Síndrome visual informático en escolares peruanos durante la pandemia COVID-19 / Computer vision syndrome in Peruvian schoolchildren during the COVID-19 pandemic / Síndrome visual do computador em escolares peruanos durante a pandemia COVID-19

El SVI como problema de salud, también puede tener un impacto económico significativo y sus consecuencias perjudiciales pueden continuar incluso cuando la pandemia haya terminado. Objetivo. Determinar la prevalencia y causas relacionadas del síndrome visual informático (SVI) entre los estudiantes de 12 a 17 años, durante la COVID-19. Materiales y Métodos. Se realizó una investigación de tipo transversal, observacional, analítica y cuantitativa, la población estuvo constituida por 345 estudiantes de educación secundaria, se aplicó una encuesta a través de GoogleForms usando como instrumento, el cuestionario de Computer Vision Sympton Scale (CVSS17). Resultados. Se evidenció que los participantes padecen del síndrome visual informático (SVI) entre un nivel leve a muy severo (67%), la mayoría de los participantes presentan mayor uso de dispositivos digitales por día de 4-6 horas. Sintomatología de fotofobia a pantalla 73,3%, dolor de ojos 69,9% y ardor de ojos 66,4%. No evidencia enfermedades visuales 77.7%; algunos casos eventuales de miopía, astigmatismo, hipermetropía y anisometropía, por lo cual, se concluye que los participantes padecen del síndrome visual informático entre un nivel leve a muy severo (67%). Conclusiones. Se sugiere solicitar un diagnóstico completo que permita tener una información real del daño ocasionado por el SVI.

As a health problem, SVI can also have a significant economic impact and its detrimental consequences may continue even when the pandemic is over. Objective. To determine the prevalence and related causes of computer vision syndrome (CVI) among students aged 12 to 17 years during COVID-19. Materials and Methods. A cross-sectional, observational, analytical and quantitative research was conducted, the population consisted of 345 high school students, a survey was applied through GoogleForms using as instrument, the Computer Vision Sympton Scale (CVSS17) questionnaire. Results. It was evidenced that the participants suffer from computer vision syndrome (CVSS) between a mild to very severe level (67%), most of the participants present greater use of digital devices per day of 4-6 hours. Symptomatology of photophobia to screen 73.3%, eye pain 69.9% and burning eyes 66.4%. No evidence of visual diseases 77.7%; some eventual cases of myopia, astigmatism, hyperopia and anisometropia, therefore, it is concluded that participants suffer from computer visual syndrome between a mild to very severe level (67%). Conclusions. It is suggested to request a complete diagnosis that allows us to have real information about the damage caused by CVI.

Como um problema de saúde, a SVI também pode ter um impacto econômico significativo e suas consequências prejudiciais podem continuar mesmo após o fim da pandemia. Objetivo. Determinar a prevalência e as causas relacionadas à síndrome da visão computacional (SVI) entre estudantes de 12 a 17 anos durante a COVID-19. Materiais e métodos. Foi realizada uma pesquisa transversal, observacional, analítica e quantitativa, a população consistiu em 345 alunos do ensino médio, uma pesquisa foi aplicada por meio do GoogleForms usando o questionário Computer Vision Sympton Scale (CVSS17) como instrumento. Resultados. Verificou-se que os participantes sofrem de síndrome da visão computacional (CVSS) entre um nível leve a muito grave (67%), a maioria dos participantes tem um uso maior de dispositivos digitais por dia de 4-6 horas. Sintomatologia de fotofobia de tela 73,3%, dor ocular 69,9% e ardência ocular 66,4%. Nenhuma evidência de doenças visuais 77,7%; alguns casos eventuais de miopia, astigmatismo, hipermetropia e anisometropia, portanto, conclui-se que os participantes sofrem de síndrome visual do computador entre um nível leve e muito grave (67%). Conclusões. Sugere-se que seja solicitado um diagnóstico completo para obter informações reais sobre os danos causados pela IVC.

Target tracking in complex scenes based on computer vision / Rastreamento de alvos em cenas complexas com base na visão computadorizada / Seguimiento de blancos en escenas complejas con base en la visión computadorizada

ABSTRACT Objective: Use the deep learning network model to identify key content in videos. Methodology: After reviewing the literature on computer vision, the feature extraction of the target video from the network using deep learning with the time-series data enhancement method was performed. The preprocessing method for data augmentation and Spatio-temporal feature extraction on the video based on LI3D network was explained. Accuracy rate, precision, and recall were used as indices. Results: The three indicators increased from 0.85, 0.88, and 0.84 to 0.89, 0.90, and 0.88, respectively. This shows that the LI3D network model maintains a high recall rate accompanied by high accuracy after data augmentation. The accuracy and loss function curves of the training phase show that the accuracy of the network is greatly improved compared to I3D. Conclusion: The experiment proves that the LI3D model is more stable and has faster convergence. By comparing the accuracy curve and loss function curve during LI3D, LI3D-LSTM, and LI3D-BiLSTM training, it is found that the LI3D-BiLSTM model converges faster. Level of evidence II; Therapeutic studies - investigation of treatment results.

RESUMO Objetivo: Usar o modelo de rede de aprendizagem profunda para identificar o conteúdo-chave em vídeos. Metodologia: Após revisão da literatura sobre a visão computadorizada, efetuou-se a extração da característica do vídeo alvo da rede utilizando o aprendizado profundo com o método de melhoramento de dados em séries temporais. Foi explanado o método de pré-processamento para aumento de dados e extração da característica espaço-temporal no vídeo baseado na rede LI3D. Foram utilizados como índices a taxa de precisão, precisão e recall. Resultados: Os três indicadores aumentaram de 0,85, 0,88, e 0,84 para 0,89, 0,90, e 0,88, respectivamente. Isso mostra que após o aumento dos dados, o modelo de rede LI3D mantém uma alta taxa de recuperação acompanhada de uma alta precisão. As curvas de precisão e função de perda da fase de treinamento demonstram que a precisão da rede é muito melhorada em comparação com a I3D. Conclusão: O experimento prova que o modelo LI3D é mais estável e que a convergência é mais rápida. Ao comparar a curva de precisão e a curva de função de perda durante o treinamento LI3D, LI3D-LSTM e LI3D-BiLSTM, verifica-se que o modelo LI3D-BiLSTM converge mais rapidamente. Nível de evidência II; Estudos terapêuticos - investigação de resultados de tratamento.

RESUMEN Objetivo: Utilizar el modelo de red de aprendizaje profundo para identificar el contenido clave en los vídeos. Metodología: Después de revisar la literatura sobre visión por ordenador, se realizó la extracción de características del vídeo objetivo de la red utilizando el aprendizaje profundo con el método de aumento de datos de series temporales. Se explicó el método de preprocesamiento para el aumento de datos y la extracción de características espacio-temporales en el vídeo basado en la red LI3D. Se utilizaron como índices la tasa de exactitud, la precisión y recall. Resultados: Los tres indicadores aumentaron de 0,85, 0,88 y 0,84 a 0,89, 0,90 y 0,88, respectivamente. Esto demuestra que el modelo de red LI3D mantiene un alto índice de recuperación acompañado de una alta precisión tras el aumento de datos. Las curvas de precisión y de función de pérdida de la fase de entrenamiento muestran que la precisión de la red mejora mucho en comparación con la I3D. Conclusión: El experimento demuestra que el modelo LI3D es más estable y tiene una convergencia más rápida. Al comparar la curva de precisión y la curva de función de pérdida durante el entrenamiento de LI3D, LI3D-LSTM y LI3D-BiLSTM, se observa que el modelo LI3D-BiLSTM converge más rápidamente. Nivel de evidencia II; Estudios terapéuticos - investigación de resultados de tratamiento.

Computational classification of animals for a highway detection system / Classificação computacional de animais para sistema de detecção nas rodovias

Vehicle-animal collisions represent a serious problem in roadway infrastructure. To avoid these roadway collisions, different mitigation systems have been applied in various regions of the world. In this article, a system for detecting animals on highways is presented using computer vision and machine learning algorithms. The models were trained to classify two groups of animals: capybaras and donkeys. Two variants of the convolutional neural network called Yolo (You only look once) were used, Yolov4 and Yolov4-tiny (a lighter version of the network). The training was carried out using pre-trained models. Detection tests were performed on 147 images. The accuracy results obtained were 84.87% and 79.87% for Yolov4 and Yolov4-tiny, respectively. The proposed system has the potential to improve road safety by reducing or preventing accidents with animals.(AU)

As colisões entre veículos e animais representam um sério problema na infraestrutura rodoviária. Para evitar tais acidentes, medidas mitigatórias têm sido aplicadas em diferentes regiões do mundo. Neste projeto é apresentado um sistema de detecção de animais em rodovias utilizando visão computacional e algoritmo de aprendizado de máquina. Os modelos foram treinados para classificar dois grupos de animais: capivaras e equídeos. Foram utilizadas duas variantes da rede neural convolucional chamada Yolo (você só vê uma vez) ­ Yolov4 e Yolov4-tiny (versão mais leve da rede) ­ e o treinamento foi realizado a partir de modelos pré-treinados. Testes de detecção foram realizados em 147 imagens e os resultados de precisão obtidos foram de 84,87% e 79,87% para Yolov4 e Yolov4-tiny, respectivamente. O sistema proposto tem o potencial de melhorar a segurança rodoviária reduzindo ou prevenindo acidentes com animais.(AU)

Evaluating the diameter of eyedropper tips using a computer vision system / Avaliação do diâmetro de bicos de conta-gotas de colírios por visão computacional

ABSTRACT Purpose: This study aimed to determine the variation in diameters of outer and inner apertures of eyedropper tips using a computer vision system. Standardizing the size of eye drop nozzles is crucial to reduce the treatment cost of chronic eye diseases and to ensure a continued use of medication. An eyedropper volume of >20 µL (maximum storage of the conjunctival sac) causes medication wastage and increases treatment costs. Methods: We measured the diameters of the outer and inner apertures of eyedropper tips and evaluated variations in diameters using a computerized visual inspection system. Results: The computer visual inspection system identified anomalies in the apertures of eyedropper tips that resulted in diameter variations. Conclusions: The results of the present study show discrepancies in diameters of eyedropper tips, suggesting a variation in eyedropper size and medication wastage.

RESUMO Objetivo: Este estudo teve como objetivo determinar a variação dos diâmetros das aberturas externa e interna dos bicos conta-gotas utilizando sistema de visão computacional. A padronização do tamanho dos colírios conta-gotas é importante para reduzir o custo do tratamento de doenças crônicas e garantir o uso contínuo de medicamentos. O volume da gota maior do que 20 µl (volume de armazenamento máximo do saco conjuntival) gera desperdício da medicação e aumenta o custo do tratamento. Métodos: Medimos os diâmetros das aberturas externa e interna das pontas dos conta-gotas e avaliamos as variações no diâmetro usando um sistema de inspeção visual computadorizado. Resultados: O sistema de inspeção visual por computador identificou anomalias nas aberturas dos bicos dos frascos conta-gotas que resultaram em variações de diâmetro. Conclusões: Os resultados do presente estudo mostram discrepâncias nos diâmetros dos bicos dos frascos dos conta-gotas, sugerindo uma variação no tamanho das gotas e no desperdício de remédios.

Software for automatic diagnostic prediction of skin clinical images based on ABCD rule / Software para predição diagnóstica automática de imagens clínicas da pele baseada na regra ABCD

Cancer is responsible for about 7 million annual deaths worldwide. Among them, the melanoma type, responsible for 4% of the skin cancers, whose incidence has doubled in the last ten years. The processing of digital images has shown good potential for assistance in the early detection of melanomas. In this sense, the objective of the current study was to develop a software for clinical images processing and reach a score of accuracy higher than 95%. The ABCD rule was used as a guide for the development of computational analysis methods. MATLAB was used as programming environment for the development of the processing of digital images software. The images used were acquired from two banks of free images. They included images of melanomas (n=15) and nevi images (not cancer) (n=15). Images in RGB color channel were used, which were converted to grayscale, 8x8 median filter applications and 3x3 neighborhood approach technique. After, we proceeded to the binarization and inversion of black and white for later extraction of contour characteristics of the lesion. The classifier used was an artificial neural network of radial basis, getting accuracy for diagnosis of melanomas images of 100% and of 90.9% for not cancer images. Thus, global correction for diagnostic prediction was 95.5%. An area under the ROC graph 0.967 was achieved, suggesting a great diagnostic predictive ability. Besides, the software presents low cost use, since it can be run on most operating systems used nowadays.

O câncer é responsável por cerca de 7 milhões de óbitos anuais em todo o mundo. Entre eles, o tipo melanoma, responsável por 4% dos cânceres de pele, cuja incidência dobrou mundialmente nos últimos dez anos. O processamento digital de imagens tem mostrado um bom potencial para auxiliar no diagnóstico precoce de melanomas. Neste sentido, objetivo do presente estudo foi desenvolver um software para processamento digital de imagens clínicas para diagnóstico automático baseado na regra ABCD que alcançasse um percentual de acerto maior do que 95% dos casos. Utilizou-se como norteador a regra ABCD para o desenvolvimento de métodos de análise computacional. Empregou-se o MATLAB como ambiente de programação para o desenvolvimento de um software para o processamento digital de imagens. As imagens utilizadas foram adquiridas de dois bancos de imagens de acesso livre. Foram inclusas imagens clínicas de melanomas (n=15) e imagens de nevos (lesão melanocítica benigna) (n=15). Utilizaram-se imagens no canal de cor RGB, as quais foram convertidas para escala de cinza, aplicação de filtro de mediana 8x8 e técnica de aproximação por vizinhança 3x3. Após, procedeu-se a binarização e inversão de preto e branco para posterior extração das características do contorno da lesão. O classificador utilizado foi uma rede neural artificial de base radial, obtendo acerto diagnóstico para as imagens melanomas de 100% e para imagens benignas de 90,9%. Desta forma, o acerto global para predição diagnóstica foi de 95,5%. Obteve-se uma área sob a curva ROC de 0,967, o que sugere uma excelente capacidade de predição diagnóstica, sobretudo, com baixo custo de utilização, visto que o software pode ser executado na grande maioria dos sistemas operacionais hoje utilizados.

Um anjo para ELA: arquitetura baseada em visão computacional aplicada ao monitoramento on-line de parâmetros respiratórios de pacientes com Esclerose Lateral Amiotrófica (ELA) em ambiente hospitalar / An angel for ALS: architecture based on computer vision applied for on-line monitoring respiratory parameters of patients with Amyotrophic Lateral Sclerosis (ALS) in hospital environment

INTRODUÇÃO: A Esclerose Lateral Amiotrófica (ELA) é uma doença neurodegenerativa, caracterizada por uma progressiva e fatal perda de neurônios motores do córtex cerebral, tronco encefálico e medula espinhal, mas que mantém preservada a atividade intelectual e cognitiva do paciente. Pacientes acometidos por essa doença irão invariavelmente necessitar do auxílio de ventiladores mecânicos. MÉTODOS: Foi utilizado um conjunto de hardware e software para realizar o monitoramento dos parâmetros respiratórios dos pacientes em leitos hospitalares como forma de auxiliar à equipe de saúde. O monitoramento desses parâmetros deu-se por meio de uma webcam, que capturava os valores exibidos na tela do ventilador mecânico, e do emprego de técnicas de visão computacional e Optical Character Recognition (OCR). Neste sentido, o sistema foi testado sob três condições de luminosidade diferentes para verificar a eficácia do mesmo. RESULTADOS: O sistema apresentou uma média geral de acertos de 94.90%. Além disso, quando a interferência luminosa foi mínima, o sistema obteve uma média geral de acertos de 97,76%. CONCLUSÃO: A adoção de um sistema computacional baseado em visão computacional para auxílio da equipe de saúde no monitoramento hospitalar de pacientes com ELA mostrou-se satisfatória. No entanto, a pesquisa mostrou que a adoção de um sistema com maior imunidade à interferências luminosas externas tende a apresentar melhores resultados.

INTRODUCTION: Amyotrophic Lateral Sclerosis (ALS) is a neurodegenerative disease characterized by a progressive and fatal loss of motor neurons in the cerebral cortex, brainstem and spinal cord. In spite of that, the patient's intellectual and cognitive activity remains preserved. Patients affected by this disease will invariably need the help of mechanical ventilators. METHODS: A set of hardware and software was used to perform the monitoring of respiratory parameters of patients in hospital beds as a means of assisting the healthcare team. The monitoring of these parameters was performed by a webcam that captured the values displayed on the screen of the ventilator, and the employment of computer vision techniques and Optical Character Recognition (OCR). In this sense, the system was tested under three different lighting conditions to verify its effectiveness. RESULTS:The system presented an overall average of 94.90% of correct answers. Furthermore, when the luminous interference was minimum, it achieved an overall average of success of 97.76%. CONCLUSION: The adoption of a computational system based on computer vision to aid the healthcare team in hospital monitoring of patients with ALS was satisfactory. However, the research has shown that the adoption of a system with greater immunity to external light interference tends to achieve better results.

Avaliação de parâmetros da regeneração óssea através de processamento de imagens / Evaluation of parameters of bone regeneration by image processing

The aim of this work is to analize the evolution of osteotomies in goat's tibia by image processing...