estimativa do coeficiente de perfusão sanguínea do músculo...
TRANSCRIPT
ESTIMATIVA DO COEFICIENTE DE PERFUSAO SANGUINEA DO
MUSCULO MASSETER NA DESORDEM TEMPOROMANDIBULAR
MIOGENICA CRONICA
Derek Guimaraes Mota Vieira
Projeto de Graduacao apresentado ao Curso
de Engenharia Mecanica da Escola Politecnica,
Universidade Federal do Rio de Janeiro, como
parte dos requisitos necessarios a obtencao do
tıtulo de Engenheiro.
Orientador: Helcio Rangel Barreto Orlande
Rio de Janeiro
Marco de 2019
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
Departamento de Engenharia Mecanica
DEM/POLI/UFRJ
ESTIMATIVA DO COEFICIENTE DE PERFUSAO SANGUINEA DO
MUSCULO MASSETER NA DESORDEM TEMPOROMANDIBULAR
MIOGENICA CRONICA
Derek Guimaraes Mota Vieira
PROJETO FINAL SUBMETIDO AO CORPO DOCENTE DO DEPARTAMENTO
DE ENGENHARIA MECANICA DA ESCOLA POLITECNICA DA
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE
DOS REQUISITOS NECESSARIOS PARA A OBTENCAO DO GRAU DE
ENGENHEIRO MECANICO.
Aprovada por:
Prof. Helcio Rangel Barreto Orlande, Ph.D.
Prof. Marcelo Jose Colaco, D.Sc.
Prof. Gabriel Lisboa Verissimo, D.Sc.
Dr. Heraclito Fernando Gurgel Barboza, PT.
RIO DE JANEIRO, RJ – BRASIL
MARCO DE 2019
Vieira, Derek Guimaraes Mota
Estimativa do Coeficiente de Perfusao Sanguınea
do Musculo Masseter na Desordem Temporomandibular
Miogenica Cronica/ Derek Guimaraes Mota Vieira. – Rio
de Janeiro: UFRJ/Escola Politecnica, 2019.
XII, 58 p.: il.; 29, 7cm.
Orientador: Helcio Rangel Barreto Orlande
Projeto de Graduacao – UFRJ/ Escola Politecnica/
Curso de Engenharia Mecanica, 2019.
Referencias Bibliograficas: p. 50 – 51.
1. Estimativa de Parametros. 2. Desordem
Temporomandibular. 3. Termografia por Infravermelho.
4. Abordagem Bayesiana. 5. Equacao de Pennes. I.
Orlande, Helcio Rangel Barreto. II. Universidade Federal
do Rio de Janeiro, UFRJ, Curso de Engenharia Mecanica.
III. Estimativa do Coeficiente de Perfusao Sanguınea
do Musculo Masseter na Desordem Temporomandibular
Miogenica Cronica.
iii
”A viagem nao acaba nunca.
So os viajantes acabam. E
mesmo estes podem prolongar-se
em memoria, em lembranca, em
narrativa.”Jose Saramago
iv
Agradecimentos
Agradeco a todos os meus familiares, pai, mae, irmaos, e alguns tios e primos pelo
apoio incondicional e pela ajuda que em muitos momentos foi essencial. Principal-
mente, a minha avo Zaide Vieira, pelo carinho unico e diferenciado!
Agradeco ao meu orientador, Helcio Orlande, pela paciencia, tempo dedicado,
motivacao, tema de pesquisa e pelo exemplo de professor. Foi uma grande supressa
que nesse ultimo momento da graduacao, eu possa descobrir que pesquisas existem
e como elas podem ser interessantes, e alem disso me fazer gostar da engenharia
mecanica de uma forma diferente.
Agradeco a todos os meus amigos, que faco questao de nao citar para que nao
ocorra nenhum tipo de preferencia, que cada algum de alguma forma me ajudou ao
longo dessa trajetoria. Alguns pelas conversas aleatorias sobre cinema, outros com
a rotina cansativa da UFRJ e ate pelos dias de folga no bar. Cada um de uma forma
diferente, mas sem duvida fundamentais para poder realizar esse sonho.
–
v
Resumo do Projeto de Graduacao apresentado a Escola Politecnica/UFRJ como
parte dos requisitos necessarios para a obtencao do grau de Engenheiro Mecanico
ESTIMATIVA DO COEFICIENTE DE PERFUSAO SANGUINEA DO
MUSCULO MASSETER NA DESORDEM TEMPOROMANDIBULAR
MIOGENICA CRONICA
Derek Guimaraes Mota Vieira
Marco/2019
Orientador: Helcio Rangel Barreto Orlande
Programa: Engenharia Mecanica
A busca por diagnosticos que sejam mais eficientes e seguros na medicina pro-
movem o estudo de diversas tecnicas com essas caracterısticas, como a termografia
por infravermelho. Ela se diferencia por ser uma tecnica totalmente segura, nao
invasiva e nao radioativa. A termografia permite medir a temperatura superficial da
pele a partir da radiacao infravermelha emitida pelo corpo. A temperatura do corpo
humano e regulada devido a diversos processos que acontecem em diferentes tipos
de tecidos como a geracao metabolica, perfusao sanguınea entre outros. Enquanto
isso, existe uma correlacao muito forte entre patologias e temperatura corporal.
Considerando o caso unidimensional, no presente estudo sera investigada uma
forma matematica para descrever o problema de transferencia de calor em pessoas
com a desordem temporomandibular (DTM), patologia comum que pode causar
dor, desconforto e perda de mobilidade da mandıbula. Com isso serao desenvol-
vidos instrumentos capazes de estimar a perfusao sanguınea do musculo masseter,
empregando a abordagem Bayesiana.
vi
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment
of the requirements for the degree of Mechanical Engineer
THE ESTIMATION OF BLOOD PERFUSION COEFFICIENT FOR
CHRONICAL MYOGENIC TEMPOROMANDIBULAR DISORDER
Derek Guimaraes Mota Vieira
March/2019
Advisor: Helcio Rangel Barreto Orlande
Department: Mechanical Engineering
The search for safer and more efficient medical diagnosis promote the study
of many techniques that embrace those characteristics, such as the infrared ther-
mography. It differs from others by being a completely safe, non-invasive and
non-radioactive technique. The thermography allows us to measure the superficial
temperature of the skin through the infrared radiation that the body emits. The
temperature of the human body is regulated through many processes that happen in
different tissues, as the metabolic heat generation, blood perfusion, among others.
Meanwhile, there is a strong correlation between pathologies and body temperature.
Considering the unidimensional case, our study will investigate a mathematical
way of describing the problem of heat transfer in patients with temporomandibular
disorder (TMD), a common pathology that can cause pain, a high discomfort and
the lost of mobility of the mandible. Through that, instruments that are capable of
estimating the blood perfusion of the masseter muscle using the Bayesian framework
will be developed.
