AGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2.

Transcrição

1 AGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2. andrey soares Unversdade Federal de Santa Catarna UFSC Campus Unverstáro Trndade Floranópols, SC marcello thry, dr. Unversdade do Vale do Itajaí UNIVALI Campus VII - Rodova SC 407 Km 4 São José, SC thry@sj.unval.br paulo sérgo da slva borges, dr. Unversdade Federal de Santa Catarna UFSC Campus Unverstáro Trndade Floranópols, SC pssb@nf.ufsc.br Abstract Ths work presents the applcaton of Artfcal Neural Networks, n partcular the ART2, for the customer clusterng of a dentstry room. The nput data used n the applcaton s based on the odontologcal anemness that s a form wth a questonary appled about the professonal to dentfy the customer case hstory. The three proposed customer clusterng (good, medum, bad) were created wth bass on the buccal hygene care and the smlar habts among the customers. The network s traned usng non supervsed learnng that can be fast or slow learnng. Each nput data lne s formed by the number of ntervewed customers (rows) and the answered questons (columns). However, the frst step was to transform the answers nto bnary cells. Keywords: Anamnese, Adaptatve Resonance Theory, Clusters 1 INTRODUÇÃO Em um consultóro odontológco, o exame clínco (fcha de anamnese) é o passo ncal para se realzar um tratamento, como para um melhor relaconamento entre pacente e o profssonal. A fcha de anamnese consttu-se de um questonáro que é realzado pelo profssonal, geralmente na prmera vsta (consulta) do clente ao consultóro odontológco, e tem o objetvo de conhecer o hstórco clínco do clente, permtndo o dagnóstco, prognóstco e tratamento das enfermdades da cavdade bucal. Porém, para obter-se êxto em um tratamento é precso que se conheça os problemas que aflgem o pacente. A técnca de ntelgênca artfcal conhecda por Redes Neuras Artfcas representam um sstema de processamento de nformações que tem certas característcas de desempenho em comum com as Redes Neuras Bológcas (FAUSETT, 1994) (RICH, 1993) (RABUSKE, 1994). As Redes Neuras Artfcas tem sdo desenvolvdas como generalzações dos modelos matemátcos, baseado nas suposções que: O processamento de nformações ocorre em város elementos smples chamados neurônos; Snas são passados entre neurônos através das conexões de lnks; Cada conexão de lnk tem um peso assocado;

2 Cada neurôno aplca uma função de atvação (usualmente não lnear) na entrada da rede, determnando o snal de saída. Consderando as característcas do problema, multplcdade de alternatvas, grande dfculdade de estabelecer relação entre os tens componentes da solução do problema, alto grau de ncerteza na defnção do padrão, alto índce de dfculdade na estruturação da melhor alternatva de solução, optou-se por aplcar uma solução com sstemas conexonstas (CANDIDO et. al., 2000). A rede neural escolhda fo a Teora da Ressonânca Adaptatva (ART), desenvolvda por Carpenter e Grossberg (FAUSETT, 1994 apud CARPENTER et. al., 1987a). Esta rede agrupa entradas usando aprendzagem não supervsonada, ou seja, pode ser usada como um módulo de descoberta de característcas. Os agrupamentos (Fgura 1) dos canddatos se formam a partr de característcas semelhantes entre os mesmos, dentfcadas pela Rede. A teora da ressonânca adaptatva possu duas formas, a ART1 que é usada para agrupar vetores bnáros e a ART2 que aceta vetores de valores contínuos. Este artgo aborda a ART2. Algumas redes alcançam establdade reduzndo a taxa de aprendzagem gradualmente, onde o mesmo jogo de padrões de trenamento é apresentado város vezes. Porém, sto não hablta a rede para aprender um padrão novo, que é apresentado pela prmera vez depos que váras épocas de trenamento já aconteceram. A habldade de uma rede para responder (aprender) um padrão novo é chamado plastcdade. Para Fausett (1994), Redes com a Teora de Ressonânca Adaptatva são projetadas para serem estáves e plástcas. Fgura 1: Agrupamento dos canddatos Este artgo apresenta uma proposta de utlzação de Redes Neuras Artfcas (RNA) ART2 no agrupamento de clentes de um consultóro odontológco, baseando-se na fcha de anamnese odontológca. 2 TEORIA DA RESSONÂNCIA ADAPTATIVA Segundo Fausett (1994), redes com a Teora de Ressonânca Adaptatva, são projetadas para permtr ao usuáro controlar o grau de semelhança de padrões colocados no mesmo agrupamento. Para que sso aconteça, os padrões de entrada devem poder dferr, entre eles, no nível de detalhe (número de componentes que são não zero), a semelhança relatva de um padrão de entrada para o vetor de peso para uma undade de agrupamento, em lugar de utlzar a dferença absoluta entre os vetores. Como a rede é trenada, cada padrão de trenamento pode ser apresentado váras vezes. Um padrão pode ser colocado em uma undade de agrupamento na prmera vez que é apresentado e então colocado em um agrupamento dferente quando é apresentado depos (devdo a mudanças nos pesos para o prmero agrupamento se ele aprendeu outros padrões enquanto sso). Uma rede nstável não retornará um padrão a um agrupamento prévo; em

3 outras palavras, um padrão que oscla entre undades de agrupamento dferentes em fases dferentes de trenamento ndca uma rede nstável. A arqutetura básca de uma rede neural de ressonânca adaptável envolve três grupos de neurônos: um campo de processamento de entradas (camada F 1 ), as undades de agrupamento (Camada F 2 ), e um mecansmo para controlar o grau de semelhança de padrões colocado no mesmo agrupamento (um mecansmo de reset). Para controlar a semelhança de padrões colocada no mesmo agrupamento, há dos conjuntos de conexão (cada um com seus própros pesos) entre cada undade na porção de nterface do campo de entrada e cada undade de agrupamento. A camada F 2 é a camada compettva. Na teora da ressonânca adaptatva, as mudanças em atvações de undades e em pesos são governadas pelo acoplamento de equações dferencas. A rede está mudando contnuamente (dnamcamente) o sstema, mas o processo pode ser smplfcado porque é assumdo que as atvações mudam muto mas rapdamente que os pesos. Uma vez que uma undade de agrupamento acetável fo seleconada para aprender, os snas bottom-up e top-down são mantdos por um período estenddo, e é durante este tempo que as mudanças de peso acontecem. Esta é a "ressonânca" que dá o nome a rede. Dos tpos de aprendzagem podem ser usadas para redes ART (CANDIDO et. al., 2000): Modo de aprendzagem rápda, é assumdo que a atualzação de pesos durante a ressonânca aconteça rapdamente, pos relatvo à duração de tempo um padrão é apresentado em qualquer tentatva partcular. Assm, na aprendzagem rápda, os pesos alcançam equlíbro em cada tentatva. Modo de aprendzagem lenta, as mudanças de peso acontecem lentamente relatvo à duração de uma tentatva de aprendzagem; os pesos não alcançam equlíbro em uma tentatva partcular. Mutos mas apresentações de padrões são requerdos para a aprendzagem lenta do que para aprendzagem rápda, mas menos cálculos acontecem em cada tentatva de aprendzagem. 3 ART2 Segundo Fausett (1994), as redes ART2 são projetadas para executar, com vetores de entrada contínuos, o mesmo tpo de tarefas que a ART1 faz para vetores de entrada bnáros. As dferenças entre ART2 e ART1 refletem as modfcações necessáras para acomodar padrões com componentes de valores contínuos. O campo F 1 (mas complexo na ART2) é necessáro porque vetores de entrada contínuos podem ter valores arbtráros. Este campo nclu uma combnação de normalzação e supressão de ruído, além da comparação de snas bottom-up e top-down necessáras para o mecansmo de reset. 3.1 Arqutetura A arqutetura típca da ART2 é lustrada na (Fgura 2). A camada F 1 consste de ses tpos de undades (W, X, U, V, P e Q). Só uma undade de cada tpo é mostrada na Fgura. Uma undade suplementar entre as undades W e as undades X recebe snas de todas as undades W, computam a norma do vetor w, e envam este (nbtóro) snal para cada uma das undades X. Cada um destes recebem também um snal exctatóro da undade W correspondente. Uma undade suplementar semelhante executa o mesmo papel entre as undades P e as undades Q, e outra faz o mesmo entre as undades V e as undades U. Cada undade X é conectada à uma undade V correspondente, e cada undade Q também é conectada à uma undade V correspondente.

4 Os símbolos na rota de conexão entre as váras undades na camada F 1, ndcam a transformação que ocorre no snal ao passar de um tpo de undade para o próxmo; eles não ndcam multplcação pela quantdade determnada. Porém, as conexões entre as undades P (da camada F 1 ) e Y j (da camada F 2 ) mostram os pesos que multplcam o snal transmtdo em cma dessas rotas. A atvação do vencedor da undade F 2 é d, onde 0<d<1. O símbolo ndca normalzação; sto é, o vetor de atvação q das undades Q é justamente o mesmo vetor de atvação das undades P, normalzado para aproxmadamente o comprmento (duração) da undade. As undades competem em um concurso pelo dreto de aprender cada padrão de entrada. O aprendzado ocorre somente se o vetor de pesos top-down da undade vencedora, for sufcentemente smlar ao vetor de entradas. As undades X, e Q j, aplcam uma função de atvação para suas entradas da rede; esta função suprme qualquer componente dos vetores de atvações que ca abaxo dos níves do valor θ. Os camnhos de conexão de W para U e de Q para V fxam os pesos a e b, respectvamente. R Y1... Yj... Ym bj tj Camada F 2 cp P Q bf(q) U V au f(x) Camada F 1 W X s Fgura 2: Arqutetura típca ART2 3.2 Algortmo de Trenamento O algortmo (passos) segunte pode ser usado para aprendzagem rápda ou aprendzagem lenta (FAUSETT, 1994). Em aprendzagem lenta, somente uma teração da equação de atualzação de pesos ocorre em cada processo de aprendzagem. Um grande número de apresentações de cada padrão é requerdo, mas relatvamente pouca computação é feta em cada processo. No algortmo a segur, estas apresentações que repetem são tratadas como épocas. Em aprendzagem rápda, a atualzação dos pesos contnua até o equlíbro dos pesos em cada processo. Somente algumas épocas são requerdas, mas um grande número de terações através da atualzação dos pesos do algortmo podem ser desempenhados em cada processo de aprendzagem. A undade J é o nó vencedor da camada F 2 depos da competção. Se nenhuma undade vencedora for escolhda, d será 0 (zero) para todas as undades. Passo 0. Incalze os parâmetros: a, b, θ, c, d, e, α, p. Passo 1. Faça os passos 2 a 12 tantas vezes quantas forem os números de épocas. Execute o número especfcado de épocas de trenamento.

5 Passo 2. Para cada vetor de entrada s, faça os passos 3 a 11. Passo 3. Atualze as atvações da undade F 1 : s u 0 x e + s w s q 0 p 0 v f ( ) x Atualze as atvações da undade F 1 novamente: v u w s + au e + v w p x q e + w e + p p u v f ( x ) + bf ( q ) Passo 4. Calcule os snas para as undades F 1 : y b p j Passo 5. Enquanto o reajuste (Reset) é verdadero, faça os passos 6 7. Passo 6. Ache Y j da undade F 2 com snal maor. (Defna J tal que y j y 1 para j1,.., m) Passo 7. Confra o reajuste (Reset): v u + cp u r e + v e + u + e p p u + dt j Se Se r < p e, então y -1 (nbe J) Reset verdadero; repta o passo 5; r p e, então w p x q e + w e + p w s + au v f ( x ) + bf ( q ) Reajuste falso; Proceda o passo 8. Passo 8. Faça os passos 9 a 11 tantas vezes quanto forem os números de terações. Execute o número especfcado de repetções de aprendzagem. Passo 9. Atualze pesos para undade vencedora J: t α du αd d 1 t j j { ( )} j { 1 + d( d )} b j b α du + α 1 Passo 10. Atualze as atvações de F 1 : v u w s + au e + v w p x q e + w e + p p u + dt v f ( x ) + bf ( q ) j Passo 11. Teste para condção de parada de atualzações de pesos. Passo 12. Teste para condção de parada para o número de épocas. Parâmetros n número de undades de entrada (camada F 1 ); m número de undades de agrupamento (camada F 2 ); a, b pesos fxos na camada F 1 ; valores de amostra são a 10, b 10. Ou fxando a 0 ou b 0 produzem nstabldade na rede. A rede não é partcularmente sensível aos valores escolhdos. c peso fxo usado em teste para reajuste; um valor de amostra é c 0.1. Um c pequeno dá uma maor faxa do parâmetro de vglânca. d Atvação do vencedor da undade F 2 ; um valor de amostra é d 0.9. Note que c e d devem ser escolhdos de modo que satsfaça a desgualdade. cd 1 1 d

6 (para mpedr para que um reajuste aconteça durante uma tentatva de aprendzagem). A relação devera ser escolhda perto de 1 para alcançar uma faxa maor para vglânca. e um parâmetro pequeno ntroduzdo para prevenr dvsão por zero quando a norma de um vetor é zero. Este valor mpede a normalzação para undade de ser exata. θ parâmetro de supressão de ruído, um valor de amostra é: α p 1 θ n O valor da amostra pode ser maor que o desejada em algumas aplcações. Componentes do vetor de entrada normalzado (e outros vetores do loop F 1 ) que são menores que este valor são confgurados para zero. taxa de aprendzagem. Um valor menor reduzrá a velocdade da aprendzagem no modo de aprendzagem rápda ou modo de aprendzagem lenta. Porém, um valor menor assegurará que os pesos (como também a colocação de padrões em agrupamentos) eventualmente alcancem equlíbro no modo de aprendzagem lento. parâmetro vglânca. Junto com os pesos bottom-up, este parâmetro determna quantos agrupamentos serão formados. Embora, teorcamente, valores de 0 a 1 são permtdos, só valores entre, aproxmadamente, 0.7 e 1 executam qualquer papel útl no controle do número de agrupamentos. (Qualquer valor menor que 0.7 terá o mesmo efeto como se fosse fxado para zero.) Pesos ncas t j (0) b j (0) pesos ncas top-down (tem que ser pequeno para assegurar que nenhum reajuste aconteça para o prmero padrão colocado em uma undade de agrupamento); t 0 j ( ) 0 pesos ncas bottom-up (deve ser escolhdo satsfazer a nequação); 1 b j ( 0 ) ( 1 d ) n para prevenr a possbldade de um vencedor novo que é escolhdo durante a "ressonânca" como a mudança de pesos. Valores maores de b j encorajam a rede para formar mas agrupamentos. 4 APLICAÇÃO DESENVOLVIDA Quando um clente vsta o consultóro odontológco pela prmera vez ou a crtéro do profssonal para fns de atualzação, ele preenche uma fcha de anamnese odontológca que tem o objetvo de dentfcar o perfl do clente, relatvo à sua saúde bucal. Baseado nas respostas, os clentes são agrupados em 3 grupos: BOM: os clentes que cudam efetvamente da saúde bucal; MÉDIO: os clentes que apresentam alguma preocupação com a saúde bucal; RUIM: os clentes que preocupam-se esporadcamente com a saúde bucal. No da-a-da do consultóro fca ao encargo do profssonal a nterpretação das respostas apresentadas e a classfcação do clente em um determnado grupo, ou seja o profssonal precsa recorrer a sua experênca. Com a aplcação proposta, o tempo dspenddo pelo profssonal para analsar as fchas de anamnese poderam ser aprovetados para outros fns. Por exemplo, o clente podera responder a fcha de anamnese antes de ncar a consulta e quando esta ocorrer, o sstema apresentara uma sugestão de classfcação do clente em um dos grupos defndos.

7 As 21 perguntas da fcha de anamnese foram elaboradas segundo cnco enfoques: Almentação, Hgene, Doenças, Informações e Medcamentos. Cada resposta possu algumas alternatvas, sendo as de maor peso (maor nfluênca) dspostas mas a esquerda, devdo ao seu alto valor após a conversão de bnáro para decmal. HIGIENE 1 Quantas vezes por da pratca hgene oral Raramente 2 vezes 3 vezes Após refeções 2 Quando usa o fo dental Nunca As vezes Regularmente 3 Qual tpo de escova dental usada Dura Méda Maca Extra maca 4 Qual a frequênca que troca a escova dental Menos de 1 mês 2 meses 3 meses ou + 5 Quando usa antsséptco bucal Nunca As vezes Pouco 6 Vsta regularmente o dentsta Emergênca As vezes Regularmente Fgura 3: Perguntas do enfoque Hgene As respostas são tratadas como células bnáras, ou seja, se um tem for responddo com X, este receberá o valor 1 e se não for responddo receberá o valor 0. Se um clente responder a questão 2 do enfoque Hgene como o exemplo a segur (Fgura 4), então o valor bnáro da resposta será 100. Este valor é convertdo para decmal e obtém-se o valor 4. Calcula-se também o valor bnáro para o caso de todos os tens da resposta serem seleconados, neste caso 111. Este valor também é convertdo para decmal, obtendo-se o valor 7. 2 Quando usa o fo dental X Nunca As vezes Regularmente Fgura 4: Exemplo de resposta da questão 2 Para smplfcar os cálculos, estabeleceu-se um coefcente de redução para que o maor valor fosse 1 e o menor valor próxmo de zero. Sendo assm, dvdu-se o valor decmal da resposta pelo valor decmal da resposta com todos os tens seleconados (CANDIDO et. al., 2000). Neste caso a fórmula para a redução é 4 / 7 0, Desse modo a matrz de entrada é construída (Tabela 1), onde as lnhas representam o número de canddatos entrevstados e as colunas representam o número de questões da fcha de anamnese. Questões Entrevstados Tabela 1: Matrz de entrada

8 Após a execução do algortmo de trenamento os clentes foram agrupados em três grupos, sendo 7 clentes pertencentes ao grupo 1, 11 clentes pertencentes ao grupo 2 e 13 clentes pertencentes ao grupo 3. Após analsar a fcha de anamnese de alguns clentes o profssonal dentfcava a qual grupo este pertenca. Assm fo possível estabelecer que o grupo 1 refere-se ao grupo MÉDIO, o grupo 2 refere-se ao grupo BOM e o grupo 3 referese ao grupo RUIM. 5 CONCLUSÕES E PROPOSTAS FUTURAS Este trabalho demonstrou a utlzação das redes neuras, mas especfcamente a ART2 como meo de seleção e agrupamento de clentes de um consultóro odontológco. Tarefa esta que é tpcamente executada pelo profssonal. Algumas melhoras e acréscmos podem ser sugerdos para este trabalho. Por exemplo, a partr dos agrupamentos formados, pode-se aplcar outros tpos de ferramentas de ntelgênca artfcal para a dentfcação do padrão dos conjuntos agrupados. Com sto sera possível conhecer quas característcas tem maor nfluênca na formação dos grupos. Outro tópco a ser estudado é a relação de uma resposta com outra, por exemplo dentfcar qual das stuações a segur tem mas nfluênca na classfcação em um grupo: se o clente ngere muto almento, mas a quantdade em nutrentes é equlbrada ou se o clente ngere pouco almento mas faz 5 refeções por da e ngere grande quantdade de açúcar. 6 BIBLIOGRAFIA CANDIDO, A., CERUTTI, F., JUNIOR, O. BASTOS, L, Aplcação de Redes Neuras na seleção de estagáros para a cênca da computação, Aplcações de Redes Conexonstas PPGEP/UFSC, FAUSETT, L. Fundamentals of Neural Networks Archtectures, Algorthms, and Applcatons. New Jersey: Prentce-Hall, 1994 RABUSKE, R. Intelgênca Artfcal. Floranópols: Ed. UFSC, RICH, E. KNIGHT, K. Intelgênca Artfcal. São Paulo: Makron Books, RUSSEL, S. J., NORVIG, P. Artfcal Intelgence: a modern approach. New Jersey: Prentce-Hall, 1995