English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

The neonatal incubator is a hospital equipment that provides suitable temperature conditions for newborns. This work proposes a neural inference system, based on Artificial Neural Networks (ANN) of the MultiLayer Perceptron (MLP) type, which will be used as a virtual sensor. This system will replace the installation of physical sensors during the certification or maintenance of the incubator and will be possible to monitore temperature online. The results demonstrated that the neural inference system can be used satisfactorily as a virtual sensor. Mean quadratic validation errors between 1.6x10 −3 and 1.9x10 −3 and variance between 2.533x10 −7 and 8,098x10 −7 were obtained. Resumo. A incubadora neonatal consiste em um equipamento hospitalar que proporciona condições de temperatura adequadas aos recém-nascidos. Este trabalho propõe um sistema de inferência neural, obtido a partir de redes neurais artificiais (RNA) do tipo MultiLayer Perceptron (MLP), que será utilizado como sensor virtual. Esse sistema substitui a instalação de sensores fı́sicos durante a certificação ou manutenção da incubadora e tornará possı́vel a realização do monitoramento on-line da temperatura. Os resultados demonstraram que o sistema pode ser utilizado satisfatoriamente como sensor virtual. Foram obtidos erros médios quadráticos de validação entre 1.6x10−3 e 1.9x10−3 e variância entre 2.533x10−7 e 8.098x10−7. 1. Introdução De acordo com o [IBGE 2019], estima-se que a mortalidade infantil no Brasil foi de 12.35 mortes por mil nascidos vivos para o ano de 2018. A principal causa está relacionada à hipotermia, que ocorre quando a temperatura do recém-nascido (RN) passa a ser inferior a 36.5◦ C. Diversos fatores ambientais contribuem com a hipotermia: baixa temperatura na sala de parto, transporte neonatal e controle inadequado do ambiente térmico. Para o controle da hipotermia na vida extrauterina, utiliza-se a incubadora neonatal, na qual a temperatura do recém-nascido é regulada e monitorada de forma eficiente. Sendo assim, as incubadoras foram desenvolvidas para possibilitar aos recém-nascidos condições ambientais ideais para quando o mesmo estiver em dificuldade de adaptação com o meio externo. Por serem muito sensı́veis às alterações ambientais, é preciso certificar constantemente a incubadora, verificando se os valores de temperatura no interior de sua cúpula estão dentro de faixas de operação estabelecidas pela norma técnica NBR IEC (International Electrotechnical Commission) 60601-2-19 [Associação Brasileira de Normas Técnicas 2014]. Caso essas temperaturas não estejam dentro dos limites estabelecidos pela norma, deve ser executada a manutenção da incubadora. Para isto, são realizados vários testes, nos quais sensores fı́sicos são inseridos em seu interior, sendo necessário retirar a incubadora de operação [de Araújo et al. 2013]. Existem diversos trabalhos na literatura voltados para o desenvolvimento de técnicas de otimização do funcionamento das incubadoras. O trabalho [Santos and Braga 2016], apresenta a identificação do sistema de uma incubadora neonatal baseada em técnicas adaptativas e um modelo de rede neural artificial (RNA). Dentre os modelos propostos, ARMA, RNA, ARMAX-RNA, este último se mostrou o mais promissor, com menor desvio padrão em todos os experimentos realizados. O trabalho de [de Araújo et al. 2013], propõe um novo procedimento de inferência baseado em redes neurais, com o objetivo de avaliar e calibrar a temperatura e umidade de uma incubadora neonatal. Para isso, foram apresentadas as vantagens obtidas desde a redução do número de sensores até a eficácia do método empregado, que alcançou baixos valores de erros em relação aos valores reais. Como pode ser visto nos trabalhos mencionados, todos eles utilizam redes neurais artificiais aplicadas em incubadoras neonatais. As redes neurais artificiais consistem de técnicas computacionais inspiradas na estrutura do cérebro, sendo uma das ferramentas mais difundidas e estudadas na literatura [Souza 2018]. À vista disso, a proposta desta pesquisa é desenvolver sensores virtuais, por meio de um sistema de inferência, com aplicação em tempo real e que faz uso de uma RNA do tipo MLP, treinada com base na estrutura Neural Network with Finite Inpulse Response (NNFIR). Os sensores virtuais propostos serão capazes de substituir os sensores fı́sicos nos pontos especificados na norma NBR IEC 60601-2-19, evitando, assim, a retirada do neonato da incubadora para realização de medições necessárias aos procedimentos de certificação e manutenção, permitindo o aumento do tempo de utilização do equipamento. O sistema proposto realizará a inferência dos valores de temperatura no interior da cúpula da incubadora por meio da utilização de variáveis secundarias: temperaturas medidas por um sensor externo e por um sensor que fica na estrutura interna da incubadora, próximo ao resistor de aquecimento. Espera-se que os valores de temperatura inferidos por meio da RNA sejam satisfatoriamente próximos aos valores medidos através dos sensores fı́sicos posicionados nos pontos determinados pela norma, possibilitando o uso efetivo dessa estrutura como sensor virtual. 2. Incubadora Neonatal A incubadora neonatal é um equipamento médico assistencial destinado a gerar e manter um ambiente ideal para a manutenção da vida do recém-nascido, permitindo um desenvolvimento mais saudável do neonato com baixo peso, prematuro ou com outras disfunções que justifiquem sua utilização [de Oliveira Filho et al. 2018], [Agostini et al. 2003]. O modelo de incubadora neonatal utilizado no presente trabalho é SCTI LINE. Nele, a parte que fica abaixo da cúpula corresponde ao compartimento onde ficam presentes um motor, resistência e sensores de temperatura e circulação de ar. O motor tem a função de impulsionar o ar para o compartimento do recém-nascido (RN), levando o calor e umidade ao paciente. Os sensores de temperatura e circulação de ar são responsáveis pela leitura da temperatura do ar e alarmes de segurança da incubadora. A aquisição de dados, proveniente desses sensores e o controle do aquecimento da incubadora neonatal são realizados por meio de uma placa microprocessada. O hardware utilizado possui comunicação via USB com o computador para recepção de comandos e envio dos dados medidos. Apesar de a incubadora ter fixo em sua estrutura um sensor de temperatura, o mesmo não é utilizado durante procedimentos de certificação e manutenção. Para a realização dos procedimentos citados, cinco sensores fı́sicos de temperatura são inseridos no interior da cúpula, conforme orienta a norma IEC 60601-2-19. Essa norma especifica que esses sensores adicionais devem ser colocados em cinco pontos, A à D e M, a uma distância de 10 centı́metros do colchão. O ponto M deve estar no centro, como mostra a Figura 1. Os demais pontos devem estar no centro das quatro áreas formadas pelas linhas que dividem tanto a altura quanto a largura do colchão. Figura 1. Posição dos sensores conforme a ABNT NBR IEC 60601-2-19 3. Rede Neural Artificial Redes neurais artificiais se configuram como uma técnica que possui a capacidade de aprendizado e adaptação, caracterı́sticas essas que são copiadas do funcionamento de sistemas neurais biológicos [Vellasco 2017]. Para alcançarem um bom desempenho, as redes neurais empregam uma interligação maciça de células computacionais simples denominadas neurônios ou unidades de processamento [Haykin 2007]. Um dos tipos mais comuns de RNAs são as redes MLP, que tem estrutura formada por uma camada de entrada, pelo menos uma camada intermediária (também denominada de camada escondida) e uma camada de saı́da [Nied 2007]. Trata-se de uma rede classificada como supervisionada, visto que seu processo de aprendizagem tem como base dados de entrada-saı́da e ajusta os seus parâmetros de modo iterativo através desses dados e do sinal de erro. O treinamento da RNA pode ser realizado por meio do algoritmo backpropagation, que é constituı́do de duas etapas. Na primeira, chamada forward, um padrão de entrada é apresentado à RNA e seu efeito é propagado, camada a camada, até produzir um conjunto de saı́das. Na segunda etapa, conhecida como backward, são calculadas as derivadas da função do erro com respeito aos pesos da RNA. O fluxo dos sinais nesta etapa é propagado da camada de saı́da para a camada de entrada [Haykin 2007]. Deve-se destacar que na etapa forward, os pesos sinápticos são mantidos fixos, enquanto na etapa backward os pesos são ajustados. Na Figura 2 é apresentado um exemplo da arquitetura da rede MLP, onde é possı́vel verificar o fluxo de dados na rede. As entradas da rede (xi) e o bias (+1) são multiplicados pelos pesos sinápticos (wij e Wij), no qual são utilizadas como entradas das funções de ativação (fai) presentes na camada oculta. Em seguida, as saı́das dessas funções são ponderadas por pesos sinápticos (Wij), sendo aplicado no calculo das funções de ativação dos neurônios presentes na camada de saı́da, obtendo-se, por fim, a resposta da rede neural (zi). Nesse caso, especificamente, a rede possui três entradas com dois neurônios na camada oculta e dois neurônios na camada de saı́da. A equação (1) mostra matematicamente o cálculo da saı́da da RNA para uma única camada escondida. zi(k, θ) = fai  n2 ∑

Inferência da Temperatura Interna em uma Incubadora Neonatal Utilizando Redes Neurais Artificiais