vii
Sumario
Lista de Figuras x
Lista de Tabelas xii
1 Introducao 1
2 Revisao Bibliografica 4
2.1 Desordem Temporomandibular, Diagnostico e Tratamento . . . . . . 4
2.2 Termografia por Infravermelho . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Procedimento Experimental . . . . . . . . . . . . . . . . . . . . . . . 9
3 Problema Fısico e Formulacao Matematica 11
3.1 Biotransferencia de Calor . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Metodo dos Volumes Finitos . . . . . . . . . . . . . . . . . . . . . . . 15
3.2.1 Regime permanente . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2.2 Regime transiente . . . . . . . . . . . . . . . . . . . . . . . . . 18
4 Estimativa de Parametros 23
4.1 Mınimos Quadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.2 Abordagem Bayesiana . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.3 Funcao Objetivo Maximum a Posteriori . . . . . . . . . . . . . . . . 27
5 Resultados e Discussoes 29
5.1 Medidas Simuladas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.2 Distribuicoes a Priori . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.3 Funcao Objetivo e Metodo de Solucao . . . . . . . . . . . . . . . . . 32
5.4 Estimativa do Coeficiente de Perfusao do Musculo . . . . . . . . . . . 35
viii
5.4.1 Efeito das incertezas a priori do coeficiente de perfusao do
musculo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.4.2 Efeito da estimativa inicial . . . . . . . . . . . . . . . . . . . . 38
5.4.3 Efeito das incertezas experimentais . . . . . . . . . . . . . . . 39
5.4.4 Efeito do numero de medidas . . . . . . . . . . . . . . . . . . 42
5.4.5 Efeito da incerteza a priori dos outros parametros . . . . . . . 45
6 Conclusoes e Sugestoes para Trabalhos Futuros 48
Referencias Bibliograficas 50
A Codigo Fonte 52
A.1 Parametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
A.2 Funcao Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
A.3 Minimizacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
ix
Lista de Figuras
2.1 Alguns musculos do sistema estomatognatico. . . . . . . . . . . . . . 5
2.2 Exames, informacoes medicas e tecnicas de imagem. . . . . . . . . . . 8
2.3 Na imagem superior, uma imagem termografica de joelho saudavel,
na imagem inferior uma imagem termografica de condropatia patelar
grau III em joelho esquerdo. Adaptado de [1]. . . . . . . . . . . . . . 9
3.1 Tecidos na regiao da articulacao temporomandibular . . . . . . . . . 13
3.2 Temperatura para todo domınio com T0 = 37 ◦ C . . . . . . . . . . . 17
3.3 Temperatura para todo domınio com T0 = 22 ◦ C . . . . . . . . . . . 17
3.4 Temperatura musculo, gordura e epiderme com T0 = 37 ◦ C . . . . . 18
3.5 Perfil temperatura musculo . . . . . . . . . . . . . . . . . . . . . . . . 20
3.6 Perfil temperatura gordura . . . . . . . . . . . . . . . . . . . . . . . . 20
3.7 Perfil temperatura derme reticular . . . . . . . . . . . . . . . . . . . . 21
3.8 Perfil temperatura derme papilar . . . . . . . . . . . . . . . . . . . . 21
3.9 Perfil temperatura derme epiderme . . . . . . . . . . . . . . . . . . . 22
5.1 Aproximacao para temperatura superficial. . . . . . . . . . . . . . . . 30
5.2 Histograma dos erros de medida. . . . . . . . . . . . . . . . . . . . . 31
5.3 Temperatura experimental simulada. . . . . . . . . . . . . . . . . . . 32
5.4 Comparacao dos casos das Tabelas 5.1 e 5.2 . . . . . . . . . . . . . . 37
5.5 Comparacao dos caso das Tabelas 5.3 e 5.4 . . . . . . . . . . . . . . . 40
5.6 Comparacao dos casos das Tabelas 5.5 e 5.6 . . . . . . . . . . . . . . 41
5.7 Resposta da temperatura superficial para os casos da Tabela 5.5 e 5.6 42
5.8 Comparacao do 1◦ caso apresentado das Tabelas 5.7 e 5.8 . . . . . . 44
5.9 Comparacao do 2◦ caso das Tabelas 5.7 e 5.8 . . . . . . . . . . . . . 44
5.10 Comparacao do 3◦ caso das Tabelas 5.7 e 5.8 . . . . . . . . . . . . . 45
x
5.11 Comparacao dos casos das Tabelas 5.9 e 5.10 . . . . . . . . . . . . . . 47
xi
Lista de Tabelas
3.1 Valores dos parametros dos tecidos [2]. . . . . . . . . . . . . . . . . . 13
3.2 Valores dos parametros constantes [2] . . . . . . . . . . . . . . . . . . 14
3.3 Diferenca relativa das medidas de temperatura . . . . . . . . . . . . . 18
3.4 Valores dos coeficientes de perfusao nos tecidos . . . . . . . . . . . . . 19
5.1 Analise da incerteza da priori da perfusao sanguınea (ωmusc) . . . . . 35
5.2 Efeito da incerteza a priori da perfusao sanguınea (ωmusc) . . . . . . 36
5.3 Analise das estimativas iniciais . . . . . . . . . . . . . . . . . . . . . . 38
5.4 Efeito da estimativa inicial . . . . . . . . . . . . . . . . . . . . . . . . 39
5.5 Analise das incertezas das medidas experimentais . . . . . . . . . . . 40
5.6 Efeito das incertezas das medidas experimentais . . . . . . . . . . . . 41
5.7 Analise do numero de medidas . . . . . . . . . . . . . . . . . . . . . . 43
5.8 Efeito do numero de medidas . . . . . . . . . . . . . . . . . . . . . . 43
5.9 Analise da incerteza dos outros parametros . . . . . . . . . . . . . . . 45
5.10 Efeito das incertezas dos outros parametros . . . . . . . . . . . . . . 46
xii
Capıtulo 1
Introducao
Com a evolucao da ciencia, os problemas se tornaram cada vez mais complexos e in-
terdisciplinares. A bioengenharia e um exemplo da necessidade de areas da ciencia,
muitas vezes consideradas divergentes, se relacionarem e atuarem de maneira con-
junta. O uso de conhecimentos matematicos e de engenharia na medicina pode ser
considerado vital no auxilio de diagnosticos, prevencoes e recursos terapeuticos de di-
versos tipos de patologias. Com ele foi possıvel desenvolver equipamentos e tecnicas
como a termografia por infravermelho e o tratamento de cancer por hipertermia.
Existe uma grande demanda da sociedade por novos metodos que aumentam a
expectativa e melhoram a qualidade de vida do ser-humano. Com esse intuito, a
utilizacao da termografia na medicina se torna cada vez mais interessante, princi-
palmente, por ser uma tecnica nao-invasiva, nao-radioativa e segura. A termografia
por infravermelho e uma tecnica de imagem onde e possıvel medir a temperatura
da pele a partir da emissao de radiacao dos tecidos do corpo humano. Logo, pode
ser replicada diversas vezes sem oferecer nenhum risco, tanto ao examinador quanto
ao paciente. Alem disso, possui baixo custo relativo associado ao procedimento,
diferentemente de metodos como o Raio-X onde, apesar de nao ser invasivo, possui
emissao de radiacao, impossibilitando a sua repetibilidade irrestrita [3].
A temperatura do corpo e resultado de diversos tipos de processos, como a
perfusao sanguınea, o metabolismo entre outros. Ela e mantida em um intervalo
limitado entre 33 a 42 ◦C . Esse e um dado extremamente importante, pois diver-
sos artigos [3] evidenciam que existe uma correlacao muito forte entre temperatura
corporal e doencas. Uma temperatura corporal fora desse intervalo pode ser con-
1
siderada um forte indicativo de algum tipo de patologia. Sendo assim, a busca
da correlacao da temperatura com doencas e quase uma consequencia natural das
pesquisas.
Essa relacao nao e diferente para a desordem temporomandibular (DTM), que e
uma das principais motivacoes do presente estudo. A DTM e uma desordem comum
entre a populacao e o sintoma mais frequente e a dor. Como discutido no capıtulo 2,
ela pode acarretar perda de mobilidade e qualidade de vida, podendo ser um grande
limitador das pessoas afetadas por ela.
Sendo assim, este estudo visa servir de base para pesquisas futuras que tenham
como objetivo a melhor compreensao da doenca e que possuam como enfoque a
utilizacao de modelos matematicos para isso. Sao desenvolvidos alguns modelos, ex-
plicitadas suas limitacoes e, principalmente, analisada a influencia do conhecimento
previo dos parametros e as medidas experimentais.
Acredita-se que, com uma maior base teorica e pratica consolidada do uso da
termografia na medicina, seja possıvel obter diagnosticos simplificados para diversas
patologias.
No Capıtulo 2 sao abordados os principais artigos que serviram de base para a
realizacao deste projeto final, com intuito de descrever e evidenciar o potencial da
utilizacao da termografia no diagnostico da desordem temporomandibular. Sao mos-
tradas as maneiras mais comuns de diagnostico, sintomas, tratamentos e incidencias
na populacao brasileira e mundial e como elas se correlacionam com a temperatura
superficial da pele. E apresentada, brevemente, a utilizacao e origem da termogra-
fia por infravermelho na medicina, exemplificando casos onde o uso da tecnica ja e
uma realidade e onde a aplicacao ainda se encontra em fase investigativa, e os seus
inumeros desafios e vantagens. Um procedimento experimental e especificado para
apresentar como a temperatura superficial da pele pode ser utilizada no diagnostico
da DTM, alem dos fatores que podem influenciar na tomada de dados e os cuidados
para que seja feita uma correlacao dos mesmos de maneira correta.
No Capıtulo 3 e mostrado o modelo matematico utilizado para o problema de
bio-transferencia de calor (Equacao de Pennes), suas limitacoes e quais aproximacoes
sao feitas. Todos os dados necessarios para a solucao do problema fısico sao apre-
sentados, como coeficientes de perfusao, condicoes de contorno entre outros. Alem
2
disso, e descrito o metodo numerico empregado na solucao da equacao de Pennes
(metodo dos volumes finitos), com intuito de estimar os perfis de temperatura dos
orgaos internos e a temperatura superficial da pele. Todos os dados coletados sao
utilizados nas estimativas de parametros desenvolvidas nos capıtulos subsequentes
a esse.
No capitulo 4, a base teorica empregada na estimativa de parametros e definida,
como o metodo de mınimos quadrados e a abordagem Bayesiana. A finalidade do
capitulo e definir quais sao as tecnicas empregadas no Capıtulo 5 e as diferencas
entre os metodos. Tambem e proposta a funcao objetivo para um procedimento de
minimizacao a ser usado na solucao de problemas inversos, onde o conhecimento dos
parametros a priori, tanto qualitativos como quantitativos, sao levados em consi-
deracao na estimativa de parametros.
No Capıtulo 5 sao mostrados os principais resultados obtidos baseados nas
hipoteses propostas. O principal dado investigado e o coeficiente de perfusao
sanguınea do musculo masseter e como ele pode interferir nas estimativas e tem-
peratura superficial da pele. Os principais resultados e discussoes sao reservados a
este capitulo.
No Capıtulo 6 sao feitas conclusoes a partir dos resultados gerados, bem como
consideracoes e discussoes sobre os capıtulos anteriores. Tambem sao feitas analises
da utilizacao concreta dos valores encontrados no estudo para o uso da termografia
e algumas sugestoes para trabalhos futuros.
3
Capıtulo 2
Revisao Bibliografica
2.1 Desordem Temporomandibular, Diagnostico
e Tratamento
As desordens temporomandibulares (DTMs) sao definidas como as dores orofaciais
e disfuncoes de mobilidade que envolvem as estruturas estomatognaticas (Fig.2.1),
como os musculos masticatorios e a articulacao temporomandibular (ATM) [4]. Elas
podem ser subclassificadas em dois subgrupos: as que possuem origem articular ou
muscular. Estas possuem causas multifatoriais e estao relacionadas a fatores es-
truturais, neuromusculares, problemas dentais, como caries ou perdas dentarias,
psicologicos, onde devido a tensao ha um aumento da atividade muscular que gera
espasmo e fadiga, habitos parafuncionais, como o bruxismo, e lesoes na ATM [5].
Devido a abrangencia da classificacao e as alteracoes fisiologicas ocasionadas, o pre-
sente estudo se limita a investigar somente as DTMs de origem muscular.
4
Figura 2.1: Alguns musculos do sistema estomatognatico.
Adaptadas de [6].
A DTM possui uma denominacao muito ampla. No entanto, na populacao com
esta desordem, o sintoma mais comum e a dor. Estudos recentes [7] estimam que
entre 3 e 15% da populacao a possuem, com uma proporcao maior de mulheres (cerca
de 2 a 6 mulheres para cada homem). Alem disso, elas prevalecem com o sintoma
da dor, que pode ser explicado pelo hormonio sexual feminino, o estrogenio, que
aumenta a sensibilidade dolorosa. Atualmente, pesquisas tentam correlacionar os
sintomas, idade e genero para poder compreender, tratar e diagnosticar com melhor
acuracia a desordem [7].
No ultimos anos, houve um aumento do numero de diagnosticos da desordem,
podendo ser relacionado a fatores ambientais como os espacos urbanos que propiciam
maior nıvel de estresse para a populacao, ou ainda pela crescente procura de ajuda
medica pela populacao. Uma maior compreensao e vital, pois estatısticas evidenciam
que a dor causada por essa disfuncao gera um impacto extremamente negativo entre
os pacientes, como na realizacao de atividades relacionadas ao trabalho e escola
(59,09%), o sono (68,18%) e o apetite/alimentacao (63,64%) [5].
O estudo das causas e dos mecanismos patofisiologicos da DTM sao bastante
escassos e reduzidos. Pesquisas recentes indicam que a sua origem pode estar ligada
a causas multifatoriais. No entanto, para um diagnostico preciso e uma indicacao
5
correta de tratamento, e importante distinguir quais sao as origens da desordem [7].
Na atualidade, nao existe nenhum metodo confiavel capaz de mensurar a
existencia e severidade da patologia, e seja utilizado de maneira irrestrita entre
os pesquisadores e clınicos. Porem, o mais indicado inicialmente e a investigacao do
historico do paciente, que vai desde os sintomas iniciais ate o momento da analise,
realizado com base nas lembrancas do paciente (anamnese) e alguns exames fısicos
secundarios [7].
A existencia de profissionais bem capacitados e treinados e imprescindıvel na
tomada dos exames fısicos, atraves dos quais e possıvel realizar uma avaliacao por
meio da apalpacao, testes de mobilidades e presenca de ruıdos na articulacao tem-
poromandibular. Com esta avaliacao, a anamnese e exames suplementares, o clınico
e capaz de determinar, da melhor forma existente, o diagnostico e o tratamento
indicado.
Atualmente, o uso de exames auxiliares como a polissonografia, tomografia, ter-
mografia por infravermelho dentre outros, sao indicados somente em casos indi-
viduais e nao servem como forma de diagnostico unica, ademais estao restritos a
pesquisas academicas. Esses exames ainda nao conseguem correlacionar os dados
coletados com a existencia da DTM [7] de forma direta. No futuro, e razoavel
pensar que existirao novas tecnologias e esse limitador nao exista mais. Por isso, as
pesquisas na area de bioengenharia e inovacao sao importantes.
Depois de definido o diagnostico da disfuncao temporomandibular e viavel indicar
a melhor forma de tratamento para o paciente. Essa e uma area que cresce cada
vez mais, possui integracao com diferentes areas da saude e se adequa da melhor
forma possıvel a pessoa doente. Contudo, deve ser feita de maneira cuidadosa, pois
casos onde o tratamento indicado for inapropriado podem agravar o quadro clınico,
ocasionar perda de qualidade de vida e impactos permanentes aos pacientes.
O tratamento consiste, basicamente, em reduzir a dor do paciente, que pode
ser muito intensa, aumentar a mobilidade do aparelho mastigatorio e de auxılio
psicologico que reduza a intensidade de carga sofrida. Inicialmente, sao indicados
tratamentos nao invasivos e depois e definido, individualmente, o tratamento mais
apropriado dependendo do fator que causa a desordem. Segundo [8], 90% dos pa-
cientes que recebem tratamentos conservadores, que nao gera alteracoes estruturais
6
da ATM, percebem o controle dos sintomas e, dentre todos os tratamentos possıveis,
alguns deles sao, placas inter-oclusais, atividades fısicas e uso de farmacos.
2.2 Termografia por Infravermelho
Em 1800, William Hershell descobriu como funcionava a temperatura de cada cor
do arco-ıris, espectro da radiacao eletromagnetica visıvel, e alem disso conseguiu
medir a temperatura da regiao do espectro eletromagnetico abaixo do vermelho,
que nao possui radiacao visıvel, conhecida nos dias de hoje como infravermelho.
Combinando isso e os conhecimentos de Einstein, sobre o efeito fotoeletrico, em
1950 o exercito americano criou projetos na tentativa de registrar mapas de calor
com cameras infravermelhas e rapidamente essa tecnologia se desenvolveu [1].
Documentos de 400 a.C. mostram que ja existiam relatos que relacionavam a
temperatura com patologias. Na decada de cinquenta foram iniciados estudos que
utilizavam a termografia como tecnica para o processo de avaliacao medica [3] e
em 1987 a American Medical Association reconheceu a tecnica como instrumento
de diagnostico. Atualmente, a termografia e utilizada nas mais diversas areas, como
fisioterapia, ortopedia, medicina do esporte, odontologia e etc.
O ser-humano possui mecanismos de regulacao da temperatura do corpo inde-
pendentes do ambiente ao seu redor, mantendo uma faixa bastante restrita de 33-42
◦C, conhecido por termo-regulacao. Qualquer tipo de variacao fora desse intervalo e
um indicativo de alguma patologia. Consequentemente, a utilizacao da termografia
por infravermelho e extremamente promissora [1].
A termografia por infravermelho pode ser utilizada como instrumento de imagem
na medicina. Na Fig.2.2 sao mostrados alguns outros tipos de tecnicas de imagem.
Com a termografia, e possıvel aferir a temperatura superficial da pele, um dos orgaos
mais importantes na termo regulacao, a partir da medicao da emissao de ondas ele-
tromagneticas no espectro do infravermelho. Ao longo do tempo, os equipamentos se
desenvolveram bastante e atualmente e possıvel medir diferencas muito pequenas de
temperatura em regimes transientes [1], permitindo assim, observar a temperatura
do corpo em determinadas condicoes e como ela varia a determinados estımulos.
A termografia e uma tecnica nao invasiva e nao ionizante. Por isso, e totalmente
7
Figura 2.2: Exames, informacoes medicas e tecnicas de imagem.
Retirado de [1]
indolor e segura, nao gerando nenhum dano, tanto para o paciente como para o exa-
minador. Devido a essa vantagem, o emprego da tecnica pode ser repetida diversas
vezes em um mesmo paciente sem prejuızos ao corpo humano, alem de possuir um
custo relativo baixo, possibilitando ser um exame acessıvel.
O exame realizado busca correlacionar a patologia com o mapa de temperatura
encontrado, como por exemplo o cancer, que devido a angiogenese (formacao de
novos vasos sanguıneos), acarreta uma elevacao da temperatura na regiao do tumor.
Ja em outros casos, como a condropatia, o diagnostico ocorre devido a assimetria
de temperatura em regioes do corpo similares (Fig. 2.3). Atualmente, devido a
todas vantagens citadas anteriormente, a termografia e utilizada como um amplo
campo de pesquisa e ja e possıvel utiliza-la como tecnica de diagnostico em algumas
doencas, como cancer de mama, melanoma e osteoartrite [1].
8
Figura 2.3: Na imagem superior, uma imagem termografica de joelho saudavel, na
imagem inferior uma imagem termografica de condropatia patelar grau III em joelho
esquerdo. Adaptado de [1].
2.3 Procedimento Experimental
No presente estudo, nao sao utilizadas as medidas experimentais para as estimativas
feitas. Porem, como forma de apresentar o procedimento experimental e compre-
ender melhor a patofisiologia da DTM, essa secao se dedica a mostrar, de maneira
breve, como e feito o procedimento experimental. Sendo assim, e usado como base
o projeto de pesquisa de Heraclito Fernando Gurgel Barboza do Departamento de
Radiologia da Universidade Federal do Rio de Janeiro (UFRJ).
Com a intencao de se obter medidas da temperatura superficial da pele e conse-
guir correlacionar com o diagnostico da DTM, e vital que se mantenha um procedi-
mento experimental rıgido e preciso. Devem ser impostos alguns criterios, como a
selecao do grupo de voluntarios e temperatura da sala, para que sejam controlados
os dados obtidos.
No presente estudo, somente serao analisados os pacientes com DTM, com di-
agnostico clınico por examinadores capacitados, que possuem origem muscular e
com dor miofascial. Nao havera distincao entre o grupo de voluntarios, que tem
mais de 18 anos e sao alfabetizados, em relacao a raca, genero, idade e classe so-
cial. Metade dos participantes deverao fazer parte do grupo controle, os quais nao
9
sao diagnosticados com a desordem. Todos os voluntarios do experimento precisam
assinar o termo de consentimento livre e esclarecido, regulamentado pela legislacao
brasileira sobre etica na pesquisa.
As pessoas que nao poderao fazer parte do estudo sao aquelas as quais nao
possuem os fatores de inclusao ou possuam diabetes, hipertireoidismo, hipertensao
arterial e qualquer outro fator que possa alterar de forma nao controlada a tempe-
ratura superficial da pele.
No dia do experimento, a sala devera ser mantida a temperatura de (22± 1) ◦C
com baixo fluxo de ar com intuito de reduzir a perda de calor por conveccao. Os
pacientes sao orientados a nao ingerir bebidas alcoolicas e cafe ate 24 horas antes do
exame, nao utilizar nenhum tipo de locao e maquiagem, nao realizar exercıcios 12
horas antes do exame entre outras medidas que estimulem ou reduzam a temperatura
do corpo humano [9].
Os pacientes serao aclimatados durante 15 minutos em uma sala com tempe-
ratura constante e sem a presenca de luzes incandescentes. Em seguida, passarao
por um processo de demarcacoes de pontos de interesse do lado direito e esquerdo
do rosto. Posteriormente, serao realizadas as imagens termograficas desses pontos,
iniciando com os pacientes com os dentes semicerrados e depois com maximo aper-
tamento dentario voluntario. Estima-se que esse tempo de apertamento maximo
dentario sera de 90 segundos, para evitar dor excessiva ao paciente [9].
E esperado, devido ao processo de apertamento dentario, que ocorra a reducao
de perfusao sanguınea nos tecidos do sistema estomatognatico, consequentemente
reduzindo a temperatura superficial da pele pela reducao de irrigacao sanguınea.
Em pessoas saudaveis e esperado que a recuperacao da temperatura inicial ocorra
de maneira mais rapida, enquanto que nos nao saudaveis, devido a problemas no
sistema nervoso, a recuperacao deve ocorrer de maneira mais lenta ou ate mesmo
nao ocorrer no tempo observado. Alem disso, o tempo analisado e muito pequeno e
a alteracao da geracao de calor metabolica e reduzida. Esse processo e o inverso do
que acontece na vasodilatacao, onde o fluxo sanguıneo aumenta, consequentemente
aumentando a temperatura [9].
10
Capıtulo 3
Problema Fısico e Formulacao
Matematica
3.1 Biotransferencia de Calor
O estudo da biotransferencia de calor se caracteriza por ser uma area do conheci-
mento bastante interdisciplinar, unindo diversos profissionais com formacoes distin-
tas, como engenharia, medicina, entre outras. Essa interdisciplinaridade contribui
para uma visao bastante densa e diversificada para a resolucao dos problemas.
O primeiro modelo para o problema de biotransferencia de calor foi proposto
pelo pesquisador H. Pennes, em 1948. Ele e utilizado na maior parte dos estudos
realizados na area devido a sua simplicidade e aplicabilidade. Alem disso, serve de
base para muitos outros modelos mais sofisticados e que fazem suposicoes iniciais
diferentes das propostas por Pennes [10].
Um dos termos mais importantes na equacao proposta por Pennes e a contabi-
lizacao da influencia do fluxo sanguıneo no perfil de temperatura, termo importante
na termo-regulacao, encontrado nos tecidos do corpo humano. Para isso, Pennes
considerou que a taxa volumetrica de calor transferida pela perfusao sanguınea, Qp,
e proporcional a diferenca de temperatura do sangue arterial que entra no tecido e
do sangue venoso que sai. Com isso, e possıvel chegar a formulacao mais conhecida
para a geracao de calor pela perfusao sanguınea como:
Qp = ωsρscps(Ts − T ) (3.1)
11
onde T, ω, ρ e cp sao a temperatura, o coeficiente de perfusao, a massa especıfica
e o calor especifico a pressao constante, respectivamente. O subscrito “s”se refere
as propriedades do sangue. Essa proposta considerou que o sangue que entra nos
pequenos vasos do sistema circulatorio sanguıneo a uma temperatura Ts sai a uma
temperatura T , a qual esta totalmente em equilıbrio termico com os tecidos do
entorno.
Tendo isso em vista, Pennes propos a seguinte formulacao para a equacao dife-
rencial de transferencia de calor, considerando um espaco generico de coordenadas
[10]:
ρc∂T (r, t)
∂t= ∇ · (k∇T ) + ωsρscps[Ts − T (r, t)] +Qmet (3.2)
onde k e r sao a condutividade termica do tecido e o vetor posicao em um sistema
generico de coordenadas, respectivamente. Note que o segundo termo da direita
da Eq.3.2 representa a perfusao sanguınea, enquanto Qmet e a taxa volumetrica de
geracao metabolica.
Apesar deste modelo conter algumas limitacoes, ele possui boa concordancia com
as medidas experimentais encontradas e se destaca pela sua simplicidade. Proporci-
ona assim, grande aplicabilidade em diversas areas, como por exemplo as simulacao
numerica aplicadas em tratamentos de cancer por hipertermia. [2]
Pensando no problema de transferencia de calor para o diagnostico da DTM, a
hipotese inicial pode ser estudada pressupondo que a conducao de calor ocorre em
somente uma dimensao, x, e os parametros fısicos possuem valores constantes para
cada tecido [2]. A Fig.3.1 descreve como sao os tecidos na regiao de interesse do
presente estudo, supondo contato perfeito entre as camadas. Tal hipotese deve ser
apropriada a um ponto central do musculo. Por outro lado, efeitos multidimensionais
devem ser avaliados em trabalhos futuros.
12
Figura 3.1: Tecidos na regiao da articulacao temporomandibular
Para o caso unidimensional representado na Fig. 3.1, a equacao adaptada de
Pennes e dado por:
ρ(x)cp(x)∂T (x, t)
∂t=
∂
∂x
[k(x)
∂T (x, t)
∂x
]+ ωs(x)ρscps[Ts − T (x, t)] +Qmet(x) (3.3)
Os parametros utilizados neste modelo estao descritos na Tabela 3.1 e foram
obtidos da referencia [2].
Tabela 3.1: Valores dos parametros dos tecidos [2].
Tecidos Epiderme Derme Derme Gordura Musculo
papilar reticular
Espessura (mm) 0,1 0,4 0,8 2 12,6∗
ρ(kg/m3) 1200 1200 1200 1000 1085
J/(kgK) 3589 3300 3300 3674 3800
k(W/(mK)) 0,235 0,445 0,445 0,185 0,51
Qmet(W/m3) 0 368,1 368,1 368,4 684,2
ωs(1/s) 0 2x10−4 13x10−4 10x10−4 27x10−4
A regiao de interesse no presente estudo e distinta da aplicada em [2], no en-
tanto nao foram encontrados valores especıficos para as propriedades termofısicas
e espessuras dos tecidos. Logo elas sao utilizadas, mas sua influencia nas incerte-
zas e comentada. No entanto, em relacao a espessura do musculo masseter foram
encontrado dados em [11] e empregados aqui.
13
A temperatura do sangue e temperatura do meio ambiente, para o presente
estudo sao consideradas constantes no tempo e no domınio, e sao apresentadas
Tabela 3.2. Esta tabela tambem mostra os valores usados para a massa especıfica e
o calor especıfico do sangue.
Tabela 3.2: Valores dos parametros constantes [2]
Parametros Valores
Ts 37◦C
Tar 22◦C
ρs 1060(kg/m3)
cps 3770(J/kgK)
O valor para a temperatura do ambiente externo e determinado no procedimento
experimental e deve ser muito bem controlado para que nao ocorra interferencias
imprevistas, contribuindo para falhas no diagnostico.
As condicoes de contorno para o problema foram modeladas da seguinte ma-
neira: ambas as superfıcies possuem condicoes de contorno do terceiro tipo, porem
a superfıcie mais externa da pele, que esta em contato com o ar do meio ambiente,
perde calor para o meio externo por conveccao com um coeficiente, h1 = 10 W/mK
(Eq. 3.4), enquanto que a superfıcie interna pode ser considerado com um coeficiente
global, h2 = 100 W/mK , que representa a transferencia de calor com os orgaos mais
internos ao musculo (Eq. 3.5). Assim, temos:
−k(x)∂T (x, t)
∂x+ h1T = h1Tar em x = 0, t > 0 (3.4)
k(x)∂T (x, t)
∂x+ h2T = h2Ts em x = L, t > 0 (3.5)
onde L e o comprimento total das camadas dos tecidos e considerado aqui como
L = 15, 9 mm.
A condicao inicial tambem deve ser previamente conhecida para que seja possıvel
a resolucao da equacao diferencial pelo metodo dos volumes finitos proposto na Secao
3.2 . Ela possui a seguinte forma:
T (x, t) = F (x) em t = 0, 0 < x < L (3.6)
14
onde considera-se a possibilidade que os tecidos estejam temperaturas iniciais dis-
tintas.
3.2 Metodo dos Volumes Finitos
A solucao analıtica para a equacao diferencial do problema de biotransferencia de ca-
lor pode ser uma tarefa muito ardua e sem solucao devido as nao-linearidades e como
os parametros variam ao longo do domınio. No entanto, existem diversos metodos
numericos apropriados para realizar essa tarefa com baixo custo computacional e
respostas bastante satisfatorias.
O metodo numerico consiste, basicamente, em descrever a variavel dependente
em uma quantidade finita de locais conhecidos por pontos da malha. Dentre todas as
ferramentas existentes, o metodo de volumes finitos foi escolhido no presente estudo
para descrever a temperatura no domınio analisado. Ele possui, fundamentalmente,
a formulacao onde cada ponto da malha seja envolvido por um volume de controle.
Posteriormente, as equacoes diferenciais sao integradas para esses volumes e obtidas
as respostas para o perfil de temperatura, juntamente com as condicoes de contorno
e inicial.
“A caracterıstica mais atraente da formulacao dos volumes finitos e que a solucao
resultante deve implicar que a conservacao integral de quantidades como massa,
momento e energia e exatamente satisfeita atraves de qualquer grupo de volumes de
controle e, e claro, atraves de todo o domınio de calculo. Esta caracterıstica existe
para qualquer numero de pontos, e nao apenas no caso limite em que o numero de
pontos torna-se muito grande. Entao, mesmo para uma malha grosseira, a solucao
exibe balancos integrais exatos” [12]. Todas essas vantagens contribuem para a sua
escolha.
Com isso, o codigo utilizado para a solucao do problema de biotransferencia, foi
desenvolvido pela aluna de graduacao do curso de Engenharia Mecanica da UFRJ,
Marion Lerreur. No codigo desenvolvido por ela no software MATLAB, foi pro-
posto um caso unidimensional, onde e possıvel calcular o dano termico e o perfil de
temperatura em todo o domınio analisado, aplicado no tratamento de cancer por
hipertermia, atraves de um esquema explicito.
15
No entanto, para ser empregado neste trabalho, o codigo foi simplificado com
a retirada dos parametros do laser e a sua influencia. Apesar do foco do trabalho
nao ser entrar em detalhes e questoes sobre o metodo desenvolvido e verificado pela
aluna, vale ressaltar algumas consideracoes que foram utilizadas como, o uso de
uma malha com espacamento entre os pontos, ∆x = 0, 05 mm, e a variacao no
tempo, ∆t = 0, 0020 s. A discretizacao no tempo foi derivada de uma condicao
de estabilidade que depende de alguns parametros dos tecidos e ∆x. Vale tambem
ressaltar que todos os tecidos possuem pelo menos um ponto de discretizacao e
podem ter uma temperatura atribuıda.
3.2.1 Regime permanente
Para a resolucao da equacao diferencial, e necessario conhecer a condicao inicial
conforme a Eq. 3.6. Estimando essa condicao inicial, antes do apertamento dentario
feito no exame (tempo de analise do estudo), e empregada a simulacao computa-
cional. Sendo assim, foi considerada uma temperatura arbitraria constante que foi
aplicada a todo o domınio, e posteriormente imposto um tempo longo o suficiente
para que os parametros da equacao de biotransferencia, como perfusao sanguınea e
geracao metabolica, facam com que o perfil de temperatura descrito seja o regime
permanente, considerado semelhante ao perfil de temperatura de uma pessoa em
repouso.
Sao propostos dois casos: o primeiro com a temperatura inicial sendo T0 = 37 ◦
C para todos os pontos do domınio (Fig.3.2) e outro com temperatura inicial T0 =
22 ◦ C (Fig.3.3)
A partir de 30 minutos, em ambos os casos, os valores das temperaturas se
aproximam e evidenciam a convergencia para o regime permanente com perfil de
temperaturas bastante similares.
Sendo assim, a partir de qualquer temperatura inicial, os graficos convergem
para as mesmas temperaturas no regime permanente. No entanto, sao feitas algumas
analises numericas para T0 = 37 ◦C , como forma de teste do regime permanente. Na
Fig. 3.4 foram escolhidos tres pontos que possuem localizacao em tecidos distintos,
sendo eles, epiderme, gordura e musculo. A partir de 25 min e observado que a
temperatura comeca a mudar com uma velocidade mais lenta, se aproximando do
16
Figura 3.2: Temperatura para todo domınio com T0 = 37 ◦ C
Figura 3.3: Temperatura para todo domınio com T0 = 22 ◦ C
regime permanente.
Como parte da analise foi realizada uma diferenca relativa, conforme Eq. 3.7,
17
Figura 3.4: Temperatura musculo, gordura e epiderme com T0 = 37 ◦ C
para aferir a diferenca de temperatura entre 30 e 45 minutos. Os resultados estao
mostrados na Tab.3.3|T45min − T30min|
T45min
(3.7)
Tabela 3.3: Diferenca relativa das medidas de temperatura
Tecido Valores
Epiderme 0,011%
Gordura 0,012%
Musculo 0,003%
Com base nos dados obtidos, diferenca relativa pequena, e possıvel afirmar que
a partir de 45 minutos o regime se aproxima do regime permanente com suficiente
grau de precisao.
3.2.2 Regime transiente
O regime transiente, de acordo com o procedimento experimental discutido na Secao
2.3, representa o momento em que o paciente sera solicitado a realizar o maximo
18
apertamento dentario voluntario. Com base em artigos e na literatura medica, e es-
perada a reducao da perfusao sanguınea da regiao de interesse e, consequentemente,
da temperatura da regiao.
No entanto, nao existe nenhuma referencia cientıfica que mostre qual seria essa
reducao, tanto para pessoas saudaveis como as diagnosticadas com a desordem tem-
poromandibular. No presente estudo, estima-se que somente o coeficiente de per-
fusao e alterado e sofre uma reducao de 50 % durante o apertamento dentario. Nas
secoes subsequentes e discutido como a alteracao no parametro de perfusao afeta o
modelo matematico na previsao da temperatura superficial da pele.
Lembrando que todos os parametros para resolucao do regime transiente estao de
acordo com o proposto na Secao 3.1 e a Tab. 3.4 apresenta os valores do coeficiente
de perfusao sanguınea com a reducao de 50 %.
Tabela 3.4: Valores dos coeficientes de perfusao nos tecidos .
Tecidos Epiderme Derme Derme Gordura Musculo
papilar reticular
ωs(1/s) 0 1x10−4 6, 5x10−4 5x10−4 13, 5x10−4
Com novo T0 = T (x, 45min), temperatura final para o regime permanente,
mesmas condicoes de contorno expressas pelas Eqs. 3.4 e 3.5 e o modelo da Eq. 3.3,
o grafico para as temperaturas utilizando o metodo de elementos finitos para 5
pontos, distribuıdos na epiderme, derme papilar, derme reticular, gordura e musculo,
e melhor descritos pelas legendas das Figs. 3.5, 3.6, 3.7, 3.8 e 3.9.
O valor encontrado para a diferenca de temperatura no instante t = 0 s e
t = 90 s para a superfıcie da pele, medida experimental mais importante nas esti-
mativas realizadas e a unica possıvel de ser medida pela camera termografica, foi
de ∆T = 0, 07 ◦C. A maior parte das cameras termograficas utilizadas em ex-
perimentos cientıficos possuem uma sensibilidade termica pequena o suficiente para
medir a diferenca de temperatura dessa ordem de grandeza, logo o procedimento
experimental e viavel.
19
Figura 3.5: Perfil temperatura musculo
Figura 3.6: Perfil temperatura gordura
20
Figura 3.7: Perfil temperatura derme reticular
Figura 3.8: Perfil temperatura derme papilar
21
Figura 3.9: Perfil temperatura derme epiderme
22
Capıtulo 4
Estimativa de Parametros
A tentativa do homem conhecer, descrever e formular os fenomenos da natureza
por equacoes matematicas e uma pratica muito antiga. Com a evolucao da ciencia
surgiram diferentes modelos que descrevem com bastante precisao diversos desses
fenomenos. Contudo, frequentemente, nao sao conhecidos os valores dos parametros
e quais leis fısicas sao aplicadas a esses problemas.
Atualmente, ha diversas tecnicas que tentam aproximar as medicoes obtidas,
que por suposicao sao os “valores reais”para os fenomenos fısicos, com os modelos
existentes. Porem, existem diversas complicacoes que dificultam esse processo como
erros aleatorios inerentes do processo de medicao, aproximacoes feitas nos modelos
e outras complicacoes que implicam no valor final da variavel de interesse.
Nas secoes subsequentes, sao descritas algumas das abordagem existentes utili-
zadas para a estimativa dos parametros da equacao de Pennes (Eq. 3.3) no caso do
presente estudo, ja que grande parte deles possui valores pouco conhecidos ou sao
bastante complexos de serem medidos.
Vale ressaltar que toda a parte teorica proposta nesse capıtulo foi baseada em
[13], como modelos, aproximacoes e consideracoes feitas.
4.1 Mınimos Quadrados
Mınimos quadrados e uma das funcoes objetivo mais simples e mais frequentemente
aplicada na estimativa de parametros, tanto linear como nao-linear. Para mostrar
a sua formulacao matematica, e necessario fazer algumas consideracoes. Primeiro,
23
deve-se supor que o vetor de parametros (Eq. 4.1) do modelo fısico em questao como,
coeficientes de perfusao e temperatura do sangue, e de medidas de temperatura (Eq.
4.2) possuem a seguinte forma:
P = [P1, P2, ..., PN ]T (4.1)
Y = [Y1, Y2, ..., YI ]T (4.2)
onde Pi, N , Yj e I sao os parametros, numero de parametros, medidas experimentais
e quantidade de medidas experimentais, respectivamente.
Propondo que as medidas experimentais sao representadas pelas valores obtidos
mais um erro com valores aditivos, pode ser descritas da seguinte maneira:
Y = T(P) + ε (4.3)
onde T(P) e ε sao a solucao do problema fısico em funcao do vetor de parametros, P,
e os erro de medidas experimentais, respectivamente. A solucao matematica descrita
acima, supostamente, representa de maneira perfeita o problema. No entanto, erros
atribuıdos ao modelo nao sao computados e sao descritos na Secao 4.2 .
Atribuindo uma distribuicao Gaussiana para os erros de medida, ε, com media
zero, matriz de covariancia, W, e independencia com os parametros P, a funcao de
probabilidade para ε tem a seguinte forma [13]:
π(ε) = 2π−I/2|W|−1/2exp
{−1
2εTW−1ε
}(4.4)
Com a Eq. 4.3 e possıvel reescrever a Eq. 4.4 da seguinte maneira:
π(ε) = π(Y|P) (4.5)
π(Y|P) = 2π−I/2|W|−1/2exp
{−1
2[Y −T(P)]TW−1[Y −T(P)]
}(4.6)
A Eq. 4.5 e a funcao de probabilidade relativa das medidas experimentais, Y,
com os parametros P fixos, chamada de funcao de verossimilhanca. Uma maneira
bem comum de solucao para problemas inversos na estimativa de parametros e a
24
maximizacao da funcao de probabilidade relativa. Para isso, e somente necessario
minimizar a funcao objetivo (Eq. 4.7)
S = [Y −T(P)]TW−1[Y −T(P)] (4.7)
O metodo de mınimos quadrados e equivalente a simplificacao da Eq. 4.7 para
o caso especifico em que a matriz covarianca das medidas, W , possui os elementos
nao correlacionados e uma variancia constante σmeas, isto e:
W = Idσ2meas (4.8)
onde Id e a matriz identidade. A simplificacao da funcao objetivo fica da seguinte
maneira:
S = [Y −T(P)]T [Y −T(P)] (4.9)
A partir da minimizacao da funcao acima, e possıvel encontrar os parametros P
por mınimos quadrados. Existem diversos algoritmos capazes [13] de realizar essa
operacao com baixo custo computacional e obter alguns resultados satisfatorios.
4.2 Abordagem Bayesiana
A abordagem Bayesiana foi desenvolvida por Thomas Bayes. Ela, de maneira gros-
seira, expressa a ideia de que o conhecimento de informacoes passadas influenciam
as medidas que sao realizadas em um tempo presente. Um bom exemplo disso seria
o caso onde e jogado um dado nao viciado ao acaso que possui probabilidades iguais
para todas as face do dado. Na primeira rodada, hipoteticamente, o numero um sai.
Quando for realizada a segunda jogada, sabendo que na primeira ja saiu o numero
um, a probabilidade do resultado se repetir sera reduzida.
Em efeitos praticos e no presente estudo, com a abordagem Bayesiana e possıvel
obter dados estatısticos resultantes da combinacao entre observacoes experimen-
tais e conhecimentos previos dos parametros investigados, os quais sao modelados
a partir de distribuicoes probabilısticas. Muitas vezes, as informacoes a priori dos
parametros sao obtidas de maneira qualitativa. Contudo, e dever do pesquisador
descreve-las de forma quantitativa, como distribuicoes de probabilidade, com intuito
25
de aplicar o metodo de maneira correta. Vale ressaltar que as distribuicoes proba-
bilısticas atribuıdas aos parametros podem variar entre pesquisadores, ja que o grau
de conhecimento e o peso atribuıdo a elas podem variar entre pesquisas.
Como a abordagem Bayesiana contabiliza essas duas informacoes, e importante
frisar que tanto as informacoes a priori quanto os dados experimentais nao se sobres-
saem um sobre o outro, desde que eles nao possuam incertezas grandes o suficiente
para que sejam desconsideradas.
A solucao de problemas inversos tenta encontrar respostas para parametros des-
conhecidos com base em formulacoes matematicas de qualquer tipo de processo,
utilizando medidas experimentais disponıveis de variaveis dependentes (no presente
estudo, a temperatura superficial da pele). Existem diversas tecnicas capazes de
resolver esses tipos de problemas, porem as mais comuns possuem como finalidade
a minimizacao de uma funcao objetivo que expressa a diferenca entre medidas ex-
perimentais e medidas estimadas da resposta do problema fısico.
A solucao de problemas inversos dentro da abordagem Bayesiana pode ser cate-
gorizada como inferencia estatıstica da densidade de probabilidade a posteriori, onde
o modelo contabiliza a distribuicao de probabilidade condicional dos parametros des-
conhecidos, dadas as medidas experimentais. Ja o modelo que expressa os dados
das medidas dos parametros sem as medidas experimentais e conhecido por modelo
a priori. As informacoes a priori podem ser combinadas com o modelo descrito
acima para formar a distribuicao de probabilidade a posteriori utilizando o teorema
de Bayes.
Como a intencao e obter uma funcao objetivo para o problema, e necessario
definir e apresentar algumas expressoes e hipoteses importantes para a solucao do
problema. Primeiro, todas as variaveis utilizadas sao modeladas como variaveis
aleatorias . Toda a informacao obtida do parametro P antes de serem feitas as
medidas Y devem ser levadas em consideracao. Depois disso, deve ser atribuıda
uma distribuicao de probabilidade π(P), que representa as informacoes a priori.
Todas as distribuicoes de probabilidades devem ser escolhidas com cautela, levando-
se em conta a que melhor se adapta ao problema, pois elas interferem diretamente
nos resultados obtidos. Deve ser escolhida uma funcao de verossimilhanca para
π(P|Y) capaz de modelar adequadamente os erros de medidas e expressar a relacao
26
entre as medidas observadas e o modelo matematico, como a Eq. 4.6.
Feitas essas consideracoes, e viavel desenvolver metodos para investigar a funcao
de probabilidade a posteriori, conhecida como a distribuicao de probabilidade con-
dicional do parametro desconhecido dado as medidas, π(P|Y). O teorema de Bayes
descreve de maneira matematica essa distribuicao na forma [13]:
π(P|Y) =π(P,Y)
π(Y)(4.10)
onde, π(P,Y) e π(Y) sao a distribuicao de probabilidade conjunta de P e Y e a
distribuicao de probabilidade marginal de Y, respectivamente. Geralmente π(P,Y)
e desconhecida e pode ser reescrita da seguinte maneira:
π(P,Y) = π(Y|P)π(P) (4.11)
de modo que a Eq. 4.10 torna-se:
πposteriori(P) = π(P|Y) =π(Y|P)π(P)
π(Y)(4.12)
onde πposteriori(P) e π(P) sao a distribuicao de densidade de probabilidade do
parametro P a posteriori e a priori, respectivamente. π(Y) possui o papel de uma
constante de normalizacao. Porem, como a sua solucao pode ser muito complexa e
desnecessaria em muitos casos, o Teorema de Bayes pode ser reescrito como:
πposteriori(P) = π(P|Y) ∝ π(Y|P)π(P) (4.13)
4.3 Funcao Objetivo Maximum a Posteriori
Como discutido na Secao 4.2, a minimizacao de uma funcao objetivo e uma das
formas mais comuns de resolver problemas inversos. Para definir a funcao objetivo
que melhor se adapta, e necessario fazer mais algumas hipoteses e utilizar algumas
equacoes ja definidas. Primeiro, considerando uma distribuicao Gaussiana para as
informacoes a priori dos parametros desconhecidos, temos [13]:
π(P) = (2π)−N/2|V|−1/2exp
[−1
2(P− µ)TV −1(P− µ)
](4.14)
27
onde µ , V, sao os vetores da media e a matriz de covariancia conhecidas a priori
relativas ao vetor de parametros, P, respectivamente. N e o numero de parametros
do modelo. Com as Eqs. 4.4, 4.13 e 4.14 pode ser escrito:
ln[π(P|Y)] ∝ −1
2[(I +N)ln(2π) + ln|W|+ ln|V|+ SMAP ] (4.15)
onde,
SMAP = [Y −T(P)]TW−1[Y −T(P)] + (P− µ)TV−1(P− µ) (4.16)
A maximizacao da funcao de probabilidade dos parametros a posteriori pode
ser executada, conforme observado na Eq. 4.16 , a partir da minimizacao de SMAP
devido aos termos constantes e o sinal negativo da exponencial. Vale notar que o
primeiro termo da equacao contem a funcao de verossimilhanca (termo semelhante
ao resolvido para o metodo de mınimos quadrados da Eq. 4.9), enquanto o segundo
representa a distribuicao de probabilidade a priori dos parametros desconhecidos.
Esse fato, mostra que a funcao objetivo proposta na Secao 4.1 nao pode ser conside-
rada um estimador Bayesiano, pois as informacoes obtidas dos parametros a priori
sao desconsideradas pelo estimador e so sao utilizadas as informacoes estatısticas
fornecidas pelas medidas experimentais.
28
Capıtulo 5
Resultados e Discussoes
5.1 Medidas Simuladas
As medidas experimentais ainda nao estao disponıveis. Logo, sao utilizadas medidas
simuladas que sao provenientes da solucao do problema direto utilizado na Secao
3.2.
O codigo de volumes finito, que foi utilizado aqui, nao disponibiliza a temperatura
superficial da pele diretamente, mas podem ser feitas algumas aproximacoes que
sejam capazes de aferir esse dado. Para isso, a maneira encontrada foi a utilizacao
de diferencas finitas, atraves da expansao da serie de Taylor de primeira ordem (Eq.
5.1).
T (x+ ∆x/2) ≈ T (x) +∂T
∂x∆x/2 (5.1)
Logo, simplificando para o caso especıfico da temperatura superficial da pele:
∂T
∂x≈ T1 − Tsup
∆x/2(5.2)
Utilizando a Eq. 3.4 como expressao de aproximacao (condicao de contorno para
a superfıcie em contato com o ar) :
−k (T1 − Tsup)∆x/2
+ h1Tsup = h1Tar (5.3)
onde Tsup, T1, ∆x sao a temperatura superficial da pele, temperatura do ponto mais
proximo da superfıcie, o qual varia dependendo da malha escolhida pelo metodo de
29
volumes finitos, e a distancia entre os pontos da malha, respectivamente. Resolvendo
a Eq. 5.3 e colocando Tsup em destaque, obtem-se:
Tsup =
2k
∆xT1 + h1Tar
2k
∆x+ h1
(5.4)
Utilizando a aproximacao proposta pela Eq.5.4, e possıvel observar na Fig. 5.1
a temperatura da pele ao longo do tempo de apertamento maximo voluntario.
Figura 5.1: Aproximacao para temperatura superficial.
Supondo que os erros das medidas simuladas possuam natureza aleatoria e uma
distribuicao Gaussiana (com media igual a zero e desvio padrao igual a um), sera
utilizada a funcao interna, randn, do software Matlab o qual e capaz de produzir os
numeros randomicos com essa distribuicao, segunda a documentacao fornecida pela
empresa [14]. O histograma dos erros das medidas simuladas e mostrado na Fig 5.2.
Alem disso, considerando que elas nao sao correlacionadas e possuem um des-
vio padrao constante, σmeas (Eq. 4.8). As medidas simuladas podem ser escritas
conforme a Eq. 5.5.
Y (ti) = Texa(ti) + σmeasε(ti) (5.5)
30
Figura 5.2: Histograma dos erros de medida.
onde Y (ti), Texa(ti) , ε, σmeas sao as medidas experimentais simuladas para o ins-
tante t, temperatura proveniente do metodo direto no instante t, erros aleatorios com
a distribuicao Gaussiana e desvio padrao das medidas experimentais simuladas, res-
pectivamente. Sera considerado σmeas = 0, 05 ◦C com base em outros experimentos
similares executados no LTTC (Laboratorio de Transmissao e Tecnologia do Calor).
Seguindo a Eq. 5.5, as medidas experimentais simuladas sao mostradas na Fig.
5.3, e possuem uma frequencia de medida de 500 Hz
5.2 Distribuicoes a Priori
Como demonstrado na Eq. 5.7, as informacoes a priori dos parametros desem-
penham um papel muito importante na funcao objetivo, dependendo do grau de
conhecimento que se tem sobre elas. Frequentemente, o conhecimento e somente
qualitativo, mas e estritamente necessario escreve-la de maneira quantitativa. Essa
mudanca de abordagem deve ser feita de maneira crıtica e analıtica, pois pode in-
fluenciar profundamente o resultado final.
Para isso, as distribuicoes de probabilidade a priori dos parametros definidas
31
Figura 5.3: Temperatura experimental simulada.
sao escritas como distribuicoes Gaussianas que seguem a seguinte equacao:
π(Pj) =1√
2πσ2j
exp
[−1
2
{Pj − µj
σj
}(1/2)]
(5.6)
σP = [σ1, σ2, ..., σN ]T
Supondo um intervalo de 99 % de confianca, onde, Pj, µj, σj sao os valores
encontrados para os parametros, a media dos valores esperados (constante para todas
as analises e de acordo com os valores de referencia para cada parametro) e o desvio
padrao, respectivamente. Esta distribuicao foi utilizada para todos os parametros a
serem estimados. No entanto, ao longo do presente capıtulo sao atribuıdos diferentes
valores para σj, com intuito de investigar como e a influencia dessa variavel na
otimizacao da funcao objetivo e determinar como isso afasta ou aproxima os valores
dos parametros ao modelo matematico proposto.
5.3 Funcao Objetivo e Metodo de Solucao
A Eq. 4.16 sera utilizada como funcao objetivo no presente estudo com a finalidade
de estimar os parametros empregados que se adequem a solucao do problema direto
32
da equacao de Pennes e as informacoes a priori.
Levando em conta todas as consideracoes feitas acima, como as medidas nao sao
correlacionadas e com desvio padrao constante, σmeas = 0, 05 ◦C, tambem supoe-se
que os parametros nao sao correlacionados, tendo cada um desvios padroes dados
por σ1, σ2, ..., σN , respectivamente.
Assim, pode-se reescrever a equacao Eq. 4.16 na forma:
SMAP =I∑
i=1
[Yi − Ti(P )]
σ2meas
2
+N∑j=1
(P − µj)
σ2pj
2
(5.7)
E interessante perceber que a funcao objetivo a ser minimizada e uma media
ponderada entre o metodo dos mınimos quadrados e as informacoes a priori dos
parametros, alem de que os desvios padroes desempenham a funcao de peso dessa
media ponderada. Sendo assim, quanto maior o desvio padrao, menor sera a in-
fluencia do parametro no resultado da minimizacao. Essa analise e interessante,
pois confirma que os parametros conhecidos com maior grau de precisao (menor
desvio padrao) possuirao maior impacto no resultado final e o mesmo se aplica para
as medidas.
Os parametros utilizados sao descritos no Anexo A.1, ja o codigo que implementa
a funcao objetivo e apresentado no Anexo A.2.
Em relacao ao processo de otimizacao empregado, ha diversos metodos numericos
capazes de realizar a minimizacao da funcao maximo a posteriori, SMAP . Entretanto,
o metodo selecionado para essa tarefa foi a funcao lsqnonlin, pre-definida no soft-
ware MATLAB, devido a sua simplicidade de implementacao e gasto computacional
consumido. Segundo a documentacao disponibilizada no site da MathWorks [14],
a lsqnonlin e capaz de solucionar problemas nao-lineares de ajustes de curvas por
mınimos quadrados, onde as entradas devem ser a funcao a ser ajustada, SMAP , uma
estimativa inicial, x0 e opcionalmente o metodo de otimizacao. O valor de saıda da
funcao sera um vetor ou a incognita minimizada e a norma do vetor resıduo. Os
problemas resolvidos possuem a seguinte forma:
minP||f(P)||22 = min
x(f1(P)2 + f2(P)2 + ...+ fz(P)2) (5.8)
A soma das funcoes a serem minimizadas, f(P), devem ser inseridas na forma
33
de um vetor de funcoes dado por:
f(P) = [f1(P), f2(P), ..., fz(P))]T (5.9)
Ajustando a Eq. 5.8 para o caso especifico proposto, o x desempenhara o lugar
do vetor de parametros, P, o z sera a soma do numero de medidas e do numero de
parametros minimizados, N + I. O vetor de funcoes, f(x) sera gerado a partir da
aplicacao de funcoes em lacos que estao explicitados e contextualizados no Anexo
A.3.
Dentre os diferentes tipos de algoritmos de otimizacao possıveis, o empregado
na otimizacao de SMAP foi o Levenberg-Marquardt. Com o desejo de compreender
o processo de otimizacao e definir as suas limitacoes, sao demonstradas algumas ex-
pressoes que devem ser conhecidas. Primeiro, deve-se propor a expansao de primeira
ordem da serie de Taylor da funcao SMAP (P + ∆P) ao redor de um ponto inicial
P :
Smap(P + ∆P) = f(P) + J(P)∆P, (5.10)
onde,
J(P) =∂fm∂PN
, Matriz Jacobiana (5.11)
Segundo [15], baseando-se em uma proposicao feita previamente por Levenberg,
Marquardt determinou que:
(JTJ + diag(JTJ)λ)∆P = JTε (5.12)
onde λ e um multiplicador de Lagrange. O metodo de Levenberg-Marquardt con-
siste, basicamente, em um processo iterativo do problema que deve convergir para
a solucao, dado diferentes valores de λ e uma estimativa inicial x0. Inicialmente, e
atribuıdo uma valor arbitrario (geralmente pequeno e na ordem de 10−4[15]) e que
a cada iteracao tem seu valor alterado. Se o λ levar a uma reducao do resıduo dos
mınimos quadrados, ele deve ser reduzido. Caso contrario, ele deve ser aumentado.
No entanto, e importante ressaltar que numeros muito grandes podem levar a insta-
bilidades numericas e quanto maior a quantidade de parametros mais complexa e a
sua solucao, o que pode limitar bastante problemas que possuem muitos parametros.
34
5.4 Estimativa do Coeficiente de Perfusao do
Musculo
Apresentado no Capıtulo 2, o fator que pela literatura medica deve possuir maior
influencia na temperatura superficial da pele, por ser um dos principais sistemas de
regulacao da temperatura do corpo humano, e a perfusao sanguınea. Sendo assim, o
presente estudo tem como prioridade investigar a estimativa da perfusao sanguınea
no musculo.
Sao propostas diversas hipoteses para uma melhor compreensao da influencia
desse parametro, tanto na resposta do sistema quanto na sua adequacao ao mo-
delo teorico. Nas subsecoes subsequentes sao apresentadas todas essas hipoteses,
evidenciando a sua influencia e demonstrando o seu desempenho na otimizacao.
5.4.1 Efeito das incertezas a priori do coeficiente de per-
fusao do musculo
A primeira situacao investigada propoe a analise da estimativa do coeficiente de
perfusao sanguınea do musculo em quatro situacoes diferentes. Em todas elas, os
valores dos parametros e os desvios padroes sao mantidos constantes, enquanto que
o valor do desvio padrao da perfusao sanguınea do musculo varia segundo a Tab.
5.1.
Tabela 5.1: Analise da incerteza da priori da perfusao sanguınea (ωmusc)
Variavel/hipotese 1o 2o 3o 4o
σj 5 % 5 % 5 % 5 %
σωmusc 10% 30 % 50 % 75 %
ωmusc (1/s) 13.5× 10−4 13.5× 10−4 13.5× 10−4 13.5× 10−4
σmeas 0,05 ◦C 0,05 ◦C 0,05 ◦C 0,05 ◦C
x0 0, 9P 0, 9P 0, 9P 0, 9P
Os valores para o desvio padrao sao a porcentagem do valor medio do parametro
em questao. A estimativa inicial, x0, necessaria para a execucao do metodo foi
mantida em 90% em relacao ao vetor de parametros, P, para todos os casos mesmo
35
o valor nao sendo o mais eficiente para execucao da funcao de minimizacao. O
ωmusc e o valor para o coeficiente de perfusao sanguınea do musculo. Alem disso,
foram utilizadas todas as medidas experimentais simuladas derivadas da resolucao
do problema direto, totalizando 45000 medidas, sendo uma a cada 0, 002 s.
Com essas hipoteses definidas, o resultado da otimizacao esta apresentado na
Tab. 5.2.
Tabela 5.2: Efeito da incerteza a priori da perfusao sanguınea (ωmusc)
Operacao/hipotese 1o 2o 3o 4o
Iteracoes 8 9 8 28
Resıduo inicial 1, 72× 105 1, 27× 105 5, 08× 105 4, 27× 105
Resıduo final 45129,0 44989,9 45025,2 44898,7
ωmusc estimado 12, 9× 10−4 12, 8× 10−4 14, 5× 10−4 16, 3× 10−4
Diferenca relativa 3,8% 5,2 % 7,2 % 20,4%
D(ωmusc)
Media das diferencas 2,0% 0,4 % 0,1 % 0,1 %
relativas MD(X)
Na Tab. 5.2, as grandezas D(σmusc) e MD(X) sao calculados por:
D(ωmusc) =|ωmusc − ωmusc estimado|
ωmusc
(5.13)
MD(X) =
∑N−1j=1
|Xj − Pj|Pj
N − 1(5.14)
No calculo de MD(X), o ωmusc e o unico parametro que nao e levado em consi-
deracao, e Xj e o valor do parametro estimado.
Observando a tabela de resultados, nota-se que a influencia do aumento do desvio
padrao da perfusao sanguınea do musculo se da conforme o esperado. O valor alto
do resıduo, mesmo que mantido quase constante para todas as hipoteses, pode ser
justificado devido ao grande numero de medidas utilizadas.
Averiguando a pequena alteracao na media da diferenca relativa dos outros
parametros, demonstra-se que a otimizacao da funcao objetivo nao altera significa-
tivamente as estimativas dos parametros quando o grau de conhecimento e mantido.
36
Porem, ocorre uma aproximacao do valor das medias dos parametros a priori, en-
quanto que ocorre um distanciamento de ωmusc. Essa ocorrencia pode ser explicada
devido a necessidade dos parametros se aproximarem da resposta de referencia com
a reducao do conhecimento de ωmusc. Deve-se tambem mencionar, que todas os
parametros estimados estao dentro do intervalo de confianca de 99% proposto na
distribuicao a priori.
Na Fig. 5.4, sao apresentadas as curvas de temperatura para os quatro casos
investigados utilizando o vetor de parametros otimizado resultantes do programa de
volumes finitos e as medidas experimentais simuladas com as barras de erros com
intervalo de confianca de 99%.
Vale ressaltar que nao sao mostradas todas as medidas, pois uma grande super-
posicao dificultaria a visualizacao. Observa-se na Fig 5.4 que em todos os cenarios, a
solucao do problema direto com os parametros otimizados se adapta bem as medidas
simuladas e as curvas se sobrepoem. O mesmo ocorre para as medidas experimentais
simuladas.
Figura 5.4: Comparacao dos casos das Tabelas 5.1 e 5.2
37
5.4.2 Efeito da estimativa inicial
A estimativa inicial, x0, e necessaria para a execucao do metodo de otimizacao.
Nesta secao sao propostas 4 estimativas iniciais e e verificado se ocorre alguma
alteracao nos parametros estimados, e como isto afeta a resposta para a temperatura
superficial da pele.
Para isso, todas as variaveis do problema sao mantidas constantes e e alterado
somente o valor para estimativa inicial. As principais variaveis estao de acordo com
a Tab. 5.3.
Tabela 5.3: Analise das estimativas iniciais
Variavel/hipotese 1o 2o 3o 4o
σj 10 % 10 % 10 % 10 %
σj(ωmusc) 50 % 50 % 50 % 50 %
ωmusc 13, 5× 10−4 13, 5× 10−4 13, 5× 10−4 13, 5× 10−4
σmeas 0,05 ◦C 0,05 ◦C 0,05 ◦C 0,05 ◦C
x0 P P + 2, 576σP P − 2, 576σP 0, 4P
Os valores para x0 foram escolhidos de forma que sejam testados 4 pontos distin-
tos. Nos limites inferiores e superiores, para compreender como e o comportamento
dos parametros nesses pontos. O ponto otimo, onde e previsto maior agilidade do
metodo. E um ponto fora do intervalo de confianca da distribuicao a priori, que
tem pouco significado fısico mas e importante para entender se existe uma con-
vergencia do metodo mesmo em situacoes pouco provaveis. Os resultados obtidos
sao apresentados na Tab. 5.4
Com a estimativa inicial igual ao 4o caso, empregando o metodo de otimizacao
proposto, o metodo nao converge e nao e possıvel encontrar valores para o vetor de
parametros. A nao convergencia do metodo pode ser explicada pela grande distancia
do ponto otimo, evidenciado pelo resıduo inicial.
Os valores encontrados para os outros cenarios sao consistentes e todos se encon-
tram dentro do intervalo de confianca proposto na distribuicao a priori. Ao utilizar
pontos iniciais proximos do ponto de minimizacao, como no 1o cenario, o numero de
iteracoes e reduzido significativamente, consequentemente, o tempo computacional
gasto tambem.
38
Tabela 5.4: Efeito da estimativa inicial
Operacao/hipotese 1o 2o 3o 4o
Iteracoes 3 13 13 −
Resıduo inicial 44840,5 5, 87× 107 6, 54× 107 6, 51× 108
Resıduo final 44840,2 44989,9 45114,1 −
ωmusc estimado 12, 8× 10−4 13, 8× 10−4 14, 9× 10−4 −
Diferenca relativa 5,9% 1,9 % 10,8 % −
D(ωmusc)
Media das diferencas 0,3% 9,7 % 11,5 % −
relativas MD(X)
A variabilidade detectada nos parametros estimados pode ser explicada devido
a natureza dos erros das medidas simuladas, o que leva a serem encontrados pontos
de mınimos diferentes. Para comprovacao dessa hipotese, e necessario um estudo
estatıstico mais aprofundado capaz de garantir que essa variabilidade seja reduzida
para as suas medias utilizando um numero maior de estimativas.
Novamente, verificando se os parametros estimados possuem uma adequacao
apropriada ao modelo matematico e as medidas simuladas, e preparada a Fig. 5.5.
Mais uma vez, as curvas com os parametros otimizados se sobrepoem e acomodam
com bastante precisao as medidas simuladas, confirmando a execucao do metodo de
otimizacao.
5.4.3 Efeito das incertezas experimentais
No processo de minimizacao da funcao objetivo proposta, as incertezas experimen-
tais sao expressas na forma do desvio padrao das medidas, σmeas. Quanto maior for a
incerteza, maior sera o desvio padrao. Consequentemente, as medidas experimentais
retem menor peso no processo de otimizacao.
Com o objetivo de entender como essa grandeza influencia no problema, sao
propostos 3 cenarios distintos. A distribuicao a priori dos parametros e a estimativa
inicial sao mantidas constantes e sao alteradas as incertezas das medidas, conforme
mostrado na Tab. 5.5.
Realizando o processo de minimizacao da funcao objetivo, sao obtidos os resul-
39
Figura 5.5: Comparacao dos caso das Tabelas 5.3 e 5.4
Tabela 5.5: Analise das incertezas das medidas experimentais
Variavel/hipotese 1o 2o 3o
σj 10 % 10 % 10 %
σj(ωmusc) 50 % 50 % 50 %
ωmusc 13, 5× 10−4 13, 5× 10−4 13, 5× 10−4
σmeas 0,01 ◦C 0,05 ◦C 0,1 ◦C
x0 0, 9P 0, 9P 0, 9P
tados apresentados na Tab. 5.6.
E constatado que o aumento do desvio padrao das medidas ocasiona uma apro-
ximacao dos parametros otimizados as medias das informacoes a priori. Como
comprovado anteriormente, esse aumento de σmeas leva as medidas experimentais a
terem menor peso, aproximando assim os parametros as informacoes a priori obti-
das.
A perfusao sanguınea no 3◦ caso, devido a natureza aleