Aplicao de Redes Neurais Artificiais na Classificao de

Padres Posturais em Crianas Respiradoras Bucais e Nasais

Felipe Mancini 1

Liu Chiao Yi 2

Shirley Shizue Nagata Pignatari 2

Antonio Carlos Roque 3

Ivan Torres Pisa 1

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 artigo tem por objetivo apresentar resultados sobre a aplicao
de um modelo de rede neural artificial no-supervisionado, especificamente o mapa
auto-organizvel (self-organizing map, SOM), para auxiliar no diagnstico e na
avaliao da evoluo clnica da postura de crianas respiradoras bucais e nasais.
Apresentamos como padro de entrada ao SOM as variveis de postura e distncia da
excurso do msculo diafragma de 30 crianas respiradoras bucais e 22 crianas
respiradoras nasais. O SOM apresentou taxa de acerto de 95% no diagnstico de
crianas respiradoras bucais e nasais. Da topologia resultante foi possvel definir
categorizaes da postura dos pacientes.
Palavras-chave: Tcnicas de apoio deciso, redes neurais, respirao bucal, postura,
suporte deciso em medicina, mapas auto-organizveis.

1 Departamento de Informtica em Sade (DIS), Universidade Federal de So Paulo (UNIFESP),

Rua Botucatu, 862 CEP 04023-062, So Paulo/SP, Brasil
{felipe-pg@dis.epm.br, ivanpisa@dis.epm.br}
2 Departamento de Otorrinolaringologia Peditrica e Cirurgia de Cabea e Pescoo, Universidade
Federal de So Paulo (UNIFESP), Rua Botucatu, 862 CEP 04023-062, So Paulo/SP, Brasil
{liu@netcomp.com.br, pigna@terra.com.br}
3 Departamento de Fsica e Matemtica (DFM), Faculdade de Filosofia, Cincias e Letras de
Ribeiro Preto (FFCLRP), Universidade de So Paulo (USP), Av.Bandeirantes, 3900, CEP 14040-901,
Ribeiro Preto/SP, Brasil
{antonior@neuron.ffclrp.usp.br}
Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

Abstract: Breathing 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 present results of an application of the self-organizing map (SOM), a non-supervised
neural network, to assist in the diagnosis and evaluation of the postural clinical
evolution of mouth and nasal breathing children. The input patterns presented to the
SOM network contain the variables of posture and diaphragm muscle excursion
distance of 30 mouth breathing children and 22 nasal breathing children. The SOM
network had a 95% rate of correct answers in the diagnosis of mouth and nasal breath.
The utilized topology made it possible to define a categorization of the patients
posture.
Keywords: Decision support techniques, neural networks, mouth breath, posture,
decision support in medicine, SOM.

1 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 diminuio da lordose da coluna cervical, escpulas aladas, depresso anterior
do trax e protruso abdominal. Liu et al. [8] e Krakauer [9] tambm encontraram as mesmas
alteraes posturais em crianas respiradores bucais de cinco a 12 anos de idade. Liu [10]
constatou que a distncia da excurso do diafragma maior em crianas respiradoras nasais,
se comparado com crianas bucais.
Redes neurais artificiais (RNAs) so sistemas compostos por unidades com
processamento simples, interligadas entre si por conexes ponderadas por pesos, que
executam operaes em paralelo e de forma distribuda [11-13]. Elas podem ser consideradas
como ferramentas genricas capazes de implementar mtodos estatsticos para
reconhecimento de padres [14, 15]. Devido sua generalidade, a escolha do modelo de
RNA a ser utilizado em uma dada aplicao depende do tipo de tarefa que o modelo deve
executar [12, 13]. Em particular, problemas encontrados na prtica mdica clnica envolvem

92 RITA Volume XIV Nmero 2 2007

 Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

geralmente associao e reconhecimento de padres, fazendo com que as RNAs encontrem

diversas aplicaes na rea mdica [16].
Uma das principais caractersticas das RNAs a sua capacidade de se adaptar a
problemas especficos. Isso feito atravs do que se chama de treinamento da rede [12-15].
Em termos genricos, existem dois tipos de treinamento para uma rede neural:
1 Treinamento supervisionado: os padres fornecidos na entrada da rede esto
explicitamente associados s sadas desejadas. Durante um perodo de treinamento, calcula-
se um erro entre cada padro fornecido pela rede em sua sada e o padro de sada desejado e
altera os valores dos pesos das conexes da rede em funo desse erro, no sentido de
minimiz-lo. A repetio desse tipo de treinamento acaba levando a rede a aprender a fazer a
associao desejada entre os padres de entrada e os de sada.
2 Treinamento no supervisionado: A rede recebe apenas os padres de entrada,
sem que haja uma imposio de classific-los de alguma maneira pr-estabelecida. Em
funo apenas dos padres de entrada e dos valores correntes dos pesos das suas conexes, a
rede altera esses pesos segundo um dado algoritmo at atingir um ponto de estabilidade.
O mapa auto-organizvel (self-organizing map, SOM) tem por objetivo
transformar um padro de sinal incidente de dimenso arbitrria em um mapa discreto uni
ou bidimensional, e realizar esta transformao adaptativamente de uma maneira
topologicamente ordenada [12]. Portanto, esse mtodo permite realizar o agrupamento de
dados multi-dimensionais do repositrio de dados, contendo informaes de diferentes
contextos. Como resposta, o SOM fornece uma representao bi-dimensional
topologicamente ordenada dos dados, de maneira que dados com caractersticas intrnsecas
similares tendero a ficar em regies vizinhas [12].
Foi realizada em 19/09/2007 uma pesquisa no site da PubMed
(http://www.ncbi.nlm.nih.gov) com o descritor neural networks (cdigo MeSH
H01.548.635.310.500) e termo medical utilizando o operador AND e o sistema de
pesquisa padro da PubMed. Foram encontrados 1410 artigos para esta pesquisa. Utilizado o
mesmo padro de pesquisa com os descritores neural networks (cdigo MeSH
H01.548.635.310.500) e posture (cdigo MeSH G11.427.713.700) foram encontrados 52
artigos, porm, nenhum destes relatam a aplicao de RNA na anlise da postura em crianas
respiradoras bucais. Realizado novamente o mesmo padro de pesquisa com os descritores
neural networks (cdigo MeSH H01.548.635.310.500) e mouth breathing (cdigo
MeSH C08.618.659) no foi encontrado nenhum trabalho. Desta maneira, nenhum estudo
que tenha aplicado RNA na anlise da postura em crianas respiradoras bucais foi
encontrado no PubMed.
A Revista Cientfica Neural Networks editada pela Sociedade Europia de Rede
Neural (European Neural Network Society - ENNS), Sociedade Japonesa de Rede Neural
(Japanese Neural Network Society - JNNS) e Sociedade Internacional de Rede Neural
(International Neural Network Society - INNS) em seu Volume 19 (ano 2006) dedicou as
edies 6 e 7 para discutir os avanos do SOM. Na edio 6, Cottrell & Verleysen [16] citam

RITA Volume XIV Nmero 2 2007 93

Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

que mais de 5000 diferentes publicaes utilizaram o SOM como modelo de RNA aplicado
na soluo de problemas reais . Como exemplo, [17], [18] e [19] aplicaram SOM na anlise e
classificao de dados biomdicos, obtendo resultados significativos.
Apesar do SOM ser um modelo de RNA no-supervisionado indicado para a etapa de
extrao de caractersticas, e a abordagem clssica para o desenvolvimento de uma mquina
reconhecedora de padres utilizar um modelo supervisionado [20], Haykin [12] cita que o
SOM pode ser aplicado para a tarefa de classificao de padres devido a propriedade de
rotular a cada neurnio artificial atributos similares do conjunto de entrada.
O objetivo deste trabalho investigar a aplicao do SOM na classificao de padres
posturais em crianas respiradoras bucais utilizando como padres de entrada dados de um
repositrio contendo as variveis de postura e distncia da excurso do msculo diafragma
de 30 crianas respiradoras bucais e 22 crianas respiradoras nasais.

2 MTODOS
Para este estudo utilizou-se um repositrio de dados, coletados no Setor de
Diagnstico por Imagem e na Disciplina de Otorrinolaringologia Peditrica, da Universidade
Federal de So Paulo - Escola Paulista de Medicina (UNIFESP). Foram analisadas 52
crianas, sendo que 32 foram previamente diagnosticadas como respiradoras bucais e 22
foram diagnosticadas como respiradoras nasais (caso controle). Os atributos deste repositrio
de dados so listados na Tabela 1, e o valor mdio da postura, diafragma, peso e altura para
cada categoria de pacientes respirador bucal e caso controle apresentado na Tabela 2.

Tabela 1. Atributos do repositrio de dados.

Antropomtricos Diafragma Postura
Sexo
Tamanho da excurso do lado Lordose Cervical
Idade
direito (PD)
Peso Lordose Lombar
Altura
Tamanho da excurso do lado Cifose Torcica
IMC
esquerdo (PE) Posio da Pelve
Raa

A captao da imagem da excurso do diafragma foi obtida utilizando-se a tcnica da

videofluoroscopia [21]. Foi registrada inicialmente a imagem de excurso do msculo
diafragma do lado direito e em seguida do lado esquerdo. Para cada lado, foram gravados
quatro ciclos respiratrios em repouso na posio ortosttica, com o raio X em incidncia
ntero-posterior (AP), os ps foram mantidos paralelos e os braos ao longo do corpo. A
criana foi orientada a manter os olhos abertos direcionados para o horizonte e no houve
interferncia verbal para a correo postural. Dos quatro ciclos respiratrios gravados, um
nico ciclo com movimento mais harmnico foi selecionado para anlise. Foram excludos

94 RITA Volume XIV Nmero 2 2007

 Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

os ciclos que apresentaram movimentos bruscos de tronco, como: tosse, espirro, riso, susto
ou fala.
Aps a obteno destas informaes foram utilizadas as seguintes ferramentas para
anlise: software Adobe Photoshop para analisar a distncia excursionada pelo msculo
diafragma. A avaliao da postura corporal foi realizada atravs de fotografias obtidas em
norma lateral esquerda. O software para avaliao postural (SAPO) [22] para analisar o
comportamento das curvaturas da coluna vertebral.
Foi utilizado o pacote SOM Toolbox 2.0 [23] para implementar o SOM. O SOM
Toolbox foi desenvolvido pelo Laboratrio de Informao e Cincia da Computao da
Universidade Helsinki. Este pacote possibilita a implementao do SOM atravs do Matlab
(The MathWorks Inc., Natick, MA, EUA).
A Figura 1 lista os pontos e ngulos utilizados na avaliao postural das crianas presentes
neste estudo.
Tabela 2. Valor mdio da postura, diafragma, peso e altura para cada categoria de
pacientes, na qual CC representa pacientes da categoria caso controle e RB representa os
pacientes da categoria respirador bucal.

Lordose Lordose Cifose Posio

Peso Altura PD PE
Cervical Lombar Torcica Plvica
(Kg) (m) (cm) (cm)
(graus) (graus) (graus) (graus)
CC 37,7 1,4 1,3 1,3 52,2 120,0 41,0 7,0
RB 30,0 1,3 0,9 0,9 60,3 102,0 46,0 10,0

(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.

RITA Volume XIV Nmero 2 2007 95

Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

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 o 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. A Tabela 2 mostra os valores mdios de cada
atributo para cada categoria de crianas (respiradora bucal e caso controle).

2.1 Mapa auto-organizvel

O SOM um modelo de rede neural de aprendizagem no-supervisionada que utiliza
regra de aprendizagem competitiva. Neste tipo de aprendizagem, os neurnios esto
colocados em uma grade que normalmente uni- ou bidimensional. Os neurnios tornam-se
seletivamente sintonizados a vrios padres de entrada Haykin [12]. As localizaes dos
neurnios assim sintonizados se tornam ordenadas entre si, de forma que um sistema de
coordenadas significativo para diferentes caractersticas de entrada criado sobre a grade
Kohonen [24]. Um mapa auto-organizvel , portanto, caracterizado pela formao de um
mapa topogrfico dos padres de entrada. As localizaes espaciais dos neurnios da grade
so indicativas das caractersticas estatsticas intrnsecas contidas nos padres de entrada.
Grade do mapa
O SOM formado por uma grade de neurnios que normalmente uni- ou
bidimensional. Mapas com dimensionalidades mais altas so possveis, mas no so to
comuns [12], pois sua visualizao torna-se problemtica [23]. Devido a este fato,
abordagem terica de modelos com outras dimenses so descartados, e este trabalho utiliza,
por padro, apenas mapas bidimensionais. Os neurnios esto conectados aos neurnios
adjacentes por uma relao de vizinhana, ditando a estrutura do mapa. Os neurnios do
mapa podem ser arranjados de forma retangular ou hexagonal [23].
Funo de vizinhana
A funo de vizinhana determina quanto fortemente os neurnios esto conectados
entre si [23]. Em geral, usa-se uma funo gaussiana para implementar a funo de
vizinhana [12, 23]:

rc ri 2
h c(x) = exp , (1)
2 2 (t )

96 RITA Volume XIV Nmero 2 2007

 Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

sendo rc o vetor posio do neurnio c, e ri a posio do neurnio vencedor, os dois

sendo medidos nos espao discreto definido pelos nodos da rede neural. O parmetro 2(t)
o desvio padro da funo de vizinhana [12].
O desvio padro da funo de vizinhana 2(t) diminui com o nmero de passos t
[12]. Uma escolha popular para a dependncia de com o tempo discreto t o decaimento
exponencial dado por [12]:

t
(t ) = 0 exp , (2)
1

sendo 1 uma constante de tempo.

Alm da funo gaussiana, a funo retangular, funo gaussiana cortada e a funo

epanechicov tambm podem ser utilizadas como funo de vizinhana no SOM [23].
Treinamento
Em cada passo de treinamento, uma amostra do vetor x do padro de entrada
escolhida randomicamente e uma similaridade calculada entre ele e todos os vetores de
peso do mapa, detonado por i [23]. O BMU (best-matching unit) [23], tambm conhecido
como neurnio vencedor [12], detonado como c, a unidade na qual o peso do vetor da
grade tem a maior similaridade com o amostra do vetor x do padro de entrada. A
similaridade usualmente definida pela menor valor da distncia euclidiana entre o vetor x e
todos os neurnios da grade, representado pela frmula [12, 23]:

x mc = min{ x mi } . (3)
i

Aps determinar o BMU, os vetores de prottipos do SOM so atualizados. Os

vetores de prottipos do BMU e suas vizinhanas topolgicas movem-se prximos para o
vetor do padro de entrada do espao de entrada. A regra de atualizao para o vetor de
pesos i [12. 23]:

mi (t + 1) = mi + (t ) hc ( x ) (t )[ x(t ) mi (t )] , (4)
sendo t o tempo, (t) a taxa de aprendizado, hc(x)(t) a funo de vizinhana em torno
do neurnio vencedor c.
Esta regra de atualizao leva a uma ordenao topolgica do mapa de caracterstica
no espao de entrada no sentido de que os neurnios que so adjacentes na grade tendero a
ter vetores de peso sinptico similares [12].
O parmetro de aprendizagem (t) uma varivel no tempo, que corresponde ao caso
da aproximao estocstica. Em particular ela deve comear em um valor 0 e ento
decrescer gradualmente com o aumento do tempo n. Esta exigncia pode ser satisfeita
escolhendo-se um decaimento exponencial para (t), como mostrado por [12]:

RITA Volume XIV Nmero 2 2007 97

Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

t
(t ) = 0 exp , (5)
2

sendo 2 uma constante de tempo.

Acima foi listado o treinamento clssico do SOM, conhecido como treinamento

com incremento. Um importante variante do treinamento com incremento o algoritmo de
treinamento em lote. Neste tipo de treinamento em vez de utilizar um nico vetor de dados
do padro de entrada de cada vez para realizar o treinamento do mapa, todo o conjunto de
dados de entrada so apresentados ao mapa antes de qualquer ajuste por isso leva o nome
de lote. Em cada passo de treinamento, o conjunto de dados de entrada particionado de
acordo com as regies de Voronoi do mapa de vetores de peso (neurnios); isto , cada
neurnio pertence a um conjunto especfico dos dados de entrada, atravs de uma relao de
proximidade [23]. Aps isso, os novos pesos dos neurnios sero [23]:
n

h
j =1
ic (t ) x j
mi (t + 1) = n
, (6)
h j =1
ic (t )

sendo c = arg mink{ || xj - mk || } o BMU em relao do padro de entrada xj e o vetor

de pesos (neurnio) mk, e hic a funo de vizinhana.

2.2 Determinao do modelo do SOM e padro de entrada

Foram executados 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
final dos parmetros do SOM empregados e suas respectivas justificativas. Como informado
acima, foi utilizado o pacote SOM Toolbox 2.0 [23] para implementar o SOM. Desta
maneira, segue a configurao dos parmetros do SOM para este software.

Inicializao dos vetores prottipos: linear. No foi adotada a inicializao
aleatria, pois a resposta do SOM alterava-se consideravelmente, impossibilitando
uma anlise correta. 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.

98 RITA Volume XIV Nmero 2 2007

 Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

Funo de vizinhana: gaussiana. Essa funo de vizinhana foi adotada como

padro para este trabalho, tendo respondido de maneira satisfatria para o
problema em questo.

Nmero de neurnios: grade de 3x3 neurnios. Foram realizados testes com
grades de 4x4 neurnios e 3x3 neurnios. A grade de 4x4 neurnios representou
sujeitos similares por neurnios diferentes, podendo gerar problemas na anlise
dos dados. J a grade de 3x3 neurnios representou sujeitos similares
por neurnios diferentes, realizando o agrupamento de maneira mais satisfatria.

Algoritmo de treinamento adotado: algoritmo em lote. Alm de apresentar melhor
desempenho, comparado ao algoritmo seqencial, o algoritmo em lote no
apresenta nenhuma alterao quanto rotao dos dados apresentados ao SOM.
Alm disso, foram apresentadas diferentes combinaes de dados, variando o
conjunto de entrada com as variveis da Tabela 2, ao SOM a fim de definir as caractersticas
presentes nos padres de entrada com maior taxa de acerto para o problema da classificao
de crianas respiradoras bucais e nasais. O conjunto de caractersticas que se mostrou mais
adequado para este tipo de problema foi o que incluiu dados sobre a postura lordose
cervical, cifose torcica, lordose lombar e posio da pelve e o diafragma PD e PE.

2.3 Leave-one-out
Para este estudo foi utilizado o algoritmo de validao cruzada leave-one-out (LOO)
para calcular os acertos dos modelos de redes neurais artificiais [25]. No algoritmo LOO, N
1 exemplos so usados para treinar o modelo, e este validado testando-o sobre o exemplo
deixado de fora. O experimento repetido para um total de N vezes, cada vez deixando de
fora um exemplo diferente para a validao [25].

3 RESULTADOS
Os resultados deste trabalho so divididos em 2 partes. Primeiramente o SOM foi
aplicado como um classificador de crianas respiradoras bucais e nasais utilizando dados da
postura. Posteriormente, foi aplicado o SOM para a determinao de padres posturais em
crianas respiradoras bucais.

3.1 Diagnstico de crianas respiradoras bucais e nasais

A Figura 2 ilustra a rede SOM aps o seu treinamento conforme o procedimento
indicado na metodologia deste trabalho. Pode-se ver que a rede divide os dados em duas
categorias bem definidas. Os neurnios 1, 2, 3, 4 e 7 representam crianas respiradoras
bucais e os os neurnios 5, 6, 8 e 9 representam crianas caso controle. O nico erro
cometido nessa representao ocorre para o neurnio 8, que um neurnio de rtulo caso

RITA Volume XIV Nmero 2 2007 99

Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

controle e que corretamente representa 4 crianas desta classe, mas, erroneamente,

representa tambm uma criana respiradora bucal. Portanto, dos 52 casos usados para se
avaliar o desempenho da rede, apenas um classificado erroneamente. Foi aplicado o LOO
para calcular acerto do SOM na classificao de crianas respiradoras bucais, obtendo taxa
de 95% de acerto.
A fim de justificar essa taxa de acerto, alm de auxiliar na abordagem de outras
caractersticas do repositrio de dados, necessrio realizar algumas observaes quanto ao
comportamento das variveis de postura e o tamanho da excurso do diafragma, conforme
Tabela 3:

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

100 RITA Volume XIV Nmero 2 2007

 Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

Figura 2. Mapa gerado aps o treinamento do SOM. Cada hexgono representa um

neurnio, com sua identificao do lado superior esquerdo. No interior de cada hexgono
est desenhado um crculo ou um quadrado. O quadrado indica que o neurnio representa
crianas respiradoras nasais e o crculo indica que ele representa crianas respiradoras
bucais. Dentro de cada crculo e quadrado esto mostradas as quantidades de crianas
respiradoras bucais (nmero acima) e de crianas respiradoras nasais (nmero abaixo)
agrupadas sob o neurnio correspondente.

Tabela 3. Mdia de cada atributo para o conjunto de pacientes agrupados em cada

neurnio, conforme representados pela Figura 2.
Lordose Lordose Cifose Posio
Neurnio PD PE
Cervical Lombar Torcica da Pelve
1 56,30 97,40 48,50 11,00 0,71 0,77
2 50,00 109,30 46,20 10,70 0,90 0,92
3 53,10 113,10 47,00 7,70 0,93 0,95
4 65,60 100,00 44,20 10,00 0,92 0,91
5 58,50 105,30 42,20 7,80 1,20 1,20
6 43,10 117,90 44,00 6,40 1,20 1,00
7 65,50 109,10 41,50 8,90 0,94 1,00
8 63,10 117,30 39,70 7,20 1,00 1,00
9 51,70 121,40 41,40 6,90 1,46 1,47

Uma variante de treinamento supervisionado da rede SOM, conhecida como

quantizao aprendida de vetores (learning vector quantization, LVQ) [12, 24], foi testada a

RITA Volume XIV Nmero 2 2007 101

Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

partir da aplicao do LOO. No entanto, ela no alterao na taxa de acerto, mantendo valor
95%.

3.2 Modelo para evoluo clnica de crianas respiradoras bucais.

Por meio da Erro! Fonte de referncia no encontrada. e da Figura 2 foi possvel
classificar os sujeitos em 4 classes de respiradores. Estas classes so apresentadas na Figura
3 e possuem as seguintes caractersticas:

Classe 1 Esta classe representa o paciente respirador tpico, divido
essencialmente em 2 subgrupos:
o Subgrupo 1 - sujeitos representados pelo neurnio 1. Estes apresentam uma
excurso de diafragma muito pequena comparando com os pacientes do
neurnio 9 (classe 4), o valor chega a ser 50% menor , alm de apresentar
o menor valor mdio do ngulo da lordose lombar e o maior valor mdio da
posio da pelve. O ngulo da lordose cervical prximo do valor mdio
do grupo caso controle;
o Subgrupo 2 - sujeitos representados pelo neurnio 4. Estes apresentam
excurso do diafragma um pouco maior, se comparada com o subgrupo 1
desta mesma classe. O ngulo da lordose cervical apresenta o maior valor
mdio medido. Os valores mdios dos outros atributos deste subgrupo no
se alteram, se comparados com o subgrupo 1.

Figura 3. Representao dos 4 agrupamentos obtidos a partir da anlise das mdias dos
atributos de cada neurnio, conforme listadas pela Erro! Fonte de referncia no
encontrada., seguindo os agrupamentos gerados pela Figura 2. A classe 1 representada
pelo paralelogramo, a classe 2 representada pelo trapzio, a classe 3 representada pelo
tringulo e a classe 4 representada pelo losango.

102 RITA Volume XIV Nmero 2 2007

 Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

Classe 2 Esta classe constituda pelos pacientes agrupados sob os neurnio 2,

3 e 7. Apesar de o neurnio 7 no ser vizinho dos neurnios 2 e 3, os sujeitos
agrupados nestas reas podem ser considerados casos intermedirios, e
apresentam-se como fronteira para o grupo caso controle. A classe 2 possui as
seguintes caractersticas:
o Maior nmero de vizinhanas para a classe 3 5 vizinhanas do que para
a classe 1 2 vizinhanas;
o Os valores mdios dos atributos da classe 2 encontram-se entre os valores
mdios das classes 3 e 4 e os valores mdios da classe 1;

Classe 3 Esta classe compreende sujeitos agrupados sob os neurnios 5, 6 e 8.
Tais sujeitos no podem ser rotulados como caso controle tpico, por apresentarem
principalmente grande variao do valor mdio do ngulo lordose cervical;

Classe 4 Esta classe contm os sujeitos tpicos do caso controle.
Especificamente, todos foram agrupados sob o neurnio 9, apresentando valores
mdios prximos mdia dos sujeitos caso controle. Apenas o valor de PD e PE
superior mdia dos sujeitos casos controle, sendo este o maior valor listado em
todos as classes abordadas neste trabalho.

4 Discusso
Determinar as caractersticas dos padres de entrada a serem usados na construo de
um reconhecedor de padres uma tarefa crtica. No experimento computacional
apresentado neste trabalho verificou-se 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 de Student, controlado pelo teste de Levene [26] 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 a dos casos controle so significantes. O dados so
apresentados na Tabela 4.
Por meio da Tabela 4 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 t de Student, mostra-se
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.

Tabela 4. Aplicao do teste t de Student controlado pelo teste de Levene para igualdade
de varincias. Se o valor de p 0,05 pode-se concluir que as diferenas mdias entre os
grupos respirador bucal e caso controle so significativas.

RITA Volume XIV Nmero 2 2007 103

Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

Atributos P
lordose cervical 0,03
lordose lombar 0,01
cifose torcica 0,02
posio plvica 0,01
PD 0,01
PE 0,01
peso 0,89
altura 0,78

Foram realizados testes com o objetivo de verificar a taxa de acerto do SOM no

reconhecimento de um respirador bucal ou caso controle, caso os padres de entrada
contenham caractersticas diferentes das mostradas neste trabalho. Foi aplicado o LOO para
este contexto e os resultados so mostrado na Tabela 5.

Tabela 5. Diferentes padres de entrada apresentados ao SOM e a representao da

quantidade de variveis adotadas para cada conjunto de dados. Na coluna da direita
mostrada a porcentagem de acertos. * conjunto de dados adotados como padro de entrada
para este trabalho.
Padro de entrada Acertos (%)
Comportamento das curvaturas da coluna 95
vertebral (4) e excurso do msculo diafragma
(2)*
Comportamento das curvaturas da coluna 93
vertebral (4), excurso do msculo diafragma
(2), peso (1) e altura (1)
Comportamento das curvaturas da coluna 92
vertebral (4)
Excurso do msculo diafragma (2) 54
Peso (1) e altura (1) 54

A partir da Tabela 5 possvel verificar que as caractersticas usadas para se montar

os padres de entrada deste trabalho levaram maior taxa de acertos, evidenciando
novamente que dados que possuem diferenas mdias significativas tendem a apresentar
maior taxa de acerto na classificao de padres. Apesar de os atributos antropomtricos no
apresentarem diferenas mdias significativas entre classes de pacientes, se apresentados em
conjunto com os dados que possuem diferenas mdias significativas estes no alteraram de
maneira representativa a porcentagem de acertos do SOM. Este tipo de comportamento
demonstra uma propriedade das redes SOM [12], que a de conseguir realizar a tarefa de
agrupamento de dados mesmo na presena de possveis rudos.
De maneira geral, o SOM foi eficiente para o diagnstico de crianas respiradoras
bucais e nasais. Foi aplicado o LVQ ao mesmo problema, porm no houve alterao na taxa
de acerto (95%). Com o objetivo de avaliar o efeito de outras grades da rede e de

104 RITA Volume XIV Nmero 2 2007

 Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

combinaes de SOM com LVQ, foi aplicado o LOO para este propsito e o acerto na
classificao de crianas respiradoras bucais,para cada configurao de rede so mostrados
na Tabela 6.

Tabela 6. Resultados de testes executados com os dois modelos de RNA abordados neste
trabalho, alterando-se o tamanho da grade (quantidade de neurnios). * modelo de RNA
adotado como padro para este trabalho.
Modelos de RNA Configurao da grade Acertos (%)
SOM* 3x3 95
SOM + LVQ 3x3 95
SOM 5x5 90
LVQ 3x3 87
LVQ 5x5 83
LVQ 10x10 83
SOM + LVQ 10x10 83
SOM 10x10 60

Com a grade 3x3 o SOM manteve-se com a melhor taxa de acertos se comparado com
outras configuraes e modelos de RNA. Porm, quando foi usada uma grade de 10x10
neurnios o SOM apresentou uma baixa taxa de acertos. Aplicando LVQ ao SOM com esta
mesma estrutura de grade foi possvel estabelecer uma taxa de acertos maior, porm no to
alta como no caso da rede 3x3.
Neste trabalho uma rede SOM foi utilizada para agrupar em diferentes classes sujeitos
respiradores bucais e nasais. O principal foco da anlise feita foi a determinao do conjunto
de caractersticas comportamentais de postura e distncia da excurso do diafragma de
crianas respiradores bucais e nasais mais adequadas para fornecer um bom desempenho de
classificao. Os resultados encontrados podem ser utilizados no desenvolvimento de outros
estudos. Em particular, poder ser desenvolvida uma ferramenta a fim de determinar o
progresso da postura clnica em crianas respiradoras bucais.
Um outro estudo importante a ser realizado comparar os resultados obtidos pelo
SOM e LVQ na tarefa de classificao da postura de crianas respiradoras bucais com outros
algoritmos de RNA (multi-layer perceptron, mquinas de vetor de suporte e funo de base
radial ) Haykin [12].

5 Concluses
Para a tarefa de classificao de crianas respiradoras bucais, a partir do repositrio
de dados analisado neste estudo, o SOM apresentou melhor desempenho, obtendo 95% de
acerto utilizando como padro de dados PD, PE e dados da postura.

RITA Volume XIV Nmero 2 2007 105

Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

Alm disto, por meio do SOM foi possvel apontar 4 classes de postura de crianas
respiradoras bucais e nasais. Assim, foi possvel mostrar que estas so decorrentes de
diferentes perfis posturais.

Referncias
[1] Hungria H. Otorrinolaringologia. 7 ed. So Paulo: Guanabara Koogan, 1995.
[2] Carvalho GD., 1996, Sndrome do respirador bucal ou insuficiente respirador
nasal. Rev Secret Sade, 2(18):22-24.
[3] Schinestsck PA., 1986, A relao entre a m ocluso dentria, respirao bucal e as
deformidade esquelticas. J Bras Ortod Ortop Max, 3(4):45.
[4] Arago W., 1988, Respirador bucal. J Ped, 64(8):349-352.
[5] Lusvarghi L., 1999, Identificando o respirador bucal". Revista da APCD,
53(4):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.
[7] Arago W., 1991, Aragaos function regulator, the stomatognathic system. J
Clin Ped Dent, 15(4):226-231.
[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;4(5): 341-347.
[9] Krakauer LRH. Relao entre respirao bucal e alteraes posturais em crianas:
uma anlise descritiva. So Paulo, 1997. [Teses Mestrado]. Pontifcia Universidade
Catlica de So Paulo.
[10] Liu CY. 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, 2006.
[11] Roque, A C., 2004, Notas de Aula da Disciplina de Redes Neurais Artificiais.
Disponvel em http://neuron.ffclrp.usp.br/2004-I-RN- roteiro.php. Acesso em 12 de
maio 2006.
[12] Haykin, S. Neural Networks: a Comprehensive Foundation. 2nd edition. New Jersey,
Prentice-Hall, 1999.
[13] Cross, S. S., Harrison, R. F., Lee Kennedy, R., 1995, Introducion to Neural
Networks. Lancet, 346: 1075-79.
[14] Duda, R.O., Hart, P.E., Stork, D.G. Pattern Classification. 2nd edition. New York,
Wiley-Interscience, 2000.
[15] Fukunaga, K. Statiscal Pattern Recognition. 2nd edition, New York, Academic
Press, 1990.
[16] Cottrell M, Verleysen M, Advances in Self-Organizing Map. Neural Netw, 2006,
19(6-7): 721-22.

106 RITA Volume XIV Nmero 2 2007

 Aplicao de Redes Neurais Artificiais na Classificao de Padres Posturais em Crianas
Respiradoras Bucais e Nasais

[17] Markeya MK, Lo JY, Tourassib GD, Floyd CE, Self-organizing map for cluster
analysis of a breast cancer database, Artif Intell Med, 2003, 27, 113127.
[18] Barton, G., Lees, A., Lisboa, P., Attfield, S., 2005, Visualisation of gait data with
Kohonen self-organising neural maps. Gait & Posture, In Press, Corrected Proof.
[19] Ng EY & Chong C. ANN-based mapping of febrile subjects in mass thermogram
screening: facts and myths. J Med Eng Technol. 2006; 30(5):330-7.
[20] Duda RO, Hart, P.E., Stork, D.G. Pattern Classification. 2nd Edition. New York,
Wiley-Interscience, 2000.
[21] Hungria H. Otorrinolaringologia. So Paulo: Guanabara Koogan; 1995.
[22] Duarte, Marcos. Portal do Projeto Software para Avaliao Postural.,
http://sapo.incubadora.fapesp.br/portal. Acessado em 19 maio de 2006.
[23] Vesanto J, Himberg J, Alhoniemi E, Parhankangas J., 2000, "SOM toolbox 2.0
for Matlab." Espoo: Helsinki University of Technology.

[24] Kohonen, T. Self-Organizing Maps. 2nd edition. Berlim, Springer- Verlag, 1997.
[25] Burnham KP, Anderson D. Model Selection and Multi-Model Inference.
Berlim: Springer; 2004.
[26] Massad E, Menezes RX, Silveira PSP, Ortega NRS, Mtodos Quantitativos em
Medicina, So Paulo: Manole, 2004.

RITA Volume XIV Nmero 2 2007 107