Avaliação Alimentar Utilizando Técnicas de Inteligência Artificial

Transcrição

1 Avaliação Alimentar Utilizando Técnicas de Inteligência Artificial Jaqueline Stumm 1, Silvia Modesto Nassar 2, Maria Marlene de Souza Pires 3 1,2 Departamento de Informática e Estatística (INE) Universidade Federal de Santa Catarina (UFSC), Brasil 3 Departamento de Pediatria Universidade Federal de Santa Catarina (UFSC), Brasil Resumo - Prescrever cardápios alimentares com auxílio de técnicas computacionais já é hábito no Brasil e no Mundo. A proposta apresentada neste artigo é justamente rever essas técnicas que apenas sugerem cardápios sem levar em consideração predileções do indivíduo, propondo uma nova metodologia tendo em vista uma educação continuada para modos de vida saudáveis. Assim com conhecimento científico buscase primeiramente monitorar a alimentação, baseada em hábitos alimentares individuais, avaliar essa dieta e indicar mudanças, se necessário. Para avaliar esta metodologia desenvolveu-se um sistema especialista fuzzy que trabalha com uma base de conhecimentos médicos e nutricionais, obtendo-se resultados satisfatórios. Palavras-chave: Inteligência Artificial, Lógica Fuzzy, Sistemas Especialistas Fuzzy, Monitoração Alimentar. Abstract - Using computational assistance in the composition of dietary menus is currently a technique in Brazil and worldwide. This article reviews this technique, which only suggests generic menus without taking individual tastes into consideration. This article proposes a new methodology, which focuses on continuing education about habits that contribute to a healthy lifestyle. Based on scientific methods, we first seek to monitor the diet based on dietary patterns, evaluate the diet, and suggest alterations, if necessary. To evaluate this methodology, we developed an fuzzy expert system which works with a medical database and nutritional, which proved satisfactory. Key-words: Artificial Intelligence, Fuzzy Logic, Fuzzy Expert Systems, Diet Monitoring. Introdução Sistemas computacionais vêm sendo desenvolvidos para modelagem de problemas do mundo real, sendo a saúde uma das áreas para qual foram desenvolvidos inúmeros desses sistemas. Nesta área o uso de computadores foi incorporado para facilitar o uso dos dados epidemiológicos e administrativos. Nos dias atuais utilizam-se os computadores de forma inteligente, como suporte a decisões médicas, com o auxílio de técnicas de Inteligência Artificial. No caso particular de doenças ocorridas por meio de distúrbios nutricionais, o computador pode ser uma ferramenta de apoio no contexto educativo, fomentando o conhecimento das pessoas para formas saudáveis de vida e tornando esse conhecimento acessível a todos os indivíduos através da Web [1]. O objetivo deste artigo é apresentar a modelagem computacional do problema de monitoração da qualidade alimentar, de crianças e adolescentes de 7 a 20 anos, para diferentes níveis calóricos. Com esse propósito fez-se uma pesquisa para verificar características de alguns sistemas já desenvolvidos para este domínio de aplicação e verificou-se que o uso das técnicas computacionais está quase que totalmente voltado ao planejamento de dietas e cardápios alimentares e a avaliação nutricional, deixando a desejar no que se refere à monitoração de dietas alimentares. CAMP, PRISM, CAMPER, DietPal e VIE-PNN foram alguns dos sistemas verificados. Foi desenvolvido um Sistema Especialista para Web que além de permitir um acompanhamento alimentar aos usuários em geral, pode auxiliar a decisão médica sobre a dieta alimentar, tratando as incertezas presentes no processo da avaliação alimentar. O principal interesse e a característica que distingue o sistema desenvolvido dos outros sistemas é que ele é destinado à monitoração alimentar enquanto que os demais sistemas estão focados na geração e prescrição de menus ou cardápios alimentares. O Sistema usa uma técnica da Inteligência Artificial, aliada a utilização da tecnologia atual da Internet apresentando um caráter educacional para promover a orientação alimentar. Ressalta-se a característica de ser um sistema de monitoração que a partir da escolha dos alimentos pelo usuário faz a avaliação da alimentação escolhida, isto é, busca perceber o mundo real alimentar do usuário e após oferecer a avaliação. Os Sistemas Especialistas caracterizam-se pelo tratamento de incertezas que não são representados por nenhuma teoria geral e

2 utilizam o método mais adequado ao problema dentre os diversos métodos para tratamento de incerteza [2]. A primeira parte deste artigo apresenta quais são as principais características de uma alimentação saudável. Além disso, descreve como deve ser o processo alimentar para se obter uma alimentação adequada, ou seja, como deve ser a distribuição dos nutrientes de uma refeição diária e a distribuição calórica durante cada refeição. São expostos os conceitos utilizados na modelagem do problema da avaliação alimentar. Apresenta-se primeiramente a lógica fuzzy, método de tratamento de problemas que apresentam incerteza por imprecisão. Esta lógica lida com avaliação de expressões que contenham valores incertos e imprecisos [3]. A seguir, a estrutura básica de um Sistema Especialista Fuzzy, que foi a técnica de Inteligência Artificial utilizada, é apresentada. A próxima parte do artigo apresenta a metodologia utilizada para implementação do sistema de monitoração alimentar. Em particular, esta seção descreve as diferentes etapas da modelagem: a definição do total calórico diário, a modelagem do problema da dieta alimentar, a avaliação da dieta escolhida e o modelo de apresentação das recomendações para alimentação saudável. Este artigo finaliza com a apresentação das conclusões da metodologia proposta. Metodologia A importância da nutrição durante todo o ciclo vital é absolutamente óbvia. O ser humano precisa alimentar-se para sobreviver. Mas como deve ser feita a seleção dos alimentos para se obter uma alimentação saudável? Pedro Escudeiro, médico argentino, estabeleceu as Leis da Alimentação, que definem a alimentação equilibrada como sendo quantitativamente suficiente, qualitativamente completa, além de harmoniosa em seus componentes, e adequada à sua finalidade e ao organismo a que se destina [4]. Segundo [1], a escolha dos alimentos a serem ingeridos deve ser baseada na variedade de alimentos conjuntamente com a quantidade de nutrientes necessárias para o organismo funcionar adequadamente, obtendo dessa forma uma alimentação quantitativa e qualitativamente saudável. Os nutrientes encontrados nos alimentos são classificados em macro e micronutrientes. Os macronutrientes, - proteínas, carboidratos e gorduras -,são ingeridos em grandes quantidades, fornecendo energia ao organismo. Os micronutrientes, -vitaminas e minerais -, não fornecem energia ao organismo mas são essenciais para o bom desempenho do corpo, sendo necessários em pequenas quantidades [4]. Para obter uma alimentação balanceada devem ser ingeridos 50 a 60% de carboidratos, 25 a 30% de lipídios e 10 a 15% de proteínas do total de calorias necessários diariamente [5] [4]. Além da distribuição correta dos nutrientes, para se obter uma alimentação adequada e balanceada é desejável que o indivíduo faça seis refeições diárias divididas em: café da manhã, almoço e jantar, sendo estas intercaladas por três colações que são pequenos lanches. A distribuição do valor calórico total para cada refeição é calculada de acordo com as recomendações para a idade [5]. A proporcionalidade em relação ao total calórico diário para a faixa etária em estudo, crianças e adolescentes de 7 a 20 anos deve ser de 20% para o café da manhã, 30% para o almoço, 20% para o jantar e 10% para as três colações. Raciocinar com incerteza é mais comum do que se pensa. O conhecimento médico é repleto de incerteza e com o problema da avaliação alimentar não é diferente, sendo necessária uma técnica para representar esse tipo de informação. A lógica fuzzy dispõe de uma grande variedade de conceitos e técnicas para representar e deduzir o conhecimento que é impreciso ou vago [6]. Modela os argumentos imprecisos que fazem parte da habilidade humana para tomar decisões em um ambiente de incerteza [7]. A teoria dos conjuntos fuzzy procura tratar da incerteza propagando a noção clássica de conjuntos e proposições, fornecendo modelos matemáticos para o estudo da imprecisão de maneira formal e rigorosa [8]. A teoria de conjuntos clássicos está baseada na função característica clássica, dada por A 1seesomentesex A ( x) = 0seesomentesex A µ (1) onde U é o conjunto Universo, A é um subconjunto de U e x é um elemento de U, ou seja, a função característica é um mapeamento do conjunto universo no conjunto {0,1}. Para obter os conjuntos fuzzy basta generalizar a função característica da lógica clássica para o intervalo [0,1], ou seja, µ A(x) : U [0,1], o que implica em considerar um contínuo de valores de pertinência e não apenas pertence e não pertence. O elemento x pertencerá ao subconjunto A com um grau de pertinência que é um valor no intervalo [0,1] [9]. Um conceito básico na lógica fuzzy é a variável lingüística. Uma variável lingüística, como o nome sugere, é uma variável cujos valores são palavras ou sentenças em linguagem natural ou sintética [7]. É uma variável cujo valor é expresso

3 qualitativamente por um termo lingüístico (que fornece um conceito à variável) e quantitativamente por uma função de pertinência [10], ou seja, permite quantificar e manipular conceitos qualitativos, sendo especialmente útil para caracterizar incerteza em problemas onde as variáveis ou as relações funcionais não são bem definidas. A força da lógica fuzzy deriva da sua habilidade em criar conclusões e gerar respostas baseadas em informações vagas, ambíguas e qualitativamente incompletas ou imprecisas. Neste aspecto, a representação de conhecimento através de sentenças do raciocínio aproximado é útil para aplicações de problemas do mundo real e adaptada à compreensão humana, favorecendo a aquisição de conhecimento e a interpretação lingüística dos resultados [11]. O Sistema Especialista Fuzzy possui a estrutura dos Sistemas Especialistas utilizando-se das características da lógica fuzzy para o tratamento de incertezas sobre o conhecimento. A estrutura padrão de um Sistema Especialista Fuzzy compreende quatro componentes essenciais: a fuzzificação, a inferência, a base de regras e a desfuzzificação [12], figura 1. O que vale ressaltar é que nem todos os Sistemas Especialistas Fuzzy possuem o quarto componente, o da desfuzzificação, pois a presença deste componente se faz necessária apenas quando for desejado um valor discreto como saída do sistema. melhor descreve as variáveis de entrada do sistema [14]. A inferência de um sistema que utiliza lógica fuzzy caracteriza-se pelo processo de avaliar as entradas do sistema e compará-las, por meio de sua base de regras, com os antecedentes das regras ativando, se houver igualdade, os seus conseqüentes [10]. A regra fuzzy determina um conhecimento específico, e o conjunto das regras representa o conhecimento necessário sobre o problema em questão. Cada regra fuzzy, compreende uma parte antecedente e uma parte conseqüente, e sua estrutura é representada por: Se {antecedentes} Então {conseqüentes} A medida de adequação de cada regra é definida de acordo com o conectivo utilizado para implementar a premissa das regras. Portanto, se a regra utilizar o conectivo e ou o conectivo ou em seu antecedente, utilizar-se-á uma t-norma ou uma t-conorma, respectivamente. A implicação então utiliza essa medida no conjunto dos conseqüentes, sendo que seus valores serão novamente integrados por meio da utilização de uma t-norma ou de uma t-conorma adequada. O resultado da inferência fuzzy é um conjunto de saída fuzzy. Porém, em muitos casos, é desejável um valor discreto obtido através do processo de desfuzzificação. Desfuzzificação é um processo utilizado para converter o conjunto fuzzy de saída de um sistema em um valor crisp correspondente [15]. O processo de desfuzzificação é utilizado quando há a necessidade de se obter um valor numérico como resultado final da avaliação do sistema. Resultados Figura 1 - Estrutura de um Sistema Fuzzy [10] A fuzzificação é um processo de transformação onde entradas abruptas são transformadas em entradas fuzzy. Primeiramente são determinadas as funções de pertinência para cada entrada do sistema. Definidas as funções, o processo recebe valores de entrada que são comparados às funções de pertinência armazenadas, dando origem a entradas fuzzy [13]. Função de pertinência é o critério que define com que grau de pertinência um elemento pertence ao conjunto, constando o valor do intervalo entre 0 e 1. É necessário um estudo do problema para verificar qual função de pertinência A metodologia proposta abrange quatro principais etapas: a definição do total calórico diário, a modelagem do problema da dieta alimentar, a seleção adequada da técnica de avaliação da dieta escolhida e o modelo de apresentação das recomendações para alimentação saudável. Como a proposta é monitorar a alimentação de crianças e adolescentes, de 7 a 20 anos, o total calórico definido foi de 2000 kcal diárias, sendo esta a média calórica para essa faixa etária. Desejando alterar esse valor, o sistema se adapta para avaliar os resultados da alimentação de acordo com o total calórico escolhido ou informado. Para modelar o problema da avaliação alimentar, primeiramente deve-se conhecer a base de uma alimentação diária. É sabido que para obter uma alimentação saudável deve-se ingerir aproximadamente 50% a 60% de carboidratos, 25% a 30% de lipídios e 10% a 15% de proteínas em relação à caloria total diária ingerida.

4 Em relação às refeições a literatura define que devem ser feitas seis refeições diárias, sendo que o percentual calórico para cada refeição tem uma forte dependência em relação à faixa etária. Para a faixa etária de 7 a 20 anos, as colações deterão em média 30% das calorias ingeridas, sendo 10% para cada uma das colações, o café da manhã 20%, o almoço 30% e o jantar 20%. Ao raciocinar com os termos aproximadamente e em média evidencia-se a presença de incerteza no problema Detectada a presença de incerteza por imprecisão, utilizou-se a lógica fuzzy para tratar da incerteza presente nos dados pois gera respostas a partir de informações consideradas vagas, ambíguas e qualitativamente incompletas e imprecisas [8]. Para definir os atributos de entrada do sistema observou-se que ocorrem dois tipos de avaliação alimentar. Para o diagnóstico por macronutrientes os atributos de entrada são as calorias dos carboidratos, lipídios e proteínas. Já para o diagnóstico realizado por refeição, serão as próprias refeições que constarão como entrada. Para este caso então se usa como atributos de entrada as calorias das colações, do café da manhã, do almoço e do jantar. Cada atributo de entrada é representado por três conjuntos denominados aceitável, diminuir e aumentar que são os valores lingüísticos utilizados pelo sistema. Para não haver uma mudança tão abrupta entre os conjuntos, optou-se pelo uso das funções de pertinência Z, Sino e S. Utilizando essas funções percebe-se que o dado de entrada deixa de pertencer a um conjunto e começa a pertencer a outro de uma maneira suave pela forma de representação das funções. Esta transição é um fator importante a considerar neste domínio. Devido ao fato do sistema permitir trabalhar com diferentes valores calóricos diários, os universos de discurso das variáveis utilizadas foram intervalos percentuais, adequando-se com o número total de calorias escolhidas. Para todas as variáveis o universo de discurso pertence ao intervalo percentual de 0 a 100%. O sistema possui uma base de conhecimento constituído por regras de produção do tipo se A então B que contém o conhecimento obtido na literatura pesquisada e nas entrevistas realizadas com o especialista consultado. As regras possuem a forma [2] Rj: Se x 1 é A 1j e... e x n é A nj então y é B j sendo A e B conjuntos representando variáveis lingüísticas sobre os universos de discurso U e V. Considerando ainda que A1,A2, A3...,AN são sub-conjuntos de U e B1,B2, B3,... BN são subconjuntos de V pode-se definir a relação como [16]: Regra 1: se A 1 então B 1, ou Regra 2: se A 2 então B 2, ou Regra 3: se A 3 então B 3, ou : : Regra N: se A N então B N Para determinar a forma de processamento das regras no sistema desenvolvido foram feitos testes utilizando diferentes t-normas para implementar o conectivo e que foram relacionadas a diferentes t-conormas para implementar o conectivo ou. O intuito dessa relação é verificar qual a t-norma e t-conorma que melhor adequa o resultado final do sistema ao pensamento do especialista. Ao final dos testes pode-se perceber que o resultado da inferência que mais se aproximou ao pensamento do especialista foi obtido quando utilizada a t-norma Interseção Padrão para implementar o antecedente das regras e a t- conorma Soma Limitada para a implicação. A avaliação da dieta alimentar seguiu regras de produção para informar ao usuário o quanto foi adequada a dieta alimentar escolhida sendo que essas regras consideram a saída da inferência fuzzy para o conseqüente Correta, conforme observado na figura 2. Regra 1: Se o conseqüente Correta tiver valor de pertinência entre 0 e 0.4 a dieta alimentar será considerada Inadequada devendo ser informado as mudanças necessárias na alimentação. Regra 2: Se o conseqüente Correta tiver valor de pertinência entre 0.4 e 0.7 a dieta alimentar será considerada Parcialmente Adequada devendo ser informado as mudanças necessárias na alimentação. Regra 3: Se o conseqüente Correta tiver valor de pertinência maior que 0.7 a dieta alimentar será considerada Adequada não havendo necessidade de informar as mudanças na alimentação. Figura 2 - Régua de adequação alimentar [10] Para informar as mudanças de hábitos alimentares leva-se em conta o grau de pertinência do elemento de entrada aos conjuntos Aumentar, Aceitável e Diminuir. Escolheu-se o

5 valor 0,5 por ser este o valor de pertinência central do intervalo [0;1]. Se o grau de pertinência para o conjunto Aceitável for igual ou maior que 0.5, considera-se que não há a necessidade de mudanças alimentares. Se o grau de pertinência for menor que 0,5 analisa-se de duas formas: verifica se existe pertinência a outro conjunto vizinho podendo ser Aumentar ou Diminuir. Se houver, as mudanças são relativas ao conjunto com grau de pertinência maior que zero. se não existir pertinência a outro conjunto vizinho a análise é realizada em função do número de calorias consumidas para o intervalo de calorias desejadas. Para validar o sistema foram realizados dez testes utilizando cardápios, adequados e inadequados, disponibilizados pelo especialista com o intuito de verificar a saída oferecida pelo sistema. A cada teste realizado o especialista comparava o resultado do sistema com o seu próprio diagnóstico. Ao final dos testes o especialista considerou que os resultados obtidos pelo sistema eram condizentes ao seu diagnóstico, considerando, desta forma, que o sistema avalia adequadamente a dieta alimentar diária. Discussão e Conclusões Este artigo apresenta uma alternativa de tratamento e avaliação alimentar de indivíduos aliando-se a técnicas computacionais e Inteligência Artificial. A metodologia apresentada diferencia-se da forma tradicional de avaliação alimentar ao utilizar técnicas de Inteligência Artificial para representar o conhecimento médico para o problema alimentar e a lógica fuzzy para tratar das incertezas presentes no processo de avaliação alimentar. Difere também pela permissão dada aos usuários de fazerem escolhas de acordo com o seu hábito alimentar para posteriormente avaliar a dieta escolhida, sendo que essa avaliação pode ocorrer para diferentes níveis calóricos. Ao final da avaliação recomendações sobre mudanças de hábitos alimentares são apresentadas, quando forem necessárias, permitindo, desta forma, uma educação alimentar. A metodologia proposta apresentou características satisfatórias. Primeiramente representa uma nova forma de educação nutricional, um novo processo educativo. Por meio da utilização de novas tecnologias de apoio à decisão a metodologia fomenta o conhecimento através de uma educação personalizada, atingindo um número maior de pessoas por meio da Web, respondendo a seus interesses, capacidades e objetivos. Verificou-se o potencial da modelagem que utiliza sistemas especialistas baseados em lógica fuzzy para modelar as incertezas por imprecisão, presentes no processo de avaliação alimentar. Outro diferencial está na utilização de variáveis lingüísticas para apresentar os resultados da avaliação, ou seja, para informar as mudanças de hábitos alimentares necessárias. Referências [1] Dutra-de-Oliveira, J. E., Marchini, J. Sergio. (1998) Ciências Nutricionais. São Paulo: Sarvier. [2] Bittencourt, Guilherme. (2001) Inteligência Artificial: ferramentas e teorias. Florianópolis: Ed. da UFSC. [3] Zadeh, Lotfi A. (1965) Fuzzy Sets. Information and Control. 8, pp [4] Tirapegui, J. (2002) Nutrição: fundamentos e aspectos atuais. São Paulo: Editora Atheneu. [5] Philippi, S. T., Cruz, A. T. R. and Colucci, A. C. A.. (2003) Pirâmide Alimentar para crianças de 2 a 3 anos. Rev. Nutr., Jan./Mar., vol.16, no.1, p ISSN [6] Zadeh, Lotfi A. (1992) The Calculus of Fuzzy If-Then Rules, AI Expert, Vol. 7, No. 3, 23-27, March [7] Zadeh, Lotfi A. (1988) Fuzzy Logic. University of California, Berkeley. [8] Zimmermann, H. J. (1992) Fuzzy Sets Theory and Its Applications, Klewer Nighoff, Boston, USA. [9] Klir, G. J., Folger, T.A. (1988) Fuzzy Sets, Uncertainty and Information. Prentice Hall, [10] Stumm, Jaqueline. (2005) Sistema Inteligente de Monitoração Alimentar via Web baseado em Lógica Fuzzy. Dissertação de Mestrado, Programa de Pós-graduação em Ciência da Computação, Universidade Federal de Santa Catarina. [11] Cox, E. (1994) The Fuzzy Systems Handbook: a practitioner s guide to builduing,

6 using, and maintaining fuzzy systems. Academic Press, Inc, Cambridge, USA. [12] Mendel, J.M.; Mouzouris, G.C. (1997) Designing fuzzy logic systems. Circuits and Systems II: Analog and Digital Signal Processing, IEEE Transactions on [see also Circuits and Systems II: Express Briefs, IEEE Transactions on] Vol. 44, Issue 11, November. pp [13] Ibrahim, Ahmad M. (2004) Fuzzy Logic for Embedded Systems Applications. London: Elsevier. [14] Mendel, J.M. (1995) Fuzzy logic systems for engineering: a tutorial. Proceedings of the IEEE, vol. 83, Issue 3, March, pp [15] Cox, E. (1992) Fuzzy fundamentals. Spectrum, IEEE vol. 29, Issue 10, Oct. pp [16] Mendel, J. M. (1993) Fuzzy logic systems for engineering: a tutorial. Proceedings for IEEE, vol. 83, no. 3, March, pp Contato Jaqueline Stumm é colaboradora do Laboratório de Estatística Aplicada (LEA). Ela recebeu seu título de Mestre em Ciências da Computação pela Universidade Federal de Santa Catarina em Seu endereço é Universidade Federal de Santa Catarina, Centro Tecnológico, Departamento de Informática e Estatística. Campus Universitário Trindade Florianópolis, SC - Brasil Telefone: (48) <stumm@inf.ufsc.br> URL da Homepage: < SILVIA NASSAR é professora associada ao Departamento de Ciências da Computação na Universidade Federal de Santa Catarina (UFSC), Brasil. Ela recebeu o título de Doutora em Engenharia da Produção pela Universidade Federal de Santa Catarina em Seu endereço é Universidade Federal de Santa Catarina, Centro Tecnológico, Departamento de Informática e Estatística. Campus Universitário Trindade Florianópolis, SC - Brasil Telefone: (48) <silvia@inf.ufsc.br> URL da Homepage: < MARIA MARLENE DE SOUZA PIRES é professora associada ao Departamento de Pediatria na Universidade Federal de Santa Catarina (UFSC), Brasil. Ela recebeu o título de Doutora em Medicina (Pediatria) pela Universidade de São Paulo em Seu endereço é Universidade Federal de Santa Catarina, Centro de Ciências da Saúde, Departamento de Pediatria. Campus Universitário Trindade Florianópolis, SC - Brasil Telefone: (48) Ramal: 9184 Fax: (48) marlene@ccs.ufsc.br URL da Homepage: