Charles Sodré Schramm dos Santos
Previsão da Incidência de Dengue no Estado
do Rio de Janeiro através de Redes Neurais
Artificiais
Monografia de Final de Curso
17/06/2013
Monografia apresentada ao Departamento de Engenharia Elétrica da
PUC/Rio como parte dos requisitos para a obtenção do título de
Es-pecialização em Business Intelligence.
Orientadores:
Profª. Marley Maria B.R. Vellasco
Prof. Marco Aurélio Pacheco
Co orientador:
DEPARTAMENTO DE ENGENHARIA ELÉTRICA
Especialização em Business Intelligence
Previsão da Incidência de Dengue no Estado do Rio de
Ja-neiro através de Redes Neurais Artificiais
Charles Sodré Schramm dos Santos
Orientadores:
Profª. Marley Maria B.R. Vellasco
Prof. Marco Aurélio Pacheco
Co orientador:
Charles Sodré Schramm dos Santos
Previsão da Incidência de Dengue no Estado do Rio
de Janeiro através de Redes Neurais Artificiais.
Monografia apresentada ao Departamento de Engenharia
Elétrica da PUC/Rio como parte dos requisitos para a obtenção do
título de Es-pecialização em Business Intelligence.
Orientadores:
Profª. Marley Maria B.R. Vellasco
Prof. Marco Aurélio Pacheco
Co orientador:
Iury Steiner de Oliveira Bezerra
Rio de Janeiro
17 de junho de 2013
Dedicatória
A minha amada esposa Isis e aos meus pais, pois sem eles não conse-guiria chegar tão longe.
Agradecimentos
A todos os professores deste curso, que nos instruíram com toda tenaci-dade, carinho e respeito, elevando nosso conhecimento a novos patamares. Aos meus orientadores Profª Marley Maria Vellasco, Profº. Marco Aurélio Pache-co e em especial Iury Steiner de Oliveira Bezerra pelas várias ocasiões em que me apoiou durante este trabalho.
RESUMO
Este trabalho tem como objetivo auxiliar a Secretaria de Saúde do Estado do Rio de Janeiro a reduzir os riscos de epidemia de dengue no Estado. As epi-demias de dengue vêm cada vez mais exigindo atenção dos gestores públicos de saúde, seja em ações, em serviços de saúde para a sua prevenção e/ou no seu controle. Por conta da magnitude desse problema, é crucial adotar medidas que impeçam e/ou se antecipem às epidemias.
Visando isso, abordaremos nesse trabalho o uso de Redes Neurais Artificiais (RNAs) como um sistema de apoio à previsão de epidemias de Dengue no esta-do.
A solução fará parte do Processo de Gestão de Doenças Transmitidas por Vetores e Zoonoses (GDTVZ) e estará contribuindo nas atividades de moni-toramento da doença no Estado do Rio de Janeiro, possibilitando visualizar e contribuir para uma melhor avaliação e orientação das medidas de controle veto-rial do Aedes aegypti no Estado, bem como no acompanhamento e análise das variações populacionais, geográficas e temporais na distribuição dos casos noti-ficados de dengue.
ABSTRACT
This work aims to assist the Department of Health of the State of Rio de Janeiro to reduce the risk of epidemic dengue in the state. Dengue epidemics are increasingly demanding the attention of public health managers, whether in ac-tions in health services for the prevention and / or control. Because of the magni-tude of this problem, it is crucial to adopt measures to prevent and / or anticipate epidemics.
Aiming at this, this paper will discuss the use of Artificial Neural Networks (ANN) as a support system to forecast epidemics of dengue in the state.
The solution will be part of the Management Process of Vector-borne Diseases and Zoonoses (GDTVZ) and will be contributing in monitoring activities of the
Sumário
1.
Introdução ... 10
1.1. Os sorotipos ... 10
1.2. O Aedes aegypti no Brasil ... 11
1.3. Dengue no Brasil ... 12
1.4. Dengue hemorrágica no Brasil ... 12
1.5. Motivação ... 13
1.6. Objetivos do trabalho ... 13
1.7. Descrição do trabalho ... 14
1.8. Organização da monografia ... 14
2.
Descrição do problema ... 15
2.1. Histórico da dengue ... 15
2.2. Formas Clínicas ... 19
2.3. A dengue no Estado do Rio de Janeiro ... 20
3.
Metodologias ... 25
3.1. Inteligência artificial ... 25
3.2. Neurônio artificial ... 25
3.3. Redes neurais artificiais ... 27
3.4. Aprendizado das RNAs. ... 28
3.5. Principais arquiteturas das RNAs. ... 29
3.6. Treinamento das RNAs MLP (Multi Layer Perceptron). ... 32
3.7. Mínimo Local ... 34
4.
Arquitetura do sistema proposto ... 36
4.1. Coleta e tratamento dos Dados ... 36
4.2. Entradas da Rede ... 37
4.3. Arquitetura da Rede ... 38
4.4. Treinamento da Rede ... 42
5.
Resultados... 43
6.
Conclusões e trabalhos futuros ... 48
Índice de Figuras
Figura 1 - Distribuição da dengue no mundo... 16
Figura 2 - Epidemia de dengue no continente americano ... 16
Figura 3 - Mapa da dengue em 2011 no Brasil ... 18
Figura 4 - Número de casos prováveis e internações por dengue, Rio de
Janeiro, 2000 a 2010. ... 21
Figura 5 - Número de casos, número de óbitos e taxa de letalidade por
Febre Hemorrágica de Dengue, Rio de Janeiro, 2002 a 2010. ... 21
Figura 6 – Evolução dos Casos Notificados no Estado em 2011. ... 22
Figura 7 - % Acumulado de Casos Notificados por ... 22
Figura 8 - % Acumulado de Óbitos por ... 23
Figura 9 - Evolução dos Casos Notificados no Estado Outubro de 2012. 23
Figura 10 - Evolução dos Óbitos no Estado até Outubro de 2012. ... 23
Figura 11 – Liraa (Levantamento do Índice de Infestação Rápido para o
Aedes aegypti) ... 24
Figura 12 - Esquema de um neurônio biológico. ... 26
Figura 13 - Esquema de um Neurônio Artificial ... 26
Figura 14 – Organização de uma Rede Neural ... 28
Figura 15 - Rede Feedforward de uma única camada. ... 30
Figura 16 - Rede Feedforward de múltiplas camadas ... 31
Figura 17 - Redes recorrentes ... 31
Figura 18 - 1º Passo: forward (propagação). ... 33
Figura 19 – 2º Passo: backward (Retropropagação) ... 34
Figura 20 - Mínimos Local e Global. ... 35
Figura 21 - Fórmula usada na normalização dos dados ... 37
Figura 22 - Arquitetura básica da RNA utilizada ... 38
Figura 23 - Casos reais x previstos para o Rio de Janeiro. ... 44
Índice de Tabelas
Tabela 2 - Casos, Óbito e Taxa de Incidência por Região do Estado em
2011. ... 22
Tabela 3 - Testes de arquiteturas realizados para cada município. ... 39
Tabela 4 – Continuação. Testes de arquiteturas realizados para cada
município. ... 40
Tabela 5 - Continuação. Testes de arquiteturas realizados para cada
município ... 40
Tabela 6 - Arquitetura escolhida para o Município do Rio de Janeiro. ... 41
Tabela 7 – Arquitetura escolhida para o Município de Belford Roxo. ... 41
Tabela 8 - Arquitetura escolhida para o Município de São João de Meriti.
... 41
Tabela 9 - Casos de Dengue reais x previstos para o Rio de Janeiro. .... 44
Tabela 10 - Casos de Dengue reais x previstos para Belford Roxo. ... 45
Tabela 11 - Casos de Dengue reais x previstos para São João de Meriti.
... 46
1. Introdução
A dengue é uma doença infecciosa viral que afeta mais de 100 países no mundo. Dados da Organização Mundial da Saúde(OMS) mostram mais de 50 milhões de indivíduos infectados por ano, com 500.000 casos de dengue hemor-rágica e 20.000 mortos a cada ano.
A dengue não é uma doença nova, no mundo todo ela já vem sendo combatida desde o final do século XVIII. Os primeiros casos conhecidos surgi-ram no Sudoeste Asiático, em Java, e nos Estados Unidos, na Filadélfia. Contu-do, somente no século XX a Organização Mundial da Saúde (OMS) a reconhe-ceu como doença.
O termo "dengue" vem do espanhol e que dizer "melindre", "manha". A palavra se refere ao estado de moleza e cansaço em que fica a pessoa contami-nada pelo mosquito. A doença é transmitida pela picada do mosquito Aedes ae-gypti infectado, que tem origem africana.
Os casos de febre hemorrágica começaram a aparecer na década de 50, nas Filipinas e na Tailândia. Nos anos 60, as Américas começaram a sofrer mais com a doença.
1.1. Os sorotipos
Com o passar dos anos, pesquisadores identificaram vários sorotipos da doença, numerados de DEN1 a DEN4 de acordo com o grau de letalidade do vírus. O sorotipo DEN1, classificado como o mais leve, apareceu pela primeira vez em 1977, na Jamaica, e a partir de 1980 foi a causa de epidemias em vários países.
Eles pertencem à família Flaviridae e são vírus que só contêm RNA. Eles são da mesma família do vírus que causa a febre amarela, e tanto a dengue quanto a febre amarela são transmitidas pelo mesmo mosquito, o Aedes ae-gypti.
O motivo de a dengue continuar se espalhando por vários países é a grande dificuldade para o controle da doença. E, se o aquecimento global for mesmo uma realidade como as evidências científicas mostram, o aumento da temperatu-ra fará com que o mosquito que ttemperatu-ransmite a dengue, o Aedes aegypti, se espalhe por novas regiões, levando a doença a novas áreas no planeta.
1.2. O Aedes aegypti no Brasil
O transmissor da dengue, o mosquito Aedes aegypti, de origem africana, foi reconhecido pela primeira vez no Egito. Chegou ao Brasil através dos navios negreiros, na época da colonização, ele se reproduzia nos depósitos de água dos navios nas viagens da África para cá.
Após o trabalho de erradicação da febre amarela realizada no início do sécu-lo passado, o Aedes aegypti chegou a ser dado como erradicado durante a Era Vargas, inclusive tendo sido concedidos ao Brasil certificados de observadores estrangeiros constatando que o país estava livre desta "praga".
Mas a erradicação não durou muito. Com o processo de industrialização e urbanização acelerada do país durante os anos 40 e 50, surgiram novos criadou-ros para os mosquitos como, por exemplo, pneus e fercriadou-ros velhos, disseminados pela indústria automobilística. Então, em 1967, o Aedes aegypti foi detectado em Belém (provavelmente trazido em pneus contrabandeados do Caribe). Em 1974, o mosquito já infestava Salvador, chegando ao Estado do Rio de Janeiro no final
da década de 70.
Em 1986, dados assustadores foram registrados: em Nova Iguaçu 28% dos domicílios e 100% das borracharias da via Dutra tinham larvas do mosquito.
1.3. Dengue no Brasil
Acredita-se que a primeira epidemia de dengue tenha ocorrido no Brasil em 1916, em São Paulo. Poucos anos depois a cidade de Niterói, no Estado do Rio de Janeiro, também sofreu com a doença. Porém, nenhuma das duas teve
com-provação laboratorial.
Somente no começo da década de 80, entre os anos de 1981 e 1982, em Boa Vista, Roraima, ocorreu no país uma epidemia causada pelos sorotipos 1 e 4 (este considerado o mais perigoso) clinicamente comprovada e documentada laboratorialmente.
A partir de 1986, várias epidemias atingiram o Rio de Janeiro e algumas capi-tais da região Nordeste. Desde então, a dengue vem ocorrendo de forma conti-nuada.
1.4. Dengue hemorrágica no Brasil
Atualmente, a dengue na forma hemorrágica está entre as dez principais causas de hospitalização e morte de crianças em países da Ásia tropical. Nas Américas, a primeira epidemia de dengue hemorrágica que se tem notícia ocor-reu em Cuba, em 1981.
Até o ano 2000, eram muito raros os casos de dengue hemorrágica no país. Embora muitos indivíduos tenham sido contaminados por mais de um tipo de vírus ao mesmo tempo, a frequência de dengue hemorrágica era mais baixa que o esperado. Com a chegada do vírus 3, aumentou muito o número de casos de dengue hemorrágica, com aproximadamente 6% de mortes. Desde 2005 é espe-rado o reaparecimento do vírus 4 no Brasil. A reintrodução do vírus 4 no Brasil pode levar a um aumento de casos de dengue hemorrágica em pessoas que já tiveram a infecção pelos vírus DEN1, DEN2 e DEN3.
1.5. Motivação
Como exposto no tópico anterior, a dengue é um grave problema da saúde pública não apenas no estado, mas em todo país. Por isso medidas que evitem epidemias de Dengue são essenciais. Para isso, é necessário prever com certa antecedência, ou detectar em um estágio inicial, a incidência das epidemias. Neste trabalho abordaremos o problema de previsão da incidência de Dengue através de um sistema de Redes Neurais Artificiais (RNAs).
Serão obtidos dados sobre a evolução temporal levando em consideração as semanas epidemiológicas entre 2001 e 2012 de casos de dengue no estado do Rio de Janeiro através da Secretaria Estadual de Saúde do RJ (SES) e estes dados serão utilizados para desenvolvimento e teste do sistema de vigilância proposto. Quando em operação, o sistema deverá prever a incidência de Den-gue em um instante futuro de tempo, tendo sido alimentada com dados obtidos em instantes passados.
1.6. Objetivos do trabalho
Este trabalho se propõe a desenvolver uma ferramenta computacional que utiliza técnicas de inteligência computacional, mais especificamente Redes Neu-rais Artificiais (RNAs) que seja capaz de ajudar a prever e se antecipar as epi-demias de Dengue no estado do Rio de Janeiro.
Entre os principais objetivos deste trabalho, destacam-se:
Modelagem e construção de um sistema computacional para previsão da incidência de casos Dengue no estado;
Estudo dos padrões temporais da propagação da Dengue e de seus fato-res de influência;
Estudo da influência de outros fatores que estejam diretamente relacio-nados à propagação da Dengue, como temperaturas e as campanhas de controle para erradicação do mosquito transmissor da dengue.
1.7. Descrição do trabalho
O desenvolvimento desse trabalho está organizado conforme a seguir: O primeiro capítulo destina-se a introduzir o leitor ao tema e objetivos do trabalho. O capítulo 2 (dois) contém um breve relato sobre a descrição do problema, se-guido por outros 4 (quatro) capítulos que tratam respectivamente da metodologia aplicada, da arquitetura proposta, dos resultados parciais obtidos, das conclu-sões do trabalho e por último, encontram-se as referências utilizadas.
1.8. Organização da monografia
Esta monografia está dividida em seis capítulos adicionais, conforme descri-tos abaixo:
O capítulo 1 (um) mostra uma visão geral sobre o tema e objetivos deste trabalho.
O capítulo 2 (dois) apresenta a descrição do problema de previsão de casos de dengue.
O terceiro capítulo é dedicado ao detalhamento da metodologia às premis-sas adotadas
O quarto capítulo descreve a arquitetura e cada etapa da solução, as dificul-dades encontradas em cada uma delas, assim como decisões tomadas e suas consequências.
O quinto e sexto capítulo é dedicado aos resultados e conclusões deste tra-balho e identifica possíveis tratra-balhos futuros.
2. Descrição do problema
Neste capítulo será apresentada a dengue, uma doença com incidência e mortalidade cada vez mais crescente apesar de ser uma doença de fácil preven-ção e tratamento. Supõe-se que a causa desse paradoxo é a falta de informapreven-ção ao gestor público de saúde, dificultando assim a criação de métodos que possam reduzir essa incidência e, portanto, sua mortalidade.
Como a maioria das epidemias, a dengue demanda atenção especial dos gestores públicos e um grande esforço coletivo de profissionais de saúde e da população para realização das táticas de controle. Em muitos casos os planos de contingência e de controle de epidemias dos órgãos públicos, são feitos com o deslocamento de vários profissionais de outros setores a fim que reunir um grande grupo de profissionais capazes a realizarem as ações necessárias con-tenção da epidemia.
Podemos observar que toda essa movimentação acaba gerando muitas des-pesas para o estado e causa outro grande problema que é a sobrecarga de tra-balho nos outros setores da saúde, de onde estes profissionais foram retirados.
Por isso, medidas que se antecipem as epidemias, ou seja, que possam fa-zer a previsão da incidência dessas epidemias, e a adoção de planos de controle podem ajudar a reduzir significativamente as despesas com saúde e, o mais importante, a diminuir da taxa de mortalidade e a quantidade de pessoas moles-tadas pelas doenças.
2.1. Histórico da dengue
A dengue é uma doença infecciosa febril aguda causada por um vírus da família Flaviridae e é transmitida, no Brasil, através do mosquito Aedes aegypti, também infectado pelo vírus. Atualmente, a dengue é considerada um dos prin-cipais problemas de saúde pública de todo o mundo.
Atualmente se tem conhecimento da existência de quatro tipos de dengue, já que o vírus causador da doença possui quatro sorotipos: 1, 2, DEN-3 e DEN-4.
A doença pode ser encontrada em aproximadamente 100 países das Américas, África, Ilhas do Pacífico, Ásia e Mediterrâneo (mapa).
Figura 1 - Distribuição da dengue no mundo
O sorotipo 1, o mais fraco, surgiu pela primeira vez em 1977, primeira-mente na Jamaica, porém foi a partir da década de 80 que foram notificadas epi-demias em vários países. O sorotipo 2, inicialmente encontrado em Cuba, foi o responsável pelo primeiro surto de febre hemorrágica ocorrido fora do Sudoeste Asiático e Pacífico Ocidental. O segundo surto ocorreu na Venezuela, em 1989 (mapa).
A dengue é conhecida no Brasil desde os tempos de colônia. O transmis-sor da dengue, o mosquito Aedes aegypti, de origem africana, tendo sido reco-nhecido pela primeira vez no Egito. Chegou ao Brasil através dos navios negrei-ros, na época da colonização, ele se reproduzia nos depósitos de água dos na-vios nas viagens da África para cá.
O primeiro caso da doença foi registrado em 1685, em Recife (PE). Em 1692, a dengue provocou 2 mil mortes em Salvador (BA), reaparecendo em novo surto em 1792.
Em meados da década de 40, o mosquito Aedes aegypti tornou-se co-nhecido quando uma epidemia de dengue atingiu o Rio de Janeiro, São Paulo e Salvador. Entre 1851 e 1853 e em 1916, São Paulo foi atingida por epidemias da doença. Em 1923, Niterói, no estado do Rio, lutou contra uma epidemia em sua região oceânica.
Em 1903, Oswaldo Cruz, então Diretor Geral da Saúde Pública, implan-tou um programa de combate ao mosquito que alcançou seu auge em 1909. Em 1957, anunciou-se que a doença estava erradicada do Brasil, embora os casos continuassem ocorrendo até 1982, quando houve uma epidemia em Roraima.
Em 1986, foram registradas epidemias nos estados do Rio de Janeiro, de Alagoas e do Ceará. Nos anos seguintes, outros estados brasileiros foram afeta-dos.
No Rio de Janeiro (Região Sudeste) ocorreram duas grandes epidemias. A primeira, em 1986-87, com cerca de 90 mil casos; e a segunda, em 1990-91, com aproximadamente 100 mil casos confirmados. A partir de 1995, a dengue passou a ser registrada em todas as regiões do país. Em 1998 ocorreram 570.148 casos de dengue no Brasil; em 1999 foram registrados 204.210 e, em 2000, até a primeira semana de março, 6.104 casos.
Em 2006, o número de casos de dengue voltou a crescer no país. Se-gundo dados do Ministério da Saúde, entre janeiro e setembro de 2006 foram registrados 279.241 casos de dengue o equivalente a 1 caso (não fatal) para cada 30 km ² do território desse país. Um crescimento de 26,3% em relação ao mesmo período em 2005. A região com maior incidência foi a Sudeste.
Já em 2008, a doença volta com força total, principalmente no Rio de Ja-neiro, onde foram registrados quase 250 mil casos da doença e 174 mortes em todo o Estado (e outras 150 em investigação), sendo 100 mortes e 125 mil casos
de vítimas fatais, a epidemia de 2002, onde 91 pessoas morreram. Nos últimos anos, outros estados do Brasil também registraram uma epidemia de Dengue.
Abaixo um mapa mais recente, de 2011, do Ministério da Saúde mos-trando o risco de epidemia de dengue no País.
Figura 3 - Mapa da dengue em 2011 no Brasil
Atualmente, o dengue na forma hemorrágica está entre as dez principais causas de hospitalização e morte de crianças em países da Ásia tropical. Nas Américas, a primeira epidemia de dengue hemorrágico que se tem notícia ocor-reu em Cuba, em 1981.
Até o ano 2000, eram muito raros os casos de dengue hemorrágica no país. Embora muitos indivíduos tenham sido contaminados por mais de um tipo de vírus ao mesmo tempo, a frequência de dengue hemorrágica era mais baixa que o esperado. Com a chegada do vírus 3, aumentou muito o número de casos de dengue hemorrágica, com aproximadamente 6% de mortes. Desde 2005 é espe-rado o reaparecimento do vírus 4 no Brasil. A reintrodução do vírus 4 no Brasil pode levar a um aumento de casos de dengue hemorrágica em pessoas que já tiveram a infecção pelos vírus DEN1, DEN2 e DEN3.
2.2. Formas Clínicas
Embora na maioria das vezes as pessoas infectadas não apresentem quais-quer manifestações clínicas ou apresentem um quadro clínico autolimitado, em uma parcela da população a infecção pode provocar uma enfermidade grave, por vezes fatal, o dengue hemorrágico/síndrome de choque do dengue (FHD/SCD). Quando o paciente é infectado pela primeira vez, diz-se que o mesmo tem uma infecção primária; quando infectado pela segunda vez, denomi-na-se infecção secundária.
Clinicamente a dengue pode se apresentar de quatro formas diferentes: In-fecção Inaparente, Dengue Clássica, Febre Hemorrágica da Dengue e Síndrome de Choque da Dengue. Dentre eles, destacam-se a Dengue Clássica e a Febre Hemorrágica da Dengue.
Na Infecção Inaparente o indivíduo está infectado pelo vírus, contudo não exibe nenhum sintoma da dengue. A ampla maioria das infecções da dengue não apresenta sintomas. Acredita-se que apenas uma ou duas em de cada dez pessoas infectadas ficam doentes.
A Dengue Clássica é uma forma mais branda da doença e parecida com a gripe. Geralmente, começa de uma hora para outra e dura entre 5 a 7 dias. O indivíduo infectado tem febre alta (39° a 40°C), dores de cabeça, cansaço, dor muscular e nas articulações, indisposição, enjoos, vômitos, manchas vermelhas na pele, dor abdominal (principalmente em crianças), entre outros sintomas.
Esses sintomas da Dengue Clássica podem durar até uma semana. Após este período, a pessoa pode continuar sentindo cansaço e indisposição.
Já na sua versão Hemorrágica, a Dengue é uma doença extremamente gra-ve e é caracterizada por alterações da coagulação sanguínea da pessoa infecta-da. Inicialmente se parece com a Dengue Clássica, porém, após o terceiro ou quarto dia de evolução da doença, aparecem hemorragias em virtude do san-gramento de pequenos vasos na pele e nos órgãos internos. A Dengue Hemor-rágica pode provocar hemorragias nasais, gengivais, urinárias, gastrointestinais ou uterinas.
Na Dengue Hemorrágica, quando os sintomas de febre cessam a pressão arterial do doente cai, o que pode gerar tontura, queda e choque. Se a doença nesse estágio não for tratada com rapidez, pode levar à morte.
Por último temos a Síndrome de Choque da Dengue, está é a mais grave apresentação da dengue e é caracterizada por uma brusca queda ou ausência de pressão arterial. A pessoa apresenta um pulso quase imperceptível, inquieta-ção, palidez e perda de consciência. Neste tipo de manifestação da doença, há registros de várias complicações, como alterações neurológicas, problemas car-diorrespiratórios, insuficiência hepática, hemorragia digestiva e derrame pleural.
Dentre as principais manifestações neurológicas, estão: delírio, sonolência, depressão, coma, irritabilidade extrema, psicose, demência, amnésia, paralisias e sinais de meningite. Se a doença não for tratada com rapidez, pode levar à morte.
2.3. A dengue no Estado do Rio de Janeiro
Olhando o País por regiões, a região Sudeste foi a que registrou o maior número de casos, sendo também a de maior população e disponibilidades de recursos para diagnóstico e notificação.
O Estado do Rio de Janeiro possui um papel importante no quadro epidemi-ológico da dengue no país, pois é o primeiro Estado do Brasil a registrar a circu-lação simultaneamente dos 3 (três) tipos de vírus: 1, 2 e 3 (DEN-1, DEN-2 e DEN-3), tendo consequentemente, uma alta taxa de incidência da doença e um grande número de casos registrados a cada epidemia ocorrida.
Os registros de dengue no estado datam de 1923. Após esse período até a década de 80, a doença foi praticamente eliminada do Brasil, pelo combate ao mosquito durante a campanha de erradicação da febre amarela. Em 1987 o estado do Rio de Janeiro voltar a registrar novos casos de dengue, assim como também no inicio da década de 90.
Em 2002, outra vez o Rio de Janeiro foi castigado por uma epidemia de dengue, só que dessa vez foi identificada a entrada do vírus tipo 3. Mais 285 mil pessoas contraíram a doença no Estado e 91 morreram em todo o Estado,
sen-Em 2010 foram notificados no estado do Rio de Janeiro 29.922 casos sus-peitos de dengue, um aumento de 274,5% em comparação com 2009 (7.964 notificações). A incidência em 2010 foi de 186,5 casos por 100 mil habitantes, sendo registradas 43 mortes.
Figura 4 - Número de casos prováveis e internações por dengue, Rio de Janeiro, 2000 a 2010.
Figura 5 - Número de casos, número de óbitos e taxa de letalidade por Febre Hemorrági-ca de Dengue, Rio de Janeiro, 2002 a 2010.
Em 2011 o número de casos notificados no estado foi maior que a soma de 2009 e 2010. Foram registrados 168,242 casos de dengue e notificados 141 Óbitos.
Tabela 1 - Casos, Óbito e Taxa de Incidência por Região do Estado em 2011.
Figura 8 - % Acumulado de Óbitos por Faixa Etária no Estado em 2011.
O número de casos em 2012, até o mês de outubro, é de 180.982. Até o momento, foram confirmados 38 óbitos de dengue em 2012.
Figura 9 - Evolução dos Casos Notificados no Estado Outubro de 2012.
No início de 2012 foram confirmados os primeiros casos de dengue tipo 4 no Estado do Rio de Janeiro. O vírus tipo 4 é responsável por grande parte das infecções no Rio. Como é um vírus novo, a população ainda não tem imunidade contra ele, o que contribui ainda mais para o aumento no número de casos.
Figura 11 – Liraa (Levantamento do Índice de Infestação Rápido para o Aedes aegypti) Mapa da dengue no estado – Outubro de 2012
Face ao que foi exposto acima, podemos observar que a o surto da dengue no estado vem causando grandes problemas para o governo e principalmente para os cidadãos do estado fluminense. Por isso, qualquer tipo de ajuda que possa a reduzir ou, quem sabe, erradicar essas epidemias, deve ser apreciada.
3. Metodologias
Neste capítulo abordaremos as metodologias nas quais este trabalho está apoiado. Também temos o objetivo de fornecer uma visão geral à cerca da apli-cação dessas técnicas em problemas de outros domínios.
3.1. Inteligência artificial
Algumas pessoas associam Inteligência Artificial a robôs ou computadores que teriam capacidade de tomar decisões e ter vida própria, porém isto ainda não existe nesta área. Existe um debate que divide os estudiosos dessa área, entre IA fraca e IA forte. O argumento para essa divisão está no fato de ser pos-sível ou não construir uma máquina consciente.
Um dos objetivos da Inteligência Artificial é possibilitar os computadores e/ou robôs, realizarem tarefas que hoje são melhores executadas por seres hu-manos. Por isso, ela busca através de técnicas inspiradas na Natureza, o desen-volvimento de sistemas inteligentes que imitem aspectos do comportamento hu-mano, tais como: aprendizado, percepção, raciocínio, evolução e adaptação
3.2. Neurônio artificial
Os primeiros estudos das redes neurais artificiais são do neuro-fisiologista e psicólogo Warren McCulloch e do matemático Walter Pitts e foram desenvolvi-dos, originalmente, no ano de 1943, onde estes dois cientistas apresentaram o primeiro modelo de neurônio artificial.
Inspirado no neurônio orgânico, o neurônio artificial nada mais é do que uma estrutura lógico-matemática que simula o comportamento e as funções do bioló-gico.
Figura 12 - Esquema de um neurônio biológico.
Os neurônios artificiais são as unidades da rede neural. Em uma analogia com o biológico foi nomeado de perceptron onde os dendritos foram trocados por entradas. As ligações com o corpo celular artificial são os pesos (simulando as sinapses). Os estímulos recebidos são processados por uma função de
so-ma e o limiar para ativação do neurônio biológico foi substituído pela função de transferência.
3.3. Redes neurais artificiais
Redes Neurais Artificiais (RNAs) (HERTZ, 1991; HAYKIN, 1999), é uma im-portante técnica de inteligência computacional que possuem um modelo mate-mático inspirado na estrutura neural de cérebro humano e que adquirem conhe-cimento através da experiência. Uma grande RNA pode ter centenas ou milhares de unidades de processamento, chamadas neurônios, já o cérebro de um mamí-fero pode ter muitos bilhões de neurônios.
As Redes Neurais Artificiais possuem grande potencial de aplicação na iden-tificação de padrões. Seu conceito de não linearidade vem sendo muito empre-gado durante os últimos anos para a previsão de séries temporais com o finali-dade de superar as limitações dos modelos mais clássicos, como os estatísticos lineares e pseudo-não lineares.
Como no cérebro humano, as redes neurais artificiais (RNAs) são organiza-das na forma de um número de elementos individuais simples, os neurônios, que são interconectados entre si, formando redes capazes de armazenar e transmitir informação vinda do exterior. Outra capacidade importante das RNAs é sua au-to-organização, ou seja, através de um processo de aprendizado, é possível alte-rar as interconexões entre seus neurônios. Por isso, elas são um tipo de sistema conexionista, no qual as propriedades computacionais são resultado dos pa-drões de interconexão da rede, como acontece também no sistema nervoso bio-lógico.
Por essas características as RNAs são uma ferramenta extremamente pode-rosa para a solução de problemas complexos. Na figura abaixo vemos um exemplo de organização de uma Rede Neural Artificial.
Figura 14 – Organização de uma Rede Neural
As redes neurais artificiais são criadas a partir de algoritmos projetados para uma determinada finalidade. Por isso, seria impossível criar um algoritmo desses sem o conhecimento de modelos matemáticos que simulem o processo de aprendizado do cérebro humano.
3.4. Aprendizado das RNAs.
Assim como acontece no cérebro humano, a propriedade mais importante das redes neurais artificiais é a habilidade de aprender sobre o seu ambiente e a partir daí melhorar seu desempenho. Isso é feito como observa (BASHEER; HAJMEER, 2000), por um processo de atualização da representação interna do sistema em resposta a um estimulo externo, chamado treinamento. A atualiza-ção da representaatualiza-ção é realizada sob a forma de modificaatualiza-ção da arquitetura, ajuste dos pesos das conexões entre os neurônios e ativando regras de neurô-nios individuais.
O aprendizado acontece quando a rede neural alcança uma solução genera-lizada para uma classe específica de problema. A rede aprende por experiência, não necessitando criar um algoritmo para executar cada tarefa.
As regras de aprendizagem que definem como a rede deve ajustar os pesos sinápticos são modificados de forma iterativa, por um algoritmo que segue um dos seguintes paradigmas de aprendizado:·.
Aprendizado Não Supervisionado (auto-organização): neste tipo, a rede neural trabalha os dados de forma a determinar algumas proprieda-des dos conjuntos de dados. A partir proprieda-destas propriedaproprieda-des é que o apren-dizado é constituído;
Reforço: para cada entrada apresentada, é produzida uma indicação (re-forço) sobre a adequação das saídas correspondentes produzidas pela rede.
As RNAs são capazes de fazer associações entre padrões diferentes, ou se-ja, a generalização. Isso significa que se a rede aprende a lidar com um determi-nado problema, e lhe é apresentado um similar, mas não exatamente idêntico, ela aprende a reconhecer esse novo problema, oferecendo a mesma solução.
Além da generalização as RNAs possuem a capacidade de abstração, ou se-ja, elas são capazes de abstrair a essência de um conjunto de entradas, isto é, a partir de padrões ruidosos, extraírem a informação do padrão sem ruído.
Outra característica das RNAs é sua robustez, pois mesmo se sofrer a perda de um conjunto de elementos processadores e/ou conexões sinápticas, essa perda não inviabiliza o funcionamento da rede neural.
“Aprendizagem é um processo pelo qual os parâmetros livres (ou pesos) de uma rede neural são adaptados através de estímulos do ambiente no qual a rede está inserida. O tipo de aprendizagem é determinado pela maneira como ocorre a modificação dos parâ-metros”. Haykin (2003).
3.5. Principais arquiteturas das RNAs.
A forma como os neurônios podem ser agrupados é uma importante carac-terística que define o tipo de arquitetura das Redes Neurais Artificiais (RNAs). Uma rede neural pode ter uma ou várias camadas, porém existe uma forte restri-ção no número de camadas que a rede pode conter, restringindo consideravel-mente o tipo e o escopo de sua implementação no computador.
Feedforward de uma única camada (Perceptron): essa arquitetura é a mais simples de todas, pois possui apenas uma camada e o fluxo de in-formação é sempre da camada de entrada para a camada de saída, por isso a origem do seu nome.
Figura 15 - Rede Feedforward de uma única camada.
Feedforward de múltiplas camadas (Multi Layer Perceptron ou MLP): semelhante à rede Feedforward de uma única camada, essa arquitetura apresenta mais uma camada extra. Esta camada adicional chamada de intermediária ou oculta confere a RNAs maior capacidade computacional, permitindo resolver problemas não lineares.
Geralmente essas camadas são classificadas em três grupos:
Camada de Entrada: onde os padrões são apresentados à rede;
Camadas Intermediárias ou Ocultas: onde é feita a maior parte do
pro-cessamento, através das conexões ponderadas; podem ser consideradas como extratoras de características;
Camada de Saída: onde o resultado final é concluído e apresentado.
Figura 16 - Rede Feedforward de múltiplas camadas
Redes recorrentes: neste tipo de topologia acontece a ocorrência de re-tro-alimentação, na qual a saída de um neurônio é aplicada como entrada no próprio neurônio e/ou em outros neurônios de camadas anteriores, ou seja, há a ocorrência de um ciclo no grafo.
Figura 17 - Redes recorrentes
neu-pecialmente na sua capacidade de generalização. Na literatura não existe nada que seja “uma receita de bolo” ou uma formula especial que defina a quantidade de neurônio e camadas que uma rede deve ter. Contudo, devemos lembrar que quanto maior o número de neurônios, mais complexa fica rede.
Todavia, de acordo com estudos realizados por Cybenko (CYBENKO, 1989) a respeito do número de camadas intermediárias necessárias para a implemen-tação de classes de funções em uma RNA. Ele chegou as seguintes conclu-sões:
Uma camada intermediária é suficiente para aproximar qualquer função contínua;
Duas camadas intermediárias são suficientes para aproximar qualquer função matemática.
3.6. Treinamento das RNAs MLP (Multi Layer Perceptron).
Como visto antes, o processo de aprendizagem de uma rede neural MLP é um processo iterativo, conhecido como aprendizagem por experiência, onde os padrões de treinamento (exemplos) são apresentados a rede e com base nos erros obtidos, são realizados ajustes nos pesos sinápticos, com o objetivo de reduzir o erro nas próximas iterações.
Para realizar esse treinamento utilizamos algoritmos de treinamento, o algo-ritmo de treinamento mais conhecido para redes MLP é o algoalgo-ritmo de
retropro-pagação de erro (error backpropagation), proposto por Werbos, Parker e
Rum-melhart (MÁSSON1990)(REFENES1993c) , baseado na regra de aprendizagem por correção de erro, que consiste basicamente de dois passos, um para frente e outro para trás.
Resumidamente, esses 2 (dois) passos ocorrem da seguinte maneira: na primeira fase (feed-forward), é onde se procura definir a saída da rede dado um
A minimização do erro no algoritmo backpropagation é obtida pela execução do gradiente decrescente na superfície de erros do espaço de pesos, onde a altura para qualquer ponto no espaço de pesos corresponde à medida do erro.
Abaixo vemos um pouco mais detalhado o funcionamento do algoritmo
Backpropagation:
1º. Passo: Propagação. Um padrão é apresentado às entradas da rede, e a as saídas dos neurônios da primeira camada escondida são então calcu-ladas. As saídas dessa camada escondida serão utilizadas como entra-das para a próxima camada. As saíentra-das da camada seguinte são então calculadas. Esse processo se repete até a camada de saída.
As saídas produzidas pelos neurônios da camada de saída são então comparadas às saídas desejadas para aquele padrão de entrada e o erro correspondente é calculado, representando a diferença entre o va-lor obtido e o desejado.
Figura 18 - 1º Passo: forward (propagação).
2º. Passo: Retropropagação (backpropagation) o erro da camada de saí-da e utilizado para ajustar os pesos sinápticos. Os erros saí-da camasaí-da de saída são propagados para a camada anterior, utilizando os pesos entre as camadas que serão multiplicadas pelos pesos correspondentes.
Os erros calculados são então utilizados para ajustes dos pesos da camada escondida.
O processo se repete ate que todos os pesos da rede sejam ajus-tados e a tolerância do erro seja menor ou igual ao estipulado anterior-mente.
Figura 19 – 2º Passo: backward (Retropropagação)
É importante lembrar que o desempenho do algoritmo de aprendizagem backpropagation está fortemente condicionado à modelagem adotada na rede neural artificial e ao conjunto de dados utilizados no processo de ajuste dos pe-sos sinápticos entre as conexões da rede.
3.7. Mínimo Local
Um problema encontrado no treinamento das redes MLP tende a ser a con-vergência para mínimos, pois assim que um mínimo é encontrado, seja ele glo-bal ou local, o aprendizado é interrompido [FREEMAN1992]. Caso a rede alcan-ce um mínimo local, do seu ponto de vista limitado, todas as caminhos em sua volta representam valores maiores que o alcançado e, portanto, a convergência
Figura 20 - Mínimos Local e Global.
Para evitar que essas convergências para mínimos locais aconteçam, pode-mos no valer de algumas técnicas para reduzir esses acontecimentos, dentre elas destacamos a seguintes:
Taxa de aprendizado decrescente
Termo de momentum
A taxa de aprendizado decrescente é uma técnica utilizada para dar maior velocidade de aprendizado à rede no inicio do treinamento quando ela ainda não conhece nenhum padrão e diminuir seu ritmo de aprendizado posteriormente, quando do reconhecimento dos padrões apresentados já estiverem satisfatórios, ou seja, seus erros quadráticos já estiverem estagnados.
Um termo momentum (RUMELHART &MCCLELLAND, 1986) é uma técnica muito frequentemente utilizada por ser bastante simples e efetiva. Ele é utilizado para adicionar inércia ao aprendizado resultando em um aumento de velocidade convergência em regiões de descida da superfície do erro.
4. Arquitetura do sistema proposto
Neste capitulo será demonstrado à utilização da rede neural para previsão de incidência de casos de dengue nos municípios do Rio de Janeiro, São João de Meriti e Belford Roxo no estado do Rio de Janeiro. A arquitetura da Rede Neural escolhida foi a feedfoward MLP (Multi Layer Perceptron) treinada com o algorit-mo backpropagation. A arquitetura do algorit-modelo utilizado é composta por três ca-madas, sendo uma camada de entrada, uma camada intermediária ou oculta e uma camada de saída.
4.1. Coleta e tratamento dos Dados
Os dados utilizados para treinamento e validação foram fornecidos pela Se-cretaria de Saúde do Estado do Rio de Janeiro (SES-RJ) e são referentes a noti-ficações semanais (semanas epidemiológicas) da incidência de dengue em to-dos os municípios do estado do Rio de Janeiro no período de 01/03/2008 a 30/03/2013. Todavia, neste trabalho vamos implementar nesse primeiro momen-to apenas as redes para previsão de casos nos municípios do Rio de Janeiro, São João de Meriti e Belford Roxo.
É muito importante na fase de coleta dos dados a escolha das variáveis que representarão o comportamento da série a modelar, ou seja, se dispusermos de uma boa quantidade de dados, deveremos ficar com aqueles que realmente con-tribuem na série que se deseja prever.
Outra etapa também muito importante é a do pré-processamento dos dados, que se refere ao tratamento e identificação de todas as variáveis selecionadas na etapa anterior, envolvendo tarefas como completar dados faltantes, identificar outliers, expurgar erros de medição e normalizar séries, etc.
A fase de pré-processamento dos dados é suma importância para o sucesso na criação da rede, essa etapa consiste basicamente em três módulos: filtro de
que possuem tendências e/ou sazonalidades. É muito importante para reduzir as variações causadas por erros ou ruídos aleatórios.
Normalização: é a padronização dos dados para melhorar a distribuição e o escalonamento dos dados em um intervalo pré-definido. Essa normali-zação de dados é muito importante para ajustar os dados ao padrão es-tabelecido pela RNA.
Classificação dos dados para entrada rede: consiste em classificar e quantificar as entradas de uma rede a fim de melhorar seus resultados de previsão, uma vez que a arquitetura, quantidades e qualidade das en-tradas interferem diretamente na previsão efetuada.
Para este trabalho a normalização dos dados foi feita com a ajuda do MS Excel fazendo uso da normalização segundo a amplitude que se mostra muito interessante em diversas situações, como por exemplo, na remoção de distor-ções de valores aberrantes, obtenção de simetria, unidades diferentes ou disper-sões muito heterogêneas etc.
Abaixo temos a fórmula que foi usada para a normalização dos dados neste trabalho.
Figura 21 - Fórmula usada na normalização dos dados
4.2. Entradas da Rede
Nesse primeiro momento, os padrões de entrada apresentados à rede serão formados somente por dados de incidência da dengue (quantidade de casos), variando o número de valores das semanas epidemiológicas sucessivas por mu-nicípio que compõem o padrão, conforme abaixo:
Os padrões de entrada apresentados à RNA:
Os padrões de entrada utilizados para treinamento e teste da rede foram di-vididos da seguinte forma:
70% utilizados para treinamento da rede;
20% restantes para teste da mesma.
10% para comparação entre os valores Previsto x Real.
4.3. Arquitetura da Rede
Para este trabalho utilizamos uma RNA do tipo MLP (Multi Layer Perceptron) como arquitetura básica, onde os neurônios são organizados em camadas su-cessivas (feedfoward). Nos testes de arquiteturas foram consideradas redes so-mente com uma camada intermediária (oculta), conforme a figura a seguir.
Figura 22 - Arquitetura básica da RNA utilizada
Buscando descobrir os parâmetros que ajudem a rede a fornecer resulta-dos mais precisos, foram feitos diversos testes para a rede de cada município, variando-se apenas os parâmetros da rede, tais como: janela (lags) anterior de
mada saída a função linear. O algoritmo de treinamento usado é o backpropaga-tion sem momentum. O critério para o fim do treinamento foi atingir o número de épocas (epochs) determinadas.
Para efeito de comparação dos resultados obtidos, será analisado o valor do MAPE (Mean Absolute Percentage Error) de Teste da rede.
Abaixo temos algumas tabelas das arquiteturas que foram testadas para os municípios:
Tabela 2 - Testes de arquiteturas realizados para cada município. .
A partir das arquiteturas testadas selecionamos as que se revelaram melho-res para cada município, veja abaixo:
Rio de Janeiro Passos Previtos Janela (lags) Épocas (epoch) Neurônios Camada Oculta Erro MAPE 4 6 30 8 11,33%
Tabela 5 - Arquitetura escolhida para o Município do Rio de Janeiro.
Belford Roxo Passos Previtos Janela (lags) Épocas (epoch) Neurônios Camada Oculta Erro MAPE 4 5 40 6 6,46%
Tabela 6 – Arquitetura escolhida para o Município de Belford Roxo.
São João de Meriti
Passos Previtos Janela (lags) Épocas (epoch) Neurônios Camada Oculta Erro MAPE 4 3 20 7 7,79%
4.4. Treinamento da Rede
Após o pré-processamento dos dados e a definição da arquitetura da RNA a ser utilizada, iniciamos a realização dos testes preliminares no software Matlab R2011b como já demonstrado no item anterior.
Para o treinamento e ajuste da rede foram utilizados os dados da primeira semana de janeiro de 2008 a última semana de dezembro de 2012, correspon-dendo a 285 observações.
O treinamento como já dito anteriormente, foi realizado pelo o algoritmo de treinamento backpropagation sem momentum. O critério para o fim do treina-mento foi atingir o número de épocas (epochs) determinadas.
5. Resultados
Como exposto anteriormente, foram realizados vários testes preliminares a fim de encontrar os parâmetros da RNA que fornecesse os melhores resultados. Para isso, dados de incidência da dengue foram utilizados como entradas da rede e inúmeros testes foram conduzidos, avaliando-se o desempenho da rede mediante a variação de seus parâmetros. O melhor resultado foi alcançado com os seguintes parâmetros de treinamento: 3 (três) neurônios na camada de entra-da, 8 (oito) neurônios na camada oculta, 4 (quatro) neurônios na camada de saí-da, ou seja, um neurônio para cada passo previsto.
Em relação à arquitetura da rede, esta é composta por diversos parâmetros e a otimização destes é um processo que leva bastante tempo e é muito influenci-ado pela variedade e quantidade dos dinfluenci-ados presentes nos padrões de entrada da rede. Além do mais, uma arquitetura de rede encontrada para um conjunto de dados pode não ser a mais adequada para outro.
Por esse motivo para a previsão de casos de cada município foi modelada uma rede especifica, variando a quantidade de neurônios na camada escondida, a quantidade dos dados de entrada e as informações dos dados de entrada.
Os resultados apresentados a seguir são referentes aos casos de dengue nos municípios do Rio de Janeiro, São João de Meriti e Belford Roxo das sema-nas do ano de 2013.
Abaixo temos o gráfico da comparação dos valores reais x previstos para o município de Rio de Janeiro:
Figura 23 - Casos reais x previstos para o Rio de Janeiro.
A rede do município do rio de janeiro foi a que apresentou o pior desem-penho em relação as testadas, porém, mesmo assim, podemos observar que os valores previstos tem uma margem de erro aceitável, se levarmos em conta que atualmente o gestor em saúde não possui nenhum outro mecanismo que o ajude com tais informações.
O melhor resultado obtido para o município do Rio de Janeiro foi uma re-de com 8 (oito) neurônios na camada intermediária (oculta) onre-de obtivemos uma taxa de erro MAPE de 11,33%.
Semana Casos Reais Casos Previstos
17 3201 2641 18 2605 2431
Comparação valores reais x previstos para o município de Belford Roxo no gráfico a seguir:
Figura 24 – Casos reais x previstos para Belford Roxo.
Para o Belford Roxo melhor resultado obtido para foi uma rede com 6 (seis) neurônios na camada intermediária (oculta) onde obtivemos uma taxa de erro MAPE de 6,46%.
Semana Casos Reais Casos Previstos
17 34 35
18 40 34
19 26 26
20 31 33
A seguir a comparação dos valores reais x previstos para o município de São João de Meriti:
Figura 25 – Casos reais x previstos para São João de Meriti.
O melhor resultado obtido para o município do São João de Meriti foi uma rede com 7 (sete) neurônios na camada intermediária (oculta) onde obtivemos uma taxa de erro MAPE de 7,79%.
Semana Casos Reais Casos Previstos
17 31 28
18 38 41
19 15 15
20 29 33
monstram nitidamente uma tendência de alta ou baixa nos baixa dos casos reais de dengue dos municípios estudados, auxiliando o gestor de saúde na tomada de decisão.
6. Conclusões e trabalhos futuros
O desenvolvimento de um ambiente que disponibilize informações epidemio-lógicas da dengue é apenas o primeiro passo para se ter informações interativas e inteligentes sobre as epidemias no Estado.
Cada vez mais que outros sistemas com informações mais detalhadas a res-peito da epidemia da dengue forem criados o gestor da saúde poderá tomar de-cisões mais precisas sobre os recursos e direcionamento de suas ações.
Neste trabalho foi desenvolvido um modelo de Redes Neurais Artificiais (RNAs) como mecanismo de inferência, que teve como objetivo auxiliar na previsão da incidência de casos dengue dos municípios do estado para um determinado es-paço de tempo, neste caso, cinco semanas epidemiológicas à frente (futuras).
Como observamos os resultados obtidos com Redes Neurais Artificiais (RNAs) para a previsão de epidemias foram muito satisfatórios, mesmo possuin-do poucos padrões para apresentar a rede os resultapossuin-dos obtipossuin-dos demonstraram uma boa aplicabilidade do modelo baseado em RNA na previsão de casos futu-ros de dengue. É importante observar que aos municípios estudados tem micro climas muito particulares, posições socioeconômicas diferenciadas e levando-se em consideração também a grande facilidade de adaptação do mosquito.
Outro ponto importante para melhorar os resultados seria o aumento nos padrões (série) apresentados a rede, contribuindo para montar uma base de treinamento maior, assim como ter mais dados para testes e validação, acarre-tando assim um modelo mais preciso e confiável. Contudo, mesmo com a es-cassez de dados, os resultados parciais alcançados são satisfatórios e muito otimistas.
Devido ao prazo para a entrega deste trabalho (menos de um semestre), infelizmente algumas implementações que poderiam ajudar a melhorar os resul-tados deste trabalho tiveram que ficar de fora para não comprometer o prazo da entrega.
Referências Bibliográficas
[FREEMAN1992] FREEMAN, James A; SKAPURA, David M. Neural Networks
Algorithms, Applications and Programmming Techniques. [S.L.] :
Addelfon-Wefley, 1992. p. 89 - 106.
[MÁSSON1990] MÁSSON, Egill; WANG, Yih-Jeou. Introduction to
Computa-tion and Learning in Artificial Neural Networks. European Journal of
Opera-tional Research, North-Holand , 47, 1990. p. 1 - 28.
ACHARYA, U. R. et al. Classication of heart rate data using ariticial neural
network and fuzzy equivalence relation. Pattern Recognition, v. 36, p. 61 à 68,
(2003).
BASHEER, I. A.; HAJMEER, M. Articial neural networks: fundamentals,
com-puting, design, and application. Journal of Microbiological Methods, v. 43,
p. 3 - 31 (2000).
CYBENCO, G., 1989, “Approximation by superpositions of a sigmoid
func-tion”.Mathematics of Control, Signals and Systems, v.2, n.1, pp. 303-314.
HAYKIN, S. S. (1999). “Neural networks: a comprehensive foundation”, New York: Macmillan.
HERTZ, J.; KROGH, A. & PALMER, R. G. (1991). “Introduction to the theory of
neural computation”, Addison-Wesley Publishing Company.
http://dcm.ffclrp.usp.br/rtinos/tcc_edward.pdf - Acessado em 24/10/2012 http://dengueportalprofessor.wordpress.com/- Acessado em 27/11/2012 http://g1.globo.com/rio-de-janeiro/noticia/2012/05/estado-do-rio-tem-mais-de-112-mil-casos-de-dengue-diz-boletim.html - Acessado em 26/11/2012 http://oglobo.globo.com/blogs/mundointeligente/posts/2009/07/29/redes-neurais-na-previsao-de-surtos-de-doencas-209479.asp - Acessado em 24/10/2012 http://portal.saude.gov.br/portal/arquivos/pdf/14_rio_de_janeiro_final.pdf- Aces-sado em 27/11/2012 http://portal.saude.gov.br/portal/arquivos/pdf/informe_dengue_2011_37_39.pdf - Acessado em 26/11/2012 http://pt.scribd.com/doc/66675269/31/Redes-Perceptron-Multicamadas-com-Algoritmo-Backpropagation#page=undefined - Acessado em 03/12/2012
http://pt.wikipedia.org/wiki/Dengue - Acessado em 26/11/2012 http://pt.wikipedia.org/wiki/Rede_neural#Aprendizado_.28ou_treinamento.29 - Acessado em 30/11/2012 http://saude.hsw.uol.com.br/dengue1.htm - Acessado em 19/11/2012 http://tcc.ecomp.poli.br/20092/TCC_final_Thiego.pdf - Acessado em 24/10/2012 http://www.bv.fapesp.br/pt/bolsas/51961/previsao-incidencia-dengue-atraves-redes/ - Acessado em 24/10/2012 http://www.cerebromente.org.br/n05/tecnologia/plasticidade2.html - Acessado em 30/11/2012 http://www.cerebromente.org.br/n05/tecnologia/rna.htm - Acessado em 28/11/2012 http://www.combateadengue.com.br/historico/ - Acessado em 19/11/2012 http://www.combateadengue.com.br/tag/dengue-no-rio-de-janeiro/ - Acessado em 26/11/2012 http://www.cpdee.ufmg.br/documentos/Defesas/778/Dissertacao-Lucymara-final.pdf - Acessado em 24/10/2012 http://www.criasaude.com.br/N3601/doencas/dengue/estatisticas-dengue.html - Acessado em 26/11/2012 http://www.dca.fee.unicamp.br/~andreric/arquivos/pdfs/redes_neurais.pdf - Aces-sado em 30/11/2012 http://www.dengue.org.br/dengue_mapas.html- Acessado em 27/11/2012 http://www.din.uem.br/ia/neurais/#artificial - Acessado em 28/11/2012 http://www.fiocruz.br/rededengue/cgi/cgilua.exe/sys/start.htm?infoid=22&sid=9 - Acessado em 26/11/2012 http://www.fsma.edu.br/visoes/ed02/Ed02_Artigo5_Luciene_Paula_Ricardo.pdf - Acessado em 10/4/2013 http://www.gsigma.ufsc.br/~popov/aulas/rna/arquitetura/ - Acessado em
http://www.lncc.br/~labinfo/tutorialRN/frm1_arquitetura.htm - Acessado em 30/11/2012 http://www.polbr.med.br/ano05/art0205a.php - Acessado em 28/11/2012 http://www.portaldovale.net/2008/04/distribuio-da-dengue-no-mundo.html - Aces-sado em 26/11/2012 http://www.ppgmne.ufpr.br/arquivos/diss/70.pdf - - Acessado em 10/12/2012 http://www.riocontradengue.com.br - Acessado em 26/11/2012 http://www.sbis.org.br/cbis/arquivos/818.pdf - Acessado em 24/10/2012 http://www.scielo.br/pdf/csp/v22n5/06.pdf - Acessado em 24/10/2012 http://www.scielo.br/pdf/csp/v24n9/22.pdf - Acessado em 24/10/2012 http://www.scielo.br/pdf/rsbmt/v37n4/21182.pdf - Acessado em 24/10/2012 http://www.scielo.br/scielo.php?pid=S0101-74382007000300002&script=sci_arttext&tlng=pt - Acessado em 10/12/2012 http://www.tecmundo.com.br/programacao/2754-o-que-sao-redes-neurais-.htm - Acessado em 30/11/2012 http://www2.icmc.usp.br/~andre/research/neural/index.htm - Acessado em 30/11/2012
MCCULLOCH, W. S.; PITTS, W. H. A logical calculus of the ideas immanent
in nervous activity. Bulletin of Mathematical Biophysics, v. 5, p. 115 à133
(1943).
REFENES 1993c. Currency Exchange Rate Prediction and Neural Network
Design Strategies. Neural Computing and Applications Journal, London, 1993.
p. 46 - 58.
RUMELHART, D. E. & MCCLELLAND, J. L., 1986, Parallel Distributed