estructural en el conjunto de semioquímicos y posteriormente realizar la clasificación de estos. El patrón se estableció a partir de la alta pertenencia de un subconjunto de estos metabolitos a los grupos que fueron obtenidos por un método de agrupamiento basado en lógica difusa, C-means; el patrón descubierto corresponde a las rutas biosintéticas por las cuales se obtienen biológicamente. Esta primera clasificación se corroboró con el empleo de mapas autoorganizados de Kohonen. Para clasificar aquellos semioquímicos cuya pertenencia a una ruta no quedaba claramente definida, construimos dos modelos de perceptrones multicapa, los cuales tuvieron un desempeño aceptable.

In this work we consider 148 semiochemicals reported for the family Scarabaeidae, whose chemical structure was characterized using a set of 200 molecular descriptors from five different classes. The selection of the most discriminating descriptors was carried out with three different techniques: Principal Component Analysis, for each class of descriptors, Random Forests and Boruta-Shap, applied to the total of descriptors. Although the three techniques are conceptually different, they select a similar number of descriptors from each class. We proposed a combination of machine learning techniques to search for a structural pattern in the set of semiochemicals and then perform their classification. The pattern was established from the high belonging of a subset of these metabolites to the groups that were obtained by a grouping method based on fuzzy C-means logic; the discovered pattern corresponds to the biosynthetic pathway by which they are obtained biologically. This first classification was corroborated with Kohonen's self-organizing maps. To classify those semiochemicals whose belonging to a biosynthetic pathway was not clearly defined, we built two models of Multilayer Perceptrons which had an acceptable performance.

Neste trabalho consideramos 148 semioquímicos reportados para a família Scarabaeidae, cuja estrutura química foi caracterizada usando um conjunto de 200 descritores moleculares de 5 classes diferentes. A seleção dos descritores mais discriminantes foi realizada com três técnicas diferentes: Análise de Componentes Principais, para cada classe de descritores, Florestas Aleatórias e Boruta-Shap, aplicadas a todos os descritores. Embora as três técnicas sejam conceitualmente diferentes, elas selecionaram um número semelhante de descritores de cada classe. Nós propusemos uma combinação de técnicas de aprendizado de máquina para buscar um padrão estrutural no conjunto de semioquímicos e então realizar sua classificação. O padrão foi estabelecido a partir da alta pertinência de um subconjunto desses metabólitos aos grupos que foram obtidos por um método de agrupamento baseado em lógica fuzzy, C-means; o padrão descoberto corresponde às rotas biossintéticas pelas quais eles são obtidos biologicamente. Essa primeira classificação foi corroborada com o uso dos mapas auto-organizados de Kohonen. Para classificar os semioquímicos cuja pertença a uma rota não foi claramente definida, construímos dois modelos de Perceptrons Multicamadas que tiveram um desempenho aceitável.

Identificação de evasão fiscal utilizando dados abertos e inteligência artificial / Identificación de la evasión fiscal mediante datos abiertos e inteligencia artificial / Tax evasion identification using open data and artificial intelligence

Resumo A evasão fiscal é a consequência da prática da sonegação. Apenas no Brasil, estima-se que ela corresponda a 8% do PIB. Com isso, os governos necessitam de sistemas inteligentes para apoiar os auditores fiscais na identificação de sonegadores. Tais sistemas dependem de dados sensíveis dos contribuintes para o reconhecimento dos padrões, que são protegidos por lei. Com isso, o presente trabalho apresenta uma solução inteligente, capaz de identificar os perfis de potenciais sonegadores com o uso apenas de dados abertos, públicos, disponibilizados pela Receita Federal e pelo Conselho Administrativo Tributário do Estado de Goiás, entre outros cadastros públicos. Foram gerados três modelos que utilizaram os recursos Random Forest, Redes Neurais e Grafos. Em validação depois de melhorias finas, foi possível obter acurácia superior a 98% na predição do perfil inadimplente. Por fim, criou-se uma solução de software visual para uso e validação pelos auditores fiscais do estado de Goiás.

Resumen La evasión fiscal es la consecuencia de la práctica de la defraudación tributaria. En Brasil, se estima que corresponde al 8% del PIB. Por lo tanto, los gobiernos necesitan y utilizan sistemas inteligentes para ayudar a los agentes de hacienda a identificar a los defraudadores fiscales. Dichos sistemas se basan en datos confidenciales de los contribuyentes para el reconocimiento de patrones, que están protegidos por ley. Este trabajo presenta una solución inteligente, capaz de identificar perfiles de potenciales defraudadores fiscales, utilizando únicamente datos públicos abiertos, puestos a disposición por la Hacienda Federal y por el Consejo Administrativo Tributario del Estado de Goiás, entre otros registros públicos. Se generaron tres modelos utilizando random forest y neural networks. En la validación después de finas mejoras, fue posible obtener una precisión superior al 98% en la predicción del perfil moroso. Finalmente, se creó una solución de software visual para uso y validación por parte de los auditores fiscales del estado de Goiás.

Abstract Tax evasion is the practice of the non-payment of taxes. In Brazil alone, it is estimated as 8% of GDP. Thus, governments must use intelligent systems to support tax auditors to identify tax evaders. Such systems seek to recognize patterns and rely on sensitive taxpayer data that is protected by law and difficult to access. This research presents a smart solution, capable of identifying the profile of potential tax evaders, using only open and public data, made available by the Brazilian internal revenue service, the administrative council of tax appeals of the State of Goiás, and other public sources. Three models were generated using Random Forest, Neural Networks, and Graphs. The validation after fine improvements offered an accuracy greater than 98% in predicting tax evading companies. Finally, a web-based solution was created to be used and validated by tax auditors of the State of Goiás.

Detección de la tuberculosis con algoritmos de Deep Learning en imágenes de radiografías del tórax / Tuberculosis detection with deep learning algorithms in chest X-ray images / Detecção de tuberculose com algoritmos de aprendizagem profunda em imagens de raio-X do tórax

Se estima que en 2019 murieron alrededor de 1,4 millones de personas infectadas por tuberculosis, gran parte de ellos en países en desarrollo. Si la tuberculosis se hubiera diagnosticado oportunamente se habría evitado la muerte de las personas infectadas. Uno de los métodos de detección de tuberculosis más relevante es el análisis de radiografías del tórax; sin embargo, contar con profesionales altamente capacitados para el diagnóstico de la tuberculosis en todos los centros de salud es imposible en los países emergentes, este es uno de los principales motivos de que este método no sea ampliamente usado. En las últimas décadas las redes neuronales han tenido un papel muy relevante en la solución de problemas de la sociedad y en especial en el sector salud. Se ha empleado tres algoritmos de aprendizaje profundo reconocidos en el desarrollo de visión computacional que son VGG19, MobileNet e InceptionV3, se ha logrado obtener resultados muy auspiciosos para la detección de la tuberculosis. Caso especial ha sido MobileNet que ha destacado entre las demás, dando resultados importantes en las diferentes métricas de evaluación empleadas. Además, MobileNet cuenta con una arquitectura menos compleja y los pesos obtenidos después del entrenamiento son muy menores en comparación de los otros dos algoritmos. Se concluye que MobileNet es el algoritmo de Deep Learning más eficiente a comparación de VGG19 e InceptionV3, cuenta con mejor precisión para la detección de la tuberculosis y; el costo computación y tiempo de procesamiento es significativamente menor.

It is estimated that around 1.4 million people infected with tuberculosis died in 2019, most of them in developing countries. If tuberculosis had been diagnosed in time, the death of infected people would have been prevented. One of the most relevant tuberculosis detection methods is the analysis of chest radiographs; However, having highly trained professionals for the diagnosis of tuberculosis in all health centers is impossible in emerging countries, this is one of the main reasons why this method is not widely used. In recent decades, neural networks have played a very relevant role in solving problems in society and especially in the health sector. Three recognized Deep Learning algorithms have been used in the development of computational vision that are VGG19, MobileNet and InceptionV3, it has been possible to obtain very auspicious results for the detection of tuberculosis. MobileNet has been a special case, which has stood out among the others, giving important results in the different evaluation metrics used. In addition, MobileNet has a less complex architecture and the weights obtained after training are very less compared to the other two algorithms. It is concluded that MobileNet is the most efficient Deep Learning algorithm compared to VGG19 and InceptionV3, it has better precision for the detection of tuberculosis and the computational cost and processing time is significantly lower.

Estima-se que cerca de 1,4 milhão de pessoas infectadas com tuberculose morreram em 2019, a maioria delas em países em desenvolvimento. Se a tuberculose tivesse sido diagnosticada a tempo, a morte de pessoas infectadas teria sido evitada. Um dos métodos de detecção de tuberculose mais relevantes é a análise de radiografias de tórax; No entanto, ter profissionais altamente capacitados para o diagnóstico da tuberculose em todos os centros de saúde é impossível nos países emergentes, esse é um dos principais motivos pelo qual esse método não é amplamente utilizado. Nas últimas décadas, as redes neurais têm desempenhado um papel muito relevante na resolução de problemas na sociedade e principalmente no setor da saúde. Três algoritmos de aprendizado profundo reconhecidos foram usados no desenvolvimento da visão computacional que são VGG19, MobileNet e InceptionV3, sendo possível obter resultados muito auspiciosos para a detecção da tuberculose. A MobileNet tem sido um caso especial, que tem se destacado entre os demais, apresentando resultados importantes nas diferentes métricas de avaliação utilizadas. Além disso, o MobileNet possui uma arquitetura menos complexa e os pesos obtidos após o treinamento são muito menores em comparação com os outros dois algoritmos. Conclui-se que o MobileNet é o algoritmo de aprendizado profundo mais eficiente em comparação ao VGG19 e ao InceptionV3, possui melhor precisão para detecção de tuberculose e; o custo de computação e o tempo de processamento são significativamente menores.

Experimental research on forecasting index of biological image aerobic exercise analysis of artificial neural network / Pesquisa experimental sobre índice de previsão de imagem biológica análise de exercício aeróbio de rede neural artificial / Investigación experimental sobre índice de pronóstico de imágenes biológicas análisis de ejercicio aeróbico de redes neuronales artificiales

ABSTRACT Objective: The paper uses artificial neural network images to explore the effects of aerobic exercise on the gamma rhythm of theta period in the awake hippocampal CA1 area of APP/PS1/tau mice and the low-frequency gamma rhythm of the sleep state hippocampal CA1 area SWR period. Methods: Clean grade 6-month-old APP/PS1/tau mice were randomly divided into quiet group (AS) and exercise group (AE), C57BL/6J control group mice were randomly divided into quiet group (CS) and exercise group (CE). The AE group and the CE group performed 12-week treadmill exercise, 5d/week, 60min/d, the first 10min exercise load was 12m/min, the last 50min was 15m/min treadmill slope was 0°. Eight-arm maze detection of behavioral changes in mice; multi-channel in vivo recording technology to record the electrical signals of the awake state and sleep state in the hippocampal CA1 area, MATLAB extracts the awake state theta period and sleep state SWR period, multi-window spectrum estimation method Perform time-frequency analysis and power spectral density analysis. Results: 12 weeks of aerobic exercise can significantly improve the working memory and reference memory of the AS group, increase the gamma energy in theta period of the awake hippocampus CA1 area and the low-frequency gamma energy in the sleep state CA1 area SWR period. Conclusions: Aerobic exercise can improve the neural network state of the AD model and increase the gamma energy in theta period of the hippocampus CA1 area, and the low-frequency gamma energy in the SWR period is one of the neural network mechanisms for its overall behavioral improvement. Level of evidence II; Therapeutic studies - investigation of treatment results.

RESUMO Objetivo: o artigo usa imagens de redes neurais artificiais para explorar os efeitos do exercício aeróbio no ritmo gama do período teta na área CA1 do hipocampo desperto de camundongos APP/PS1/tau e o ritmo gama de baixa frequência da área CA1 do hipocampo do estado de sono Período SWR. Métodos: Camundongos APP/PS1/tau de grau limpo de 6 meses de idade foram divididos aleatoriamente em grupo quieto (AS) e grupo de exercício (AE), os camundongos do grupo controle C57BL/6J foram divididos aleatoriamente em grupo quieto (CS) e grupo de exercício (CE). O grupo AE e o grupo CE realizaram 12 semanas de exercício em esteira, 5d/semana, 60min/d, a primeira carga de exercício de 10min foi de 12m/min, a última de 50min foi de 15m/min e a inclinação da esteira foi de 0 °. Detecção de labirinto de oito braços de mudanças comportamentais em camundongos; tecnologia de gravação in vivo multicanal para registrar os sinais elétricos do estado de vigília e do estado de sono na área CA1 do hipocampo, MATLAB extrai o período de tempo teta do estado de vigília e o período de tempo SWR do estado de sono, método de estimativa de espectro de múltiplas janelas. e análise de densidade espectral de potência. Resultados: 12 semanas de exercícios aeróbicos podem melhorar significativamente a memória de trabalho e a memória de referência do grupo AS, aumentar a energia gama no período teta da área CA1 do hipocampo acordado e a energia gama de baixa frequência na área CA1 do estado de sono período SWR. Conclusões: O exercício aeróbico pode melhorar o estado da rede neural do modelo AD e aumentar a energia gama no período teta da área CA1 do hipocampo e a energia gama de baixa frequência no período SWR é um dos mecanismos da rede neural para seu comportamento geral. Nível de evidência II; Estudos terapêuticos- investigação dos resultados do tratamento.

RESUMEN Objetivo: El artículo utiliza imágenes de redes neuronales artificiales para explorar los efectos del ejercicio aeróbico en el ritmo gamma del período theta en el área CA1 del hipocampo despierto de ratones APP/PS1/tau y el ritmo gamma de baja frecuencia del área CA1 del hipocampo en estado de sueño. Período de ROE. Métodos: Se dividieron aleatoriamente ratones APP/PS1/tau de 6 meses de edad de grado limpio en grupo tranquilo (AS) y grupo de ejercicio (AE), los ratones del grupo de control C57BL/6J se dividieron aleatoriamente en grupo tranquilo (CS) y grupo de ejercicio (CE). El grupo de EA y el grupo de EC realizaron 12 semanas de ejercicio en cinta rodante, 5 días a la semana, 60 min/d, la primera carga de ejercicio de 10 min fue de 12 m/min, los últimos 50 min fueron de 15 m/min y la pendiente de la cinta fue de 0 °. Detección en laberinto de ocho brazos de cambios de comportamiento en ratones; tecnología de grabación in vivo multicanal para registrar las señales eléctricas del estado despierto y del estado de sueño en el área CA1 del hipocampo, MATLAB extrae el período de tiempo theta del estado despierto y el período de tiempo de SWR del estado de suspensión, método de estimación de espectro de múltiples ventanas Realizar análisis de tiempo-frecuencia y análisis de densidad espectral de potencia. Resultados: 12 semanas de ejercicio aeróbico pueden mejorar significativamente la memoria de trabajo y la memoria de referencia del grupo AS, aumentar la energía gamma en el período theta del área CA1 del hipocampo despierto y la energía gamma de baja frecuencia en el período SWR del área CA1 del estado de sueño. Conclusiones: El ejercicio aeróbico puede mejorar el estado de la red neuronal del modelo AD y aumentar la energía gamma en el período theta del área del hipocampo CA1 y la energía gamma de baja frecuencia en el período SWR es uno de los mecanismos de la red neuronal para su comportamiento general. Nivel de evidencia II; Estudios terapéuticos- investigación de los resultados del tratamiento.

Analysis of biolo artificial neural network in prediction of aerobic exercise index based on algorithm / Análise de rede neural artificial na predição do índice de exercício aeróbio baseada em algorítimo / Análisis de red neuronal artificial en la predicción del índice de ejercicio aeróbico

ABSTRACT Objective: To study the relationship between aerobic activity and cardiac autonomic nerve activity by artificial neural network algorithm and biological image fusion; because of the artificial neural network model (ANN) problems, biological image processing technology is introduced based on ANN. Methods: An Ann under biological image intelligence algorithm is proposed, a classifier suitable for electrocardiograph (ECG) screening is designed, and an ECG signal screening system is successfully established. Moreover, the data set of normal recovered ECG signals of the subjects during the experimental period is constructed, and a classifier is used to extract the characteristic data of a normal ECG signal during the experimental period. Results: The changes in resting heart rate and other physical health indicators are analyzed by combining resting physiological indicators, namely heart rate, body weight, body mass index and body fat rate. The results show that the self-designed classifier can efficiently process the ECG images, and long-term regular activities can improve the physical conditions of most people. Most subjects' body weight and body fat rate decrease with the extension of experiment time, and the resting heart rate decreases relatively. Conclusions: Certain indicators can be used to predict a person's dynamic physical health, which indicates that the experimental research of index prediction in this research has a good effect, which not only extends the application of artificial neural network but also lays a foundation for the research and implementation of ECG intelligent testing wearable devices. Level of evidence II; Therapeutic studies - investigation of treatment results.

RESUMO Objetivo: Com o objetivo de estudar a relação entre atividade aeróbia e atividade nervosa autonômica cardíaca por algoritmo de rede neural artificial e fusão biológica de imagens, tendo em vista os problemas existentes no modelo de rede neural artificial (RNA), é introduzida a tecnologia de processamento biológico de imagens com base em ANN. Métodos: um algoritmo de inteligência biológica de imagem Ann é proposto, um classificador adequado para triagem eletrocardiográfica (ECG) é projetado e um sistema de triagem de sinal de ECG é estabelecido com sucesso. Além disso, o conjunto de dados de sinais de ECG normais recuperados dos sujeitos durante o período experimental é construído e um classificador é usado para extrair os dados característicos de um sinal de ECG normal durante o período experimental. Resultados: As alterações na frequência cardíaca em repouso e outros indicadores de saúde física são analisadas pela combinação de indicadores fisiológicos de repouso, a saber, frequência cardíaca, peso corporal, índice de massa corporal e índice de gordura corporal. Os resultados mostram que o classificador autodesenhado pode processar com eficiência as imagens de ECG, e as atividades regulares de longo prazo podem melhorar as condições físicas da maioria das pessoas. O peso corporal e a taxa de gordura corporal da maioria dos indivíduos diminuem com a extensão do tempo do experimento, e a freqüência cardíaca em repouso diminui relativamente. Conclusões: Certos indicadores podem ser usados para prever a saúde física dinâmica de uma pessoa, o que indica que a pesquisa experimental de predição de índice nesta pesquisa tem um bom efeito, que não apenas estende a aplicação da rede neural artificial, mas também estabelece uma base para a pesquisa e implementação de dispositivos vestíveis de teste inteligente de ECG. Nível de evidência II; Estudos terapêuticos- investigação dos resultados do tratamento.

RESUMEN Objetivo: Para estudiar la relación entre la actividad aeróbica y la actividad del nervio autónomo cardíaco mediante el algoritmo de red neuronal artificial y la fusión de imágenes biológicas, ante los problemas existentes en el modelo de red neuronal artificial (ANN), se introduce la tecnología de procesamiento de imágenes biológicas basada en ANA. Métodos: Se propone un algoritmo de inteligencia de imagen biológica de Ann, se diseña un clasificador adecuado para el cribado electrocardiógrafo (ECG) y se establece con éxito un sistema de cribado de señales de ECG. Además, se construye el conjunto de datos de las señales de ECG recuperadas normales de los sujetos durante el período experimental, y se utiliza un clasificador para extraer los datos característicos de una señal de ECG normal durante el período experimental. Resultados: Los cambios en la frecuencia cardíaca en reposo y otros indicadores de salud física se analizan combinando indicadores fisiológicos en reposo, a saber, frecuencia cardíaca, peso corporal, índice de masa corporal y tasa de grasa corporal. Los resultados muestran que el clasificador de diseño propio puede procesar de manera eficiente las imágenes de ECG, y las actividades regulares a largo plazo pueden mejorar las condiciones físicas de la mayoría de las personas. El peso corporal y la tasa de grasa corporal de la mayoría de los sujetos disminuyen con la extensión del tiempo del experimento, y la frecuencia cardíaca en reposo disminuye relativamente. Conclusiones: Ciertos indicadores pueden usarse para predecir la salud física dinámica de una persona, lo que indica que la investigación experimental de predicción de índices en esta investigación tiene un buen efecto, lo que no solo extiende la aplicación de la red neuronal artificial sino que también sienta las bases para la investigación. e implementación de dispositivos portátiles de prueba inteligente de ECG. Nivel de evidencia II; Estudios terapéuticos- investigación de los resultados del tratamiento.

Research on athletes' psychological regulation ability based on back propagation (bp) neural network algorithm / Investigação sobre a habilidade de controle psicológico de atletas com base no algoritmo de rede neural backpropagation / Investigación sobre la capacidad de ajuste psicológico de los atletas basada en el algoritmo de red neuronal bp

ABSTRACT Athletes' psychological control ability directly affects competitions. Therefore, it is necessary to supervise the athletes' game psychology. Athletes' game state supervision model is constructed through the facial information extraction algorithm. The homography matrix and the calculation method are introduced. Then, two methods are introduced to solve the rotation matrix from the homography matrix. After the rotation matrix is solved, the method of obtaining the facial rotation angle from the rotation matrix is introduced. The two methods are compared in the simulation data, and the advantages and disadvantages of each algorithm are analyzed to determine the method used in this paper. The experimental results show that the model prediction accuracy reaches 70%, which can effectively supervise the psychological state of athletes. This research study is of great significance to improve the performance of athletes in competitions and improve the application of back propagation (BP) neural network algorithm.

RESUMO A capacidade de controle psicológico de atletas afeta diretamente as competições. Portanto, é muito necessário supervisionar a psicologia de jogo desses indivíduos. O modelo de supervisão do estado de jogo dos atletas é construído através do algoritmo de extração de informações faciais. A matriz de homografia e o método de cálculo são introduzido. Em seguida, são introduzidos dois métodos para resolver a matriz de rotação a partir da matriz de homografia. Após a resolução da matriz de rotação, introduz-se o método de obtenção do ângulo de rotação facial a partir dessa matriz. Os dois métodos são comparados nos dados da simulação, e as vantagens e desvantagens de cada algoritmo são analisadas para determinar o método utilizado neste estudo. Os resultados experimentais mostram que a precisão da previsão do modelo atinge 70%, sendo possível efetivamente supervisionar o estado psicológico dos atletas. O presente estudo é de grande importância para melhorar o desempenho dos atletas em competições e melhorar a aplicação do algoritmo de rede neural backpropagation (BP).

RESUMEN La capacidad de control psicológico de atletas afecta directamente las competencias. Por lo tanto, es muy necesario supervisar la psicología de juego de esos individuos. El modelo de supervisión del estado de juego de los atletas es construido por medio del algoritmo de extracción de informaciones faciales. La matriz de homografía y el método de cálculo son introducidos. Enseguida, son introducidos dos métodos para resolver la matriz de rotación a partir de la matriz de homografía. Después de la resolución de la matriz de rotación, se introduce el método de obtención del ángulo de rotación facial a partir de esa matriz. Los dos métodos son comparados en los datos de la simulación, y las ventajas y desventajas de cada algoritmo son analizadas para determinar el método utilizado en este estudio. Los resultados experimentales muestran que la precisión de la previsión del modelo alcanza 70%, siendo posible efectivamente supervisar el estado psicológico de los atletas. El presente estudio es de gran importancia para mejorar el desempeño de los atletas en competencias y mejorar la aplicación del algoritmo de red neuronal backpropagation (BP).

Modelagem e simulação de um sistema inteligente para controle de dosagem da pós-cloração em estações de tratamento de água / Modeling and simulation of an intelligent system for dosage control of post-chlorination in water treatment plants

RESUMO Este artigo apresenta um modelo de rede neural para controlar a dosagem de cloro na água tratada, a fim de obter melhores resultados na estabilidade do cloro residual livre, quando comparados ao controle Proporcional-Integral-Derivativo (PID) empregado atualmente e na consequente redução do consumo de cloro no processo de tratamento de água. Entre os diferentes desinfetantes, o cloro é amplamente utilizado em estações de tratamento de água de grande porte no mundo. No Brasil, especialmente nas grandes cidades, esse produto químico é também empregado como um agente desinfetante. Nesse contexto, um modelo que utiliza redes neurais artificiais foi implementado e simulado no software Matlab, levando-se em conta as características operacionais de uma estação de tratamento localizada na região metropolitana de São Paulo.

ABSTRACT This paper presents an approach using a neural network model to control chlorine dosage in treated water, so as to obtain better results in the stability of the free residual chlorine, when compared to the control currently used, based on the Proportional-Integral-Derivative (PID) model and the consequent reduction in chlorine consumption in the water treatment process. Among the different disinfectants, chlorine is widely used in large water treatment plants in the world. In Brazil, especially in large cities, this chemical product is also used as a disinfectant agent. In this context, a neural model was implemented and simulated in MatLab software, taking into account the operational characteristics of a treatment plant, located in the São Paulo Metropolitan Region.

Uso de redes neurais artificiais para classificação de municípios quanto à vulnerabilidade social no Estado do Rio Grande do Norte, Brasil / The use of artificial neural networks to classify the social vulnerability of municipalities in Rio Grande do Norte State, Brazil / Uso de redes neuronales artificiales para la clasificación de municipios respecto a la vulnerabilidad social en Estado del Rio Grande do Norte, Brasil

Resumo: O objetivo foi aplicar as redes neurais artificiais para classificar os municípios do Estado do Rio Grande do Norte, Brasil, de acordo com sua vulnerabilidade social. Estudo ecológico que utilizou 17 variáveis que refletissem os indicadores epidemiológicos, demográficos, socioeconômicos e educacionais para o ano de 2010. As fontes pesquisadas foram o Atlas do Desenvolvimento Humano no Brasil e o Instituto Brasileiro de Geografia e Estatística. Para a classificação dos municípios, foram aplicadas as redes neurais artificiais, dos tipos PNN e Multilayer feedforward, resultando a classificação em cinco categorias de vulnerabilidade: muito alta, alta, média, baixa e muito baixa. A fase de treinamento das redes utilizou os valores de mínimo, máximo, percentis 25 e 75 e mediana das 17 variáveis selecionadas. A rede Multilayer feedforward com seis nós apresentou os melhores resultados. Os municípios da região metropolitana (Natal, Parnamirim), das microrregiões do Seridó oriental e ocidental (Caicó, Currais Novos, São José do Seridó, Jardim do Seridó, Parelhas, Carnaúba dos Dantas) apresentaram níveis mais baixos de vulnerabilidade. Os municípios de alta e muito alta vulnerabilidade encontram-se na mesorregião do Leste potiguar: nas microrregiões do Litoral Nordeste (municípios de João Câmara, Touros, Caiçara do Rio dos Ventos) e do Litoral Sul (Nísia Floresta, São José do Mipibu, Arês, Canguaretama). A rede neural classificou os municípios com elevada precisão, destacando os que possuem extrema vulnerabilidade daqueles que detêm os melhores indicadores sociais.

Abstract: The objective was to apply artificial neural networks to classify municipalities (counties) in Rio Grande do Norte State, Brazil, according to their social vulnerability. This was an ecological study using 17 variables that reflected epidemiological, demographic, socioeconomic, and educational indicators for the year 2010. The sources were the Human Development Atlas for Brazil and the Brazilian Institute of Geography and Statistics. For classification of the municipalities, the study applied the artificial neural networks of the PNN and Multilayer feedforward types, resulting in a classification in five categories of vulnerability: very high, high, medium, low, and very low. The networks' training phase used the minimum and maximum values, 25th and 75th percentiles, and medians for the 17 selected variables. The Multilayer feedforward network with six nodes showed the best results. The municipalities from the Metropolitan Area (Natal, Parnamirim) and the eastern and western Seridó micro-regions (Caicó, Currais Novos, São José do Seridó, Jardim do Seridó, Parelhas, Carnaúba dos Dantas) showed the lowest levels of vulnerability. The municipalities with high and very high vulnerability were located in the East of the state, in the micro-regions of the Northeast Coast (João Câmara, Touros, Caiçara do Rio dos Ventos) and Southern Coast (Nísia Floresta, São José do Mipibu, Arês, Canguaretama). The neural network classified the municipalities with high precision, distinguishing those with extreme vulnerability from those with better social indicators.

Resumen: El objetivo fue aplicar las redes neuronales artificiales para clasificar los municipios del estado de Rio Grande do Norte, Brasil, de acuerdo con su vulnerabilidad social. Se realizó un estudio ecológico que utilizó 17 variables que reflejaron los indicadores epidemiológicos, demográficos, socioeconómicos y educacionales durante el año 2010. Las fuentes investigadas fueron: el Atlas de Desarrollo Humano en Brasil y el Instituto Brasileño de Geografía y Estadística. Para la clasificación de los municipios, se aplicaron las redes neuronales artificiales de los tipos PNN y Multilayer feedforward, resultando la clasificación en cinco categorías de vulnerabilidad: muy alta, alta, media, baja y muy baja. La fase de entrenamiento de las redes utilizó los valores: mínimo, máximo, percentiles 25 y 75 y mediana de las 17 variables seleccionadas. La red Multilayer feedforward con seis nudos presentó los mejores resultados. Los municipios de la región metropolitana (Natal, Parnamirim), de las microrregiones del Seridó oriental y ocidental (Caicó, Currais Novos, São José do Seridó, Jardim do Seridó, Parelhas, Carnaúba dos Dantas) presentaron niveles más bajos de vulnerabilidad. Los municipios de alta y muy alta vulnerabilidad se encuentran en la mesorregión del este potiguar: en las microrregiones del litoral nordeste (municipios de João Câmara, Touros, Caiçara do Rio dos Ventos) y del litoral sur (Nísia Floresta, São José do Mipibu, Arês, Canguaretama). La red neuronal clasificó los municipios con elevada precisión, destacando los que poseen extrema vulnerabilidad de aquellos que ostentan los mejores indicadores sociales.

Multi-categorical classification using deep learning applied to the diagnosis of gastric cancer / Classificação multicategórica utilizando aprendizagem profunda aplicada ao diagnóstico de adenocarcinoma gástrico

ABSTRACT Introduction: Pathologists currently face a substantial increase in workload and complexity of their diagnosis work on different types of cancer. This is due to the increased incidence and detection of neoplasms, associated with diagnostic subspecialization and the advent of personalized medicine. There are numerous treatments available for different types of cancer, and the diagnosis must be dispensed quickly and accurately for each case. Deep learning is a tool that has been used in daily life, including image detection, and there is growing interest in its application in Medicine and especially in Pathology, where it has a revolutionary potential. Objective: In this article, we present deep learning, in particular convolutional neural networks, as a potential technique for the analysis of digitized images of histopathological slides, detecting identifiable patterns in an automated manner, introducing the possibility of applying this technology as an auxiliary tool in the diagnosis of neoplasms, especially in gastric cancer, the object of this preliminary study. Method: From a database of digitized images of histopathological slides representative of gastric cancer, we identified three morphological patterns of neoplasia, as well as non-neoplastic tissue patterns, with which we train a convolutional neural network algorithm, designed to identify and categorize similar images within these standards, in an automated manner. Results: The results of identification and automatic classification in the defined categories were satisfactory, with ROC curves above 0.9. Conclusion: The results show the potential application of convolutional neural networks for digitized slides of gastric cancer, in accordance with international literature findings.

RESUMEN Introducción: Los patólogos enfrentan actualmente un aumento sustancial de su trabajo diagnóstico en diferentes tipos de cáncer. Eso ocurre debido al incremento de la incidencia y de la detección de neoplasias, además de la subespecialización diagnóstica y del advenimiento de la medicina personalizada. Hay numerosos tratamientos disponibles para diferentes tipos de cáncer, y el diagnóstico debe ser realizado con celeridad y precisión para cada caso. El aprendizaje profundo es una herramienta que ha sido empleada en el día a día, incluso en la detección de imágenes, y hay creciente interés en su aplicación en Medicina, especialmente en Patología, área en la que presenta potencial revolucionario. Objetivo: En este artículo presentamos el aprendizaje profundo, en especial las redes neuronales convolucionales, como una técnica potencial para el análisis de imágenes digitalizadas de portaobjetos histopatológicos, detectando patrones identificables de forma automatizada, introduciendo la posibilidad de empleo de esa tecnología como herramienta auxiliar en el diagnóstico de neoplasias, principalmente en el adenocarcinoma gástrico, objeto de este estudio preliminar. Métodos: A partir de una base de datos de imágenes digitalizadas de portaobjetos histopatológicos representativos de adenocarcinoma gástrico, identificamos tres patrones morfológicos de la neoplasia, así como patrones de tejidos no neoplásicos, con los cuales entrenamos un algoritmo de red neuronal convolucional, creado para identificar y categorizar imágenes semejantes dentro de eses patrones, de modo automatizado. Resultados: Los resultados de identificación y clasificación automática en las categorías definidas se mostraron satisfactorios, con curvas ROC por encima de 0,9. Conclusión: Los resultados muestran el potencial de aplicación de las redes neuronales convolucionales en portaobjetos digitalizados de adenocarcinoma gástrico, en conformidad con la literatura internacional.

RESUMO Introdução: Os patologistas enfrentam atualmente um aumento substancial na carga e na complexidade de seu trabalho diagnóstico em diferentes tipos de câncer. Isso ocorre devido ao aumento da incidência e da detecção de neoplasias, além da subespecialização diagnóstica e do advento da medicina personalizada. Existem inúmeros tratamentos disponíveis para diferentes tipos de câncer, e o diagnóstico deve ser dado com celeridade e precisão para cada caso. A aprendizagem profunda é uma ferramenta que vem sendo empregada no dia a dia, inclusive na detecção de imagens, e há crescente interesse em sua aplicação na Medicina, especialmente na Patologia, área em que apresenta potencial revolucionário. Objetivo: Neste artigo, apresentamos a aprendizagem profunda, em específico as redes neurais convolucionais, como uma potencial técnica para a análise de imagens digitalizadas de lâminas histopatológicas, detectando padrões identificáveis de forma automatizada, introduzindo a possibilidade de aplicação dessa tecnologia como ferramenta auxiliar no diagnóstico de neoplasias, principalmente no adenocarcinoma gástrico, objeto deste estudo preliminar. Métodos: A partir de um banco de dados de imagens digitalizadas de lâminas histopatológicas representativas de adenocarcinoma gástrico, identificamos três padrões morfológicos da neoplasia, bem como padrões de tecidos não neoplásicos, com os quais treinamos um algoritmo de rede neural convolucional, criado com a finalidade de identificar e categorizar imagens similares dentro desses padrões, de forma automatizada. Resultados: Os resultados de identificação e classificação automática nas categorias definidas mostraram-se satisfatórios, com curvas ROC acima de 0,9. Conclusão: Os resultados evidenciam o potencial de aplicação das redes neurais convolucionais em lâminas digitalizadas de adenocarcinoma gástrico, consoantes com a literatura internacional.

An early PDP connectionist model for describing the behavioral phenomenon / Um modelo inicial do conexionismo PDP para descrever o fenômeno comportamental / Un modelo conexionista PDP inicial para describir els fenómeno del comportamiento

The focus of modern neuroscience on cognitive processes has relegated to behavior the epiphenomenal status of neural processing and the difficulties generated by this interpretation have encouraged the use of computational models. However, the implementation based on inferred cognitive constructs has been inefficient. The objective of this work was to review the concept of behavior by a selectionist approach and propose a connectionist computational model that operates integrally with its neurophysiological bases. The behavioral phenomenon was functionally defined and described at different levels of analysis. Functional levels make it possible to understand why behavioral phenomena exist, while topographic levels describe how morphophysiological mechanisms implement the response. The connectionist notions of PDP ANNs formalizes the proposal. The model stands out for contextualizing neural processing as part of the response, addressing the behavioral phenomenon as a whole that needs to be explained in its most different levels of analysis.

O enfoque das neurociências modernas nos processos cognitivos tem relegado ao comportamento o status de epifenômeno do processamento neural e as dificuldades geradas por essa interpretação incentivaram o uso de modelos computacionais. Entretanto, a implementação pautada em construtos cognitivos inferidos tem sido ineficiente. Foi objetivo desse trabalho revisar o conceito de comportamento pelo viés selecionista para se propor um modelo computacional conexionista que opere integradamente com suas bases neurofisiológicas. O fenômeno comportamental foi definido funcionalmente e descrito em diferentes níveis de análise. Os níveis funcionais possibilitam entender o porquê do fenômeno comportamental, enquanto que os níveis topográficos descrevem como os mecanismos morfofisiológicos implementam a resposta. A formalização do modelo foi realizada com noções conexionistas de RNAs de PDP. O modelo se destaca por contextualizar o processamento neural como parte da resposta, tratando o fenômeno comportamental como um todo que precisa ser explicado em seus mais diferentes níveis de análise.

El enfoque de las neurociencias modernas en los procesos ha relegado al comportamiento el status de epifenómeno del procesamiento neural y las dificultades generadas por esa interpretación incentivaron el uso de modelos computacionales. Sin embargo, la implementación pautada en construcciones cognoscitivas inferidas ha sido ineficiente. Fue objetivo de ese trabajo revisar el concepto de conducta por el sesgo seleccionista para proponer un modelo computacional conexionista que opere íntegramente con sus bases neurofisiológicas. El fenómeno conductual fue definió funcionalmente y descrito en diferentes niveles de análisis. Los niveles funcionales posibilitan entender el porqué del fenómeno conductual, mientras que los niveles topográficos describen cómo los mecanismos morfofisiológicos implementan la respuesta. La formalización del modelo fue realizada con nociones conectivistas de RNAs de PDP. El modelo se destaca por contextualizar el procesamiento neural como parte de la respuesta, tratando el fenómeno conductual como un todo que necesita ser explicado en sus más diferentes niveles de análisis.

Identificación de la delimitación administrativa de la malaria usando redes neuronales artificiales / Boundary Delimitiation of Malaria using Artificial Neural Networks / Identificação da Delimitação Administrativa da Malária usando Redes Neurais Artificiais

Resumen La metodología de clustering fue utilizada para agrupar tres barrios en Quibdó teniendo en cuenta factores que favorecen el desarrollo de la malaria. Los mapas auto-organizados de Kohonen fueron utilizados para el análisis de las características más significativas en la clasificación. Los clusters detectados fueron comparados con la clasificación geográfica de las casas, encontrando, que los mapas auto-organizados de Kohonen clasifican las casas por las condiciones ambientales propicias para el desarrollo del mosquito más que por la clasificación administrativa de la ciudad.

Resumo A Metodologia de Clustering foi usada para agrupar três bairros em Quibdo, Colômbia, levando em consideração fatores que favorecem o desenvolvimento da malária. Mapas auto-organizados de Kohonen foram utilizados para a análise das características mais significativas no agrupamento. Os Clusters detectados foram comparados com o agrupamento geo-gráfico de casas, mostrando que os mapas auto-organizados de Kohonen agrupam as casas pelas condições ambientais favoráveis ao desenvolvimento do mosquito e não pelo agrupamento administrativo da cidade.

Abstract Clustering methodology was used to group three neighborhoods in Quibdo taking into account factors that favor the development of malaria. The Kohonen self-organizing maps were used for the analysis of the most significant features in the standings. The detected clusters were compared with the geographical classification of houses, finding that the Kohonen self-organizing maps households classified by environmental conditions conducive to development rather than the administrative classification of the city.

Multivariate analysis and neural networks application to price forecasting in the Brazilian agricultural market / Aplicação de análise multivariada e redes neurais para previsão de preços no mercado agrícola brasileiro

ABSTRACT: The purpose of this study is to apply the methodology proposed by PINHEIRO & SENNA (2015) to a set of agricultural products traded in Brazil. The multivariate and nonlinear character of this methodology has shown to be suitable, as compared to the neural network model, since it allows for a better predictive performance. Results obtained in an out-of-sample period, by using the calculated error and statistical test, confirmed this statement. This study will be useful to farmers as price forecasting based on their tendency is relevant.

RESUMO: O objetivo deste estudo é aplicar a metodologia proposta por PINHEIRO & SENNA (2015) a um conjunto de produtos agrícolas negociados no Brasil. O caráter multivariado e não linear dessa metodologia mostrou ser adequado, quando comparado com o modelo de redes neurais, pois ele permite um melhor desempenho preditivo. Os resultados obtidos em um período fora da amostra, usando o erro calculado e o teste estatístico, confirmam isso. Este estudo será útil aos agricultores, pois a previsão dos preços com base em sua tendência é relevante.

Evaluation of thymic lymphocyte loss of broiler using Digital Analysis of the Lymphoid Depletion System (ADDL) / Avaliação de perda de linfócitos do timo em frangos usando análise digital do sistema de depleção linfóide (ADDL)

The thymus is a lymphoid organ and usually evaluated for the degree of lymphocyte loss with subjective histological techniques. This study aimed to adapt and to apply of the digital analysis of the lymphoid depletion system (ADDL) in the thymus in order to obtain a more accurate analysis. Glucocorticoid was used to induce immunosuppression in 55 broilers at 21 days of age; other 15 broilers were the control group. After euthanasia of the broilers, postmortem examination was made. Both thymic chains were collected and six lobes were selected for histological examination of the degree of lymphocyte depletion (scores 1 to 5) and for submission to all stages of processing by the ADDL system. The artificial constructed neural networks (ANN) obtained 94.03% of correct classifications. In conclusion, it was possible to adopt objective criteria to evaluate thymic lymphoid depletion with the ADDL system.(AU)

O timo é um órgão linfóide, que é normalmente avaliado para o grau de perda de linfócitos a partir de técnicas histológicas subjetivas. Este trabalho teve como objetivo a adaptação e aplicação do sistema de análise digital de depleção linfóide (ADDL) para o timo, a fim de tornar sua análise mais acurada. Glicocorticóides foram utilizados a fim de induzir imunossupressão em 55 aves de 21 dias de idade. Outras 15 aves formaram o grupo controle. Posteriormente, para cada um dos aves, realizou-se a eutanásia e necropsia. Ambas as cadeias do timo foram coletadas e foram selecionadas seis lóbulos para processamento histológico, análise quanto ao grau de depleção linfocitária (escores de 1-5) e submissão a todas as fases do processamento pelo sistema ADDL. Observou-se que a rede neural artificial (RNA) construída obteve 94,03% de classificações corretas. Em conclusão, foi possível adotar critérios objetivos para avaliar a depleção linfóide tímica utilizando o sistema ADDL.(AU)