As redes neurais artificiais e o ensino da medicina

As transformações da prática médica nos últimos anos - sobretudo com a incorporação de novas tecnologias da informação - apontam a necessidade de ampliar as discussões sobre o processo ensino-aprendizagem na educação médica. A utilização de novas tecnologias computacionais no ensino médico tem demonstrado inúmeras vantagens no processo de aquisição de habilidades para a identificação e a resolução de problemas, o que estimula a criatividade, o senso crítico, a curiosidade e o espírito científico. Nesse contexto, ganham destaque as Redes Neurais Artificiais (RNA) - sistemas computacionais cuja estrutura matemática é inspirada no funcionamento do cérebro humano -, as quais têm sido úteis no processo ensino-aprendizagem e na avaliação de estudantes de Medicina. Com base nessas ponderações, o escopo da presente comunicação é revisar aspectos da aplicação das RNA na educação médica.

Análise comparativa dos custos de diferentes redes de distribuição de energia elétrica no contexto da arborização urbana

Com o intuito de estudar as podas feitas em árvores urbanas e analisar novas técnicas possíveis de serem utilizadas para reduzir o número de podas e melhorar a convivência das espécies com a fiação elétrica, além de permitir à árvore desempenhar plenamente suas funções ecológicas, buscou-se levantar dados referentes aos três tipos principais de redes de distribuição de energia elétrica (aérea convencional, aérea compacta e subterrânea), em quatro concessionárias de energia elétrica, a fim de compilá-los em um só trabalho. Foram levantados custos de implantação das redes convencional, compacta e subterrânea, assim como custos de manutenção e de poda de árvores. O custo de implantação de rede convencional (primária e secundária) variou de R$54.188,39 a R$67.571,43. O custo de implantação da rede compacta (primária e secundária) foi em média R$62.215,99. Já o custo de implantação de uma rede subterrânea é, em média, de R$436.585,04. A rede compacta já é totalmente viável, principalmente por ter custo de implantação praticamente igual à rede convencional e ter custo de manutenção 80% menor. A rede subterrânea, embora com custo de implantação aproximadamente 10 vezes maior quando comparado com o custo da convencional, por ter reduzido custo de manutenção e alta confiabilidade do sistema elétrico, seu uso já pode ser viável em diversas ocasiões.

Sistema de otto-codificação modificado para endereçamento de redes hidrográficas

Há, no âmbito do gerenciamento de recursos hídricos, uma carência por sistemas de aplicação global que referenciem, indiquem e identifiquem, de forma única e eficiente, a organização espacial das bacias hidrográficas e respectivas redes de drenagem. Neste trabalho, propôs-se uma modificação no sistema de endereçamento originalmente concebido por Otto Pfafstetter. A nova metodologia utiliza tão-somente as redes de drenagem no formato vetorial e considera, em vez da área das bacias, o comprimento dos seus cursos d'água para codificá-los. Essa estratégia elimina o elevado ônus associado à obtenção de dados de altimetria e à derivação dos respectivos modelos digitais de elevação, imprescindíveis à correta determinação das áreas de contribuição das bacias hidrográficas. Adicionalmente, elimina-se o esforço computacional das operações baseadas em localização espacial, uma vez que agora é possível realizá-las exclusivamente por atributos. Com base nessa metodologia, desenvolveu-se o aplicativo Otto-Sys, utilizando a linguagem de programação AML, nativa do sistema de informações geográficas Arc/INFO workstation. Para exemplificar os resultados da otto-codificação por comprimento dos cursos d'água, apresentou-se um estudo de caso utilizando a rede de drenagem do rio Caeté, afluente do rio Iaco, pertencente à bacia do rio Purus, no Estado do Amazonas. O detalhamento dessa hidrografia vetorial implicou cinco níveis de codificação. Tendo-se codificado toda a rede hidrográfica, qualquer sistema de informações geográficas, mesmo aqueles que não dispõem de recursos específicos para análises e navegação em redes, poderá oferecer serviços de navegação topológica, organização, estruturação, endereçamento e gerenciamento dessas bases de dados. Desse modo, o acesso em tempo real a tais procedimentos poderá ser perfeitamente estendido a qualquer dispositivo capaz de acessar os sistemas web.

Ajuste do modelo de Schumacher e Hall e aplicação de redes neurais artificiais para estimar volume de árvores de eucalipto

Objetivou-se, neste trabalho, avaliar o ajuste do modelo volumétrico de Schumacher e Hall por diferentes algoritmos, bem como a aplicação de redes neurais artificiais para estimação do volume de madeira de eucalipto em função do diâmetro a 1,30 m do solo (DAP), da altura total (Ht) e do clone. Foram utilizadas 21 cubagens de povoamentos de clones de eucalipto com DAP variando de 4,5 a 28,3 cm e altura total de 6,6 a 33,8 m, num total de 862 árvores. O modelo volumétrico de Schumacher e Hall foi ajustado nas formas linear e não linear, com os seguintes algoritmos: Gauss-Newton, Quasi-Newton, Levenberg-Marquardt, Simplex, Hooke-Jeeves Pattern, Rosenbrock Pattern, Simplex, Hooke-Jeeves e Rosenbrock, utilizado simultaneamente com o método Quasi-Newton e com o princípio da Máxima Verossimilhança. Diferentes arquiteturas e modelos (Multilayer Perceptron MLP e Radial Basis Function RBF) de redes neurais artificiais foram testados, sendo selecionadas as redes que melhor representaram os dados. As estimativas dos volumes foram avaliadas por gráficos de volume estimado em função do volume observado e pelo teste estatístico L&O. Assim, conclui-se que o ajuste do modelo de Schumacher e Hall pode ser usado na sua forma linear, com boa representatividade e sem apresentar tendenciosidade; os algoritmos Gauss-Newton, Quasi-Newton e Levenberg-Marquardt mostraram-se eficientes para o ajuste do modelo volumétrico de Schumacher e Hall, e as redes neurais artificiais apresentaram boa adequação ao problema, sendo elas altamente recomendadas para realizar prognose da produção de florestas plantadas.

Estimação do volume de árvores utilizando redes neurais artificiais

Rede neural artificial consiste em um conjunto de unidades que contêm funções matemáticas, unidas por pesos. As redes são capazes de aprender, mediante modificação dos pesos sinápticos, e generalizar o aprendizado para outros arquivos desconhecidos. O projeto de redes neurais é composto por três etapas: pré-processamento, processamento e, por fim, pós-processamento dos dados. Um dos problemas clássicos que podem ser abordados por redes é a aproximação de funções. Nesse grupo, pode-se incluir a estimação do volume de árvores. Foram utilizados quatro arquiteturas diferentes, cinco pré-processamentos e duas funções de ativação. As redes que se apresentaram estatisticamente iguais aos dados observados também foram analisadas quanto ao resíduo e à distribuição dos volumes e comparadas com a estimação de volume pelo modelo de Schumacher e Hall. As redes neurais formadas por neurônios, cuja função de ativação era exponencial, apresentaram estimativas estatisticamente iguais aos dados observados. As redes treinadas com os dados normalizados pelo método da interpolação linear e equalizados tiveram melhor desempenho na estimação.

Aplicação de redes neurais artificiais para estimação da altura de povoamentos equiâneos de eucalipto

Este trabalho teve como objetivos aumentar a precisão das estimativas de altura de árvores e diminuir a necessidade de aferição da altura em campo, levando à redução dos custos no inventário florestal através da construção e validação de um modelo de estimação da altura de árvores em povoamentos de eucalipto com a utilização de redes neurais artificiais. Os dados utilizados consistiram em três clones, compreendendo cerca de 3.000 árvores em 145 parcelas permanentes com área média de 215 m², mensuradas em seis ocasiões (idades). As variáveis utilizadas para estimar a altura total das árvores dividiram-se em quantitativas: idade (meses), diâmetro com casca a 1,30 m de altura a partir da superfície do solo (dap) e altura dominante média da parcela; e qualitativa: tipo de solo com as respectivas classes. Para validação e aplicação da metodologia proposta, foram consideradas duas situações: (a) quando há a introdução de um novo material genético e não existem informações sobre a relação hipsométrica deste; (b) quando já se conhece a tendência de crescimento em altura dos povoamentos implantados, obtida pela existência de medições em parcelas de IFC. Com as metodologias testadas, obtiveram-se valores de coeficiente de correlação superiores a 0,99. As metodologias mostraram-se eficientes para alcançar os objetivos propostos, garantindo alta precisão das estimativas obtidas através das redes neurais artificiais.

Redes neurais artificiais para estimação do volume de árvores

Objetivou-se propor neste estudo uma metodologia com a utilização de Redes Neurais Artificiais (RNA), para redução do número de árvores a serem cubadas durante o processo de geração de equações volumétricas. Os dados utilizados neste estudo foram provenientes de cubagens de 2.700 árvores de povoamentos clonais de eucalipto localizados no Sul da Bahia. O treinamento das RNA foi feito visando à obtenção de redes para a estimação do volume com e sem casca. Como variáveis de entrada, utilizaram-se o diâmetro à altura do peito - 1,30 m (dap), a altura e os diâmetros nas posições de 0,0; 0,5; 1,0; 1,5; 2,0; e 4,0 m do solo e os volumes obtidos até 2 e 4 m. A precisão do método foi feita com a aplicação do teste L&O. Avaliaram-se também a dispersão dos erros percentuais, o histograma de frequência dos erros percentuais e a raiz do erro quadrático médio (RMSE). A metodologia proposta neste estudo mostrou-se eficiente para a estimação do volume de árvores, sendo indicada para a obtenção do volume total com e sem casca de povoamentos de eucalipto, possibilitando a redução dos custos para a construção de equações volumétricas.

Influência da arquitetura na estimativa de volume de árvores individuais por meio de redes neurais artificiais

As redes neurais supervisionadas são compostas por unidades de processamento organizadas de forma paralela, em que cada uma delas computa determinadas funções matemáticas. As unidades são organizadas em camadas e ligadas por pesos sinápticos que ponderam as entradas, buscando ajustá-los a um padrão de saída previamente estabelecido. É fundamental a correta definição do número de camadas e da quantidade de neurônios em cada uma delas, uma vez que o treinamento é influenciado diretamente por esses parâmetros. Para explorar esse ponto, dados de cubagem de cinco empresas diferentes foram reunidos em uma planilha e, de forma aleatória, divididos em conjunto de treinamento e conjunto de validação. Os dados foram apresentados para três redes com arquiteturas diferentes. A avaliação foi feita por meio de gráficos de resíduos e teste t (p< = 0,05). Com base nos resultados, foi possível concluir que, para obter estimativas de volume por árvore, a rede neural deve ser construída com mais de 10 neurônios na primeira camada, sendo recomendado o uso de mais de uma camada intermediária.

Utilização de redes neurais artificiais para a projeção da distribuição diamétrica de povoamento equiâneos

Objetivou-se neste estudo desenvolver e avaliar a aplicação de redes neurais artificiais para a projeção de parâmetros da distribuição Weibull. Utilizaram-se dados de parcelas permanentes de eucaliptos, mensuradas em oito ocasiões. Ajustou-se a função Weibull com dois parâmetros para todas as parcelas e ocasiões, pelo método da máxima verossimilhança. A projeção da distribuição diamétrica foi feita através de redes neurais artificiais. Comparou-se o método proposto com o método tradicionalmente utilizado na modelagem da distribuição diamétrica. Os modelos utilizando RNA apresentaram melhorias na dispersão gráfica dos resíduos, bem como das estatísticas avaliadas. O método proposto mostrou-se superior ao método comumente usado.

Desempenho de três teorias de simulação do comportamento de um trator agrícola em tração

A simulação matemática é uma ferramenta importante na diminuição de custos de produção e viabilização de novos projetos de máquinas agrícolas. Este trabalho trata da comparação entre três teorias de simulação, as chamadas teorias de predição de tração clássicas, desenvolvidas por Wismer, Brixius e Gee-Clough, na simulação do desempenho de um trator agrícola de rodas. Para efetuar uma comparação entre as três teorias e apurar as condições mais apropriadas de uso das mesmas, realizou-se um experimento de campo com um trator de tração simples (4x2), com o controle de um número apreciável de variáveis relevantes, para criar condições de comparação com uma simulação posterior. No trabalho de campo, foram utilizados tratamentos que envolviam a condição do solo, preparado ou consolidado; pneus do tipo diagonal, e a deflexão desse pneu, maior e menor. Utilizando os parâmetros medidos a campo, realizou-se a comparação com os dados simulados para a variável patinamento. A teoria Cn mostrou que possui uma faixa de utilização mais restrita do que as teorias Bn e MN, sendo o índice de cone a variável que determina essas condições de uso.

Uso de redes neurais artificiais na identificação de vocalização de suínos

O bem-estar dos animais tem sido importante tópico de pesquisa na produção animal, principalmente no tocante às formas de sua avaliação. Na avaliação do bem-estar animal, a vocalização mostra-se como ferramenta interessante, por fornecer dados de forma não-invasiva, podendo também ser facilmente automatizada. O presente trabalho teve o objetivo de implementar algoritmo baseado em redes neurais artificiais, capaz de reconhecer vocalizações relacionadas com padrões indicativos de bem-estar. A pesquisa teve duas partes, sendo a primeira o desenvolvimento do algoritmo, e a segunda, sua validação com dados de campo. Registros prévios permitiram o desenvolvimento do algoritmo, a partir de comportamentos observados em porcas alojadas em gaiolas de maternidade. O software Matlab® foi utilizado na implementação da rede. Foi selecionado um algoritmo de gradiente de retropropagação para treinar a rede com os seguintes critérios de parada: máximo de 5.000 iterações ou soma quadrática do erro menor que 0,1. A validação deu-se com porcas e leitões alojados em granja comercial. Dentre os comportamentos usuais, os que mereceram destaque foram: a disputa por alimento no momento das mamadas e o eventual risco de agressão involuntária entre os leitões ou entre esses e a porca. O algoritmo foi capaz de reconhecer, por meio da intensidade do ruído, a situação inerente ao risco de redução do bem-estar dos leitões.

Reconhecimento de variedades de soja por meio do processamento de imagens digitais usando redes neurais artificiais

Neste trabalho, foi aplicado o processamento de imagens digitais auxiliado pelas Redes Neurais Artificiais (RNA) com a finalidade de identificar algumas variedades de soja por meio da forma e do tamanho das sementes. Foram analisadas as seguintes variedades: EMBRAPA 133, EMBRAPA 184, COODETEC 205, COODETEC 206, EMBRAPA 48, SYNGENTA 8350, FEPAGRO 10 e MONSOY 8000 RR, safra 2005/2006. O processamento das imagens foi constituído pelas seguintes etapas: 1) Aquisição da imagem: as amostras de cada variedade foram fotografadas por máquina fotográfica Coolpix995, Nikon, com resolução de 3.34 megapixels; 2) Pré-processamento: um filtro de anti-aliasing foi aplicado para obter tons acinzentados da imagem; 3) Segmentação: foi realizada a detecção das bordas das sementes (Método de Prewitt), dilatação dessas bordas e remoção de segmentos não-necessários para a análise. 4) Representação: cada semente foi representada na forma de matriz binária 130x130, e 5) Reconhecimento e interpretação: foi utilizada uma rede neural feedforward multicamadas, com três camadas ocultas. O treinamento da rede foi realizado pelo método backpropagation. A validação da RNA treinada mostrou que o processamento aplicado pode ser usado para a identificação das variedades consideradas.

Utilização de análise multivariada e redes neurais artificiais na determinação do comportamento de colonização de populações de macrófitas aquáticas no reservatório de Santana

As análises de agrupamento e de componentes principais e as redes neurais artificiais foram utilizadas na determinação de padrões de comportamento das populações de macrófitas aquáticas que colonizaram o reservatório de Santana, Piraí-RJ, durante o ano de 2004. As análises de agrupamento dividiram o comportamento das populações durante o ano em dois grupos distintos, apresentando um padrão no primeiro semestre que difere daquele observado no segundo semestre do ano. A análise de componentes principais demonstrou que esse comportamento da comunidade (grupo de populações) é influenciado principalmente pelas espécies S. montevidensis, Heteranthera reniformis, Ludwigia sp., Rhynchospora aurea, C. iria, C. ferax e Aeschynomene denticulata no primeiro grupo e por Echinochloa polystachya, Polygonum lapathifolium, Alternanthera phyloxeroides, Pistia stratiotes, Eichhornia azurea, Brachiaria arrecta e Oxyscarium cubense no segundo grupo. As redes neurais artificiais agruparam as populações de macrófitas aquáticas em nove grupos, conforme sua densidade nos diferentes meses do ano. A aplicação da análise de componentes principais (ACP) nos valores de frequência das populações presentes nos primeiros três grupos de Kohonen permitiu discriminar três grupos de meses, cujas populações apresentaram características diferentes de colonização. A aplicação das redes neurais artificiais permitiu melhor discriminação dos meses e das espécies que compõem as comunidades correspondentes, quando utilizada a análise de componentes principais.

Aplicação de redes neurais para avaliação do teor de carne mecanicamente separada em salsicha de frango

A carne mecanicamente separada (CMS) de frango é uma matéria-prima cárnea produzida através de equipamentos próprios do tipo desossadores mecânicos, utilizando partes de frango de baixo valor comercial como o dorso e o pescoço. Para determinação do teor de CMS utilizada na composição de produtos cárneos comerciais construímos uma rede neural artificial do tipo Backpropagation (BP). O objetivo deste trabalho foi treinar, testar e aplicar uma rede do tipo BP, com três camadas de neurônios, para previsão do teor de CMS a partir do teor de minerais de salsichas formuladas com diferentes teores de carne de frango mecanicamente separada. Utilizamos a composição mineral de 29 amostras de salsicha contendo diferentes teores de CMS e 22 amostras de produtos cárneos comerciais. A topologia da rede foi 5-5-1. O erro quadrático médio no conjunto de treinamento foi de 2,4% e na fase de teste foi de apenas 3,8%. No entanto, a aplicação da rede às amostras comerciais foi inadequada devido à diferença de ingredientes das salsichas usadas no treinamento e os ingredientes das amostras comerciais. A rede neural construída para determinação do teor de carne mecanicamente separada mostrou-se eficiente durante a fase de treinamento e teste da rede.