Aplicao de Redes Neurais Artificiais no Auxilio ao Diagnstico de Crianas Respiradoras Bucais e Nasais

Felipe Mancini1, Liu Chiao Yi2, Shirley Shizue Nagata Pignatari3, Antonio Carlos Roque4, Ivan Torres Pisa5
1, 5

Departamento de Informtica em Sade (DIS), Universidade Federal de So Paulo (UNIFESP), Brasil. 2, 3 Departamento de Otorrinolaringologia Peditrica e Cirurgia de Cabea e Pescoo, Universidade Federal de So Paulo (UNIFESP), Brasil. 4 Departamento de Fsica e Matemtica (DFM), Faculdade de Filosofia, Cincias e Letras de Ribeiro Preto (FFCLRP), Universidade de So Paulo (USP), Brasil.

Resumo A respirao a primeira funo vital desenvolvida por ocasio do nascimento, estabelecendo-se como principal funo do organismo. A respirao bucal crnica pode provocar alteraes posturais, alm de incitar um menor esforo do msculo diafragma. Este trabalho tem por objetivo aplicar um modelo de rede neural artificial (RNA) no-supervisionado conhecido como mapa auto-organizvel (self-organizing map, SOM) a fim de modelar uma ferramenta para auxiliar no diagnstico de crianas respiradoras bucais e nasais. De maneira geral, o SOM um classificador de padres capaz de detectar relaes no-lineares entre padres e suas classes e de represent-las por um mapa topogrfico em que padres similares so agrupados em classes vizinhas. Utilizando como padro de entrada as variveis de postura e distncia da excurso do msculo diafragma de 30 crianas respiradoras bucais e 22 crianas respiradoras nasais, o SOM apresentou sensibilidade de 0,92 e especificidade de 0,97 no diagnstico de respirador bucal e nasal. Palavras-chave: Reconhecimento de Padro, Redes Neurais, Respirao Bucal, Postura. Abstract Breath is the first vital function developed at birth, establishing itself as a major function of the organism. Chronic mouth breath can provoke postural alterations, and a smaller effort of the diaphragm muscle. The objective of this work is to apply a non-supervised artificial neural network (ANN) model known as selforganizing map (SOM) in the construction of a diagnosis tool for mouth and nasal breathing children. SOM is a pattern classifier capable of detecting nonlinear relations between patterns and their classes and of representing them by a topographic map in which similar patterns are clustered in neighbor classes. Using as input patterns the postural variables and the excursion distances of the diaphragm muscle of 30 mouth breathing children and 22 nasal breathing children, the SOM network had 0.92 of sensibility and 0.97 of specificity in the diagnosis of mouth and nasal breath. Keywords: Pattern Recognition, Neural Networks, Mouth Breath, Posture.

Introduo A respirao a primeira funo vital desenvolvida por ocasio do nascimento, estabelecendo-se como principal funo do organismo. A cavidade nasal tem papel fundamental na fisiologia respiratria, promovendo a filtrao, aquecimento e umidificao do ar inspirado, fazendo com que o mesmo chegue aos pulmes na temperatura ideal, favorecendo uma oxigenao adequada ao organismo. A cavidade bucal s intervm neste processo quando o ar inspirado no suficiente, geralmente causado por uma obstruo nasal [1, 2]. A respirao bucal na infncia resulta em queixa freqente no consultrio do pediatra, do alergologista e do otorrinolaringologista. Sabe-se

atualmente que a respirao bucal crnica, considerada com seis meses de evoluo, pode provocar alteraes no desenvolvimento odontolgico, crnio-facial e da postura corporal [3, 4, 5, 6]. Arago [7] estudou a postura corporal de 26 sujeitos respiradores bucais de 6 a 12 anos de idade e encontrou predominantemente as seguintes alteraes: cabea protrusa, retificao ou aumento da lordose da coluna cervical, escpulas aladas, depresso anterior do trax e protruso abdominal. Liu et al. [8] tambm encontraram as mesmas alteraes posturais em 76 crianas respiradores bucais de cinco a 12 anos de idade. Liu [9] mostrou que alm de apresentarem alteraes posturais, a mdia da distncia excursionada pelo msculo diafragma em sujeitos

respiradores nasais maior que em sujeitos respiradores bucais. O diafragma um msculo que apresenta um formato de cpula voltado cranialmente e separa o trax do abdmem e est fixado na face anterior de L2/L3, processo xifide e nas seis ltimas costelas. Estas fixaes alteram o comportamento dos segmentos corporais devido ao aumento da resistncia nasal para a entrada do fluxo areo o respirador bucal solicitar maior esforo dos msculos acessrios da inspirao. Esse esforo leva a uma respirao costal ou apical, comprometendo assim toda a dinmica da caixa torcica e da excurso do msculo diafragma, sendo este de fundamental importncia, pois responsvel por 70% de toda a atividade respiratria. O mapa auto-organizvel (self-organizing map, SOM) [10] um modelo de redes neurais artificiais (RNAs) no-supervisionado que, de maneira geral, realiza a reduo de dimensionalidade ou compresso de um conjunto de dados [11], mantendo representao fiel das caractersticas relevantes dos vetores de entrada, resultando na seleo de um conjunto das caractersticas do espao de entrada. Este trabalho tem por objetivo aplicar o SOM em um repositrio de dados contendo informao sobre a distncia da excurso do msculo diafragma, avaliao postural e dados antropomtricos de crianas respiradoras bucais e nasais a fim auxiliar o diagnostico crianas respiradoras bucais e nasais. Mtodos Para este estudo utilizou-se um repositrio de dados coletado no Setor de Diagnstico por Imagem e na Disciplina de Otorrinolaringologia Peditrica, da Universidade Federal de So Paulo - Escola Paulista de Medicina (UNIFESP/EPM). Foram analisadas 52 crianas, sendo que 30 foram previamente diagnosticadas como respiradoras bucais e 22 como respiradoras nasais (caso controle). Os atributos deste repositrio de dados so listados na Tabela 1. A Figura 1 lista os pontos e ngulos utilizados na avaliao postural das crianas presentes neste estudo. Para a anlise, quando so abordados os termos lordose cervical, cifose torcica, lordose lombar e posio da pelve deve-se levar em considerao os trs pontos e ngulos listados na Figura 1 itens (a), (b), (c) e (d), respectivamente, representando: (a) lordose cervical: trgus da orelha, acrmio e C7, sendo o acrmio a vrtice do ngulo; (b) cifose torcia: L1, acrmio, T7, sendo L1 a vrtice do ngulo; (c) lordose lombar: espinha ilaca ntero superior, L1 e trocanter maior, sendo a espinha ilaca ntero superior a vrtice do ngulo; (d) posio da pelve: face lateral do espao

interarticular da articulao do joelho, espinha iaca antero superior e trocanter maior, sendo a face lateral do espao interarticular da articulao do joelho a vrtice do ngulo.
Antropomtricos Sexo Idade Peso Altura IMC1 Raa Diafragma Distncia da excurso do lado direito (PD) Distncia da excurso do lado esquerdo (PE) Postura Lordose Cervical Lordose Lombar Cifose Torcica Posio da Pelve

Tabela 1: Atributos do repositrio de dados. A captao da imagem da excurso do diafragma foi obtida utilizando-se a tcnica da videofluoroscopia e a avaliao da postura corporal foi realizada por meio de fotografias obtidas em norma lateral esquerda. Aps a obteno destas informaes, foram utilizadas as seguintes ferramentas para anlise: software Adobe Photoshop para analisar a distncia excursionada pelo msculo diafragma e o software para avaliao postural (SAPO) [12] para analisar o comportamento das curvaturas da coluna vertebral. Foi utilizado o Matlab (The MathWorks Inc., Natick, MA, EUA) em conjunto com o pacote SOM Toolbox [13] para implementar o SOM. O SOM Toolbox foi desenvolvido pelo Laboratrio de Informtica e Cincia da Computao da Universidade Helsinki. Determinao do modelo do SOM e padro de entrada Foram executados diversos testes prticos a fim de determinar um modelo do SOM para realizar a anlise do repositrio de dados presente neste estudo. Segue abaixo a configurao dos parmetros do SOM e suas justificativas: Inicializao dos vetores prottipos: linear. No foi adotado a inicializao aleatria, pois a resposta do SOM alterava-se consideravelmente, impossibilitando uma correta anlise. Com a inicializao linear o mapa de sada discreto no apresentou alteraes. Relao de vizinhana: hexagonal. A relao de vizinhana hexagonal facilita a visualizao dos neurnios vizinhos cada neurnio vizinho est ligado a um lado do hexgono. Funo de vizinhana: gaussiana. Foi adotado como padro esta funo de vizinhana, e a mesma respondeu de maneira satisfatria. Nmero de neurnios da grade: 3 x 3 neurnios. Foram realizados testes com

IMC ndice de Massa Corprea.

grades de 4x4 neurnios e 3x3 neurnios. A grade de 4x4 neurnios agrupou sujeitos similares em diferentes neurnios, podendo gerar problemas na anlise dos dados. J a grade de 3x3 neurnios agrupou no mesmo neurnio pacientes com as mesmas caractersticas. Algoritmo adotado: algoritmo em lote. O algoritmo em lote no apresenta nenhuma alterao quanto rotao dos dados apresentados como resposta do SOM.

proporcionou a formao de agrupamentos caractersticos, foi o da postura cifose cervical, cifose torcica, lordose lombar e posio da pelve e do diafragma PD e PE. Algoritmo RespBucal apresentado abaixo o algoritmo adotado para classificar crianas respiradoras bucais e nasais utilizando o SOM e para calcular taxa de acertos. Este algoritmo foi implementado em Matlab e leva o nome de algoritmo RespBucal. Inicialmente, foi adotado um modelo para determinar a diviso dos sujeitos do repositrio de dados a fim de iniciar o processo de reconhecimento de crianas respiradoras bucais e nasais. O modelo adotado foi o seguinte: Dividiu-se aleatoriamente um conjunto de 2/3 dos sujeitos do repositrio de dados. Este conjunto foi apresentado ao SOM, a fim de realizar o treinamento do mapa; Dividiu-se aleatoriamente um conjunto de 1/3 dos sujeitos do repositrio de dados. Este conjunto foi utilizado para validar os acertos do SOM. Aps o treinamento do mapa, que foi executado com o SOM e apresentado como padro de entrada o conjunto de dados de treinamento, foram estabelecidas regras para os determinar o rtulo para cada neurnio do SOM. Estas regras definidas utilizando os seguintes princpios: Caso o nmero de sujeitos da categoria caso controle de um determinado neurnio seja maior do que o nmero de sujeitos da categoria respirador bucal deste mesmo neurnio, este rotulado como categoria caso controle; Caso o nmero de sujeitos da categoria respirador bucal de um determinado neurnio seja maior do que o nmero de sujeitos da categoria caso controle deste mesmo neurnio, este rotulado como categoria respirador bucal; Caso o nmero de sujeitos da categoria respirador bucal seja igual ao nmero de sujeitos da categoria caso controle, este rotulado como categoria intermediria. Determinado o rtulo para cada neurnio, o conjunto de dados de validao foi utilizado para contar os acertos e erros do SOM no diagnstico do respirador bucal. Estes foram determinados utilizando os seguintes passos: Caso o sujeito pertena categoria respirador bucal e estiver representado pelo mapa em um neurnio que foi rotulado como categoria respirador bucal, um acerto (+1) atribudo

(a)

(b)

(c)

(d)

Figura 1: Representao dos pontos e ngulos utilizados na avaliao postural, indicando (a) lordose cervical; (b) cifose torcia; (c) lordose lombar; (d) posio da pelve. Alm disto, foram apresentados diferentes conjuntos de dados ao SOM a fim de definir o padro de entrada adequado para o problema da classificao de crianas respiradoras bucais e nasais. O conjunto de dados que se mostrou representativo para este tipo de problema, isto , 3

para a contagem de acertos. Caso contrrio, um erro (-1) computado; Caso o sujeito pertena categoria caso controle e estiver representado pelo mapa em um neurnio que foi rotulado como categoria caso controle, um acerto (+1) atribudo para a contagem de acertos. Caso contrrio, um erro (-1) computado. Caso o sujeito pertena categoria caso controle ou da categoria respirador bucal e estiver representado pelo mapa em um neurnio que foi rotulado como categoria intermediria, um meio acerto (+0,5) atribudo. Por fim, aps a contagem dos acertos e erros gerados pelo conjunto de dados de validao, a especificidade e sensibilidade do algoritmo calculada. Resultados A Figura 2 foi obtida aps o treinamento do SOM utilizando o modelo e o padro de entrada listado na metodologia deste trabalho. A Figura 2 apresenta 2 categorias bem definidas. Os neurnios 1, 2, 3, 4 e 7 forma de crculo so representados apenas pelas crianas respiradoras bucais. Da mesma maneira, os neurnios 5, 6, 8 e 9 forma quadrada so representados, genericamente, apenas pelas crianas caso controle. Porm, especificamente no neurnio 8 so apresentadas 4 crianas caso controle e uma criana respiradora bucal. Para entender o motivo deste sujeito ter sido agrupado neste neurnio, alm de auxiliar na abordagem de outras caractersticas do repositrio de dados, necessrio realizar algumas observaes quanto ao comportamento das variveis de postura e a distncia da excurso do diafragma: O valor mdio da lordose cervical no grupo das crianas respiradores bucais foi cerca de 15% maior, se comparado com o valor mdio no grupo das crianas caso controle; O valor mdio da lordose lombar no grupo das crianas respiradores bucais foi cerca de 25% menor, se comparado com o valor mdio no grupo das crianas caso controle; O valor mdio da cifose torcica no grupo das crianas respiradores bucais foi cerca de 11% maior, se comparado com o valor mdio no grupo das crianas caso controle; O valor mdio da posio da pelve no grupo das crianas respiradores bucais foi cerca de 45% maior, se comparado com o valor mdio no grupo das crianas caso controle;

O valor mdio do PD e PE foi cerca de 34% menor, se comparado com o valor mdio no grupo das crianas caso controle.

11 14 == 0

9 0

4 0

2 0

0 1

1 4

3 0

0 3

0 14

Figura 2: Mapa gerado aps o treinamento do SOM. Cada hexgono representa um neurnio, com sua identificao do lado superior esquerdo. Internamente a cada hexgono apresentado um crculo ou quadrado. O quadrado classifica o neurnio com agrupamentos de crianas respiradoras nasais e o crculo classifica o neurnio com agrupamentos de crianas respiradoras bucais. Em cada crculo e quadrado so mostradas a quantidade de crianas respiradoras bucais (nmero acima) e a quantidade de crianas respiradoras nasais (nmero abaixo) agrupadas. O paciente respirador bucal que foi agrupado no neurnio 8 apresentam valores de PE, PD e posio da pelve bem prximo mdia representada pelo grupo de crianas caso controle. Outros atributos deste sujeito encontram-se na mdia dos respiradores bucais. Este fato evidencia que a distncia da excurso do diafragma e a posio da pelve so atributos decisivos no diagnstico de um paciente. Conforme apresentado na Figura 2, o SOM realizou a extrao de caractersticas de maneira eficiente pois agrupou categorias de sujeitos caso controle e respirador bucal em diferentes reas do mapa. Segundo Haykin [14], as propriedades do mapa de caractersticas do SOM fazem com que este modelo de RNA possa ser utilizado como um classificador de padres. Sendo assim, foi empregado o algoritmo RespBucal para reconhecer crianas respiradoras bucais e nasais e calcular a taxa de acertos na classificao. Aps realizar 100 iteraes do algoritmo RespBucal, a sensibilidade e especificidade no diagnstico de crianas respiradoras bucais e nasais para o conjunto de dados analisado neste trabalho

foram de 0,92 e 0,97, respectivamente. Com a finalidade de aumentar a taxa de acertos foi aplicada sada do SOM a variante supervisionada conhecida como quantizao vetorial por aprendizagem (learning vector quantization, LVQ) [10]. A juno destes dois modelos de RNAs chamada de classificador adaptativo de padres [14]. A aplicao do classificador adaptativo de padres para diagnstico de crianas respiradoras bucais e nasais no alterou a sensibilidade e especificidade do sistema. Discusso Determinar o padro de entrada a ser aplicado na construo de um reconhecedor de padres uma tarefa crtica. No experimento computacional apresentado neste trabalho chegouse a concluso que, por meio da comparao dos diferentes mapas gerados pelo SOM para diferentes conjuntos de dados apresentados, os dados da postura e o tamanho da excurso do diafragma geraram agrupamentos caractersticos. Foi realizado o teste t-Student, controlado pelo teste de Levene para igualdades de varincias, a fim de comprovar, a partir de um modelo estatstico convencional, se as diferenas mdias entre a categoria dos respiradores bucais e dos casos controle so significantes. O dados so apresentados na Tabela 2.
Atributos lordose cervical lordose lombar cifose torcica posio plvica peso altura p 0,003 0,001 0,002 0,001 0,890 0,780

entrada aplicando-se 100 iteraes do algoritmo RespBucal. A Tabela 3 mostra os resultados. O padro de entrada aplicado neste trabalho apresentou maior taxa de acertos, provando novamente que dados que possuem diferenas mdias significativas tendem a realizar agrupamentos similares e, conseqentemente, melhoram os acertos do SOM. Um resultado significativo que apesar dos dados antropomtricos no apresentarem diferenas mdias significativas, estes no alteraram de maneira representativa a porcentagem de acertos do SOM, se apresentados em conjunto com os dados que possuem diferenas mdias significativas. Este tipo de abordagem demonstra as propriedades 2 e 3 dos mapas de caractersticas [14]. Isto , o SOM capaz em determinar o conjunto de dados mais similares de um determinado padro de entrada, mesmo com a presena de um possvel rudo.
Padro de Entrada Comportamento das curvaturas da coluna vertebral (4) e excurso do msculo diafragma (2)* Comportamento das curvaturas da coluna vertebral (4), excurso do msculo diafragma (2), peso (1) e altura (1) Comportamento das curvaturas da coluna vertebral (4) Excurso do msculo diafragma (2) Peso (1) e altura (1) Sensibilidade 0,92 Especificidade 0,97

0,90

0,97

0,86 0,79 0,62

0,86 0,78 0,49

Tabela 2: Aplicao do teste t-Student controlado pelo teste de Levene para igualdade de varincias. Se o valor de p <= 0,005 pode-se concluir que as diferenas mdias entre os grupos respirador bucal e caso controle so significativas. A partir da Tabela 2 possvel comprovar que somente os atributos referentes ao comportamento das curvaturas da coluna vertebral e distncia da excurso do diafragma apresentaram diferenas mdias significativas. Isto , a partir do teste de tStudent evidenciado que apenas o conjunto de dados aplicado como padro de entrada expressou diferenas mdias significativas. Desta maneira, pode-se afirmar que os agrupamentos gerados pelo SOM so concordantes. Foram realizados testes com o objetivo de verificar a porcentagem de acertos do SOM no reconhecimento de um respirador bucal ou nasal, caso seja apresentado diferentes padres de 5

Tabela 3: Diferentes padres de entrada apresentados ao SOM e a representao da quantidade de variveis adotadas para cada conjunto de dados entre parnteses. * conjunto de dados adotado como padro de entrada para este trabalho. De maneira geral, o SOM foi eficiente para diagnstico de crianas respiradoras bucais e nasais. Foi aplicado um classificador adaptativo de padres (SOM + LVQ) ao algoritmo RespBucal, porm no houve alteraes e a especificidade e sensibilidade mantiveram-se na mesma faixa. Os trabalhos de Barton et al. [15] e Pesonen et al. [16] citam que o SOM apresenta problemas quanto sensibilidade. Dessa maneira, caso no exista diferenas mdias significativas entre classes, o SOM pode no apresentar resultados to expressivos quanto os encontrados neste trabalho. O objetivo deste estudo foi aplicar o SOM como um classificador de padres. Markey et al. [17] e Pesonen et al. [16] mostram que o SOM apresenta nmero de acertos menor se comparado com outros modelos de RNA. Entretanto, o SOM uma

ferramenta poderosa para a anlise exploratria de dados [18]. A partir da aplicao do SOM para tarefa de reconhecimento de padres no conjunto de dados abordado neste trabalho, este modelo de RNA foi validado para realizar extrao de caractersticas em repositrio de dados de crianas respiradoras bucais e nasais. Referncias [1] Hungria H. (1995), Otorrinolaringologia. So Paulo: Guanabara Koogan, 1995. [2] Carvalho GD. (1996), "Sndrome do respirador bucal ou insuficiente respirador nasal". Rev Secret Sade, v. 2, n. 18, p. 22-24. [3] Schinestsck PA. (1986), A relao entre a m ocluso dentria, respirao bucal e as deformidades esquelticas. J Bras Ortod Ortop Max, v. 3, n. 4, p. 45-49. [4] Arago W. (1991), Aragos function regulator, the stomatognathic system. J Clin Ped Dent, v. 15, n. 4, p. 226-231. [5] Lusvarghi L. (1999), Identificando o respirador bucal". Revista da APCD, v. 53, n. 4, p. 265-274. [6] Pizarro, GU. (2003), Anlise videofluoroscpica das fases oral e farngea da deglutio em crianas respiradoras bucais com apnia do sono. Tese de Mestrado, Universidade Federal de So Paulo / Escola Paulista de Medicina, So Paulo, 90 p., fev. [7] Arago W. (1988), Respirador bucal J Ped, v. 64, n. 8, p. 349-352. [8] Liu CY, Guedes ZCF, Vieira MM. (2003), Relao da postura corporal com a disfuno da articulao temporomandibular: hiperatividade dos msculos da mastigao. Fisioter Brasil, v. 4, n. 5, p. 341-347. [9] Liu CY. (2006), Estudo da relao entre a excurso do msculo diafragma e o comportamento das curvaturas da coluna vertebral em crianas respiradoras bucais e nasais. Tese de Doutorado, Universidade Federal de So Paulo / Escola Paulista de Medicina, So Paulo, 95p., jun. [10] Kohonen, T. (1997), Self-organizing Maps. Berlim: Springer-Verlag. [11] Gersho, A., Gray, R. M. (1992), Vector Quantization and Signal Compression. Norwell: Kluwer.

[12] Duarte, M. (2006), Portal do Projeto Software para Avaliao Postural. [http://sapo.incubadora.fapesp.br/portal]. 19 maio de 2006. [13] Vesanto J, Himberg J, Alhoniemi E, Parhankangas J. (2000), "SOM Toolbox for Matlab 5." Espoo: Helsinki University of Technology. [14] Haykin, S. (1999), Neural Networks: a Comprehensive Foundation. New Jersey: PrenticeHall. [15] Barton, G, Lees, A, Lisboa, P, Attfield, S (2005), "Visualisation of gait data with Kohonen selforganising neural maps". Gait Posture, In Press. [16] Pesonen, E, Matti, E, Juhola, M. (1996), "Comparasion of Different Neural Network Algorithms in the Diagnosis of Acute Appendicitis". Int J Biomed Comput. v. 40, p. 227-233. [17] Markeya, MK, Lo, JY, Tourassib, GD, Floyd, CE. (2003), "Self-organizing map for cluster analysis of a breast cancer database". Artificial Intelligence in Medicine, v. 27, p. 113127. [18] Vesanto, J & Alhoniemi, E. (2000), Clustering of the Self-Organizing Map. IEEE Transactions on Neural Networks, v. 11, n. 3, p. 586900. Agradecimentos Os autores agradecem ao apoio institucional do Departamento de Informtica em Sade e Departamento de Otorrinolaringologia Peditrica e Cirurgia de Cabea e Pescoo, UNIFESP; ao Prof. Dr. Domingos Alves pelo apoio cientfico; ao Prof. Dr. Carlos Jos Reis de Campos pelo inestimvel auxlio; e CAPES pelo financiamento do trabalho por meio de uma bolsa de estudos nvel mestrado. Contato Felipe Mancini (felipe-pg@dis.epm.br) aluno de mestrado do Programa de Ps-graduao em Informtica em Sade do Departamento de Informtica em Sade (DIS), Universidade Federal de So Paulo (UNIFESP). Correspondncias diretas ou para seu orientador, Prof. Dr. Ivan Torres Pisa (ivanpisa@dis.epm.br), podem ser encaminhadas para Rua Botucatu 862, Vila Clementino, 04032-062, So Paulo, SP. Os telefones so (11) 5574-5659 / 5574-0158. Os demais autores podem ser contatados a partir destes e-mails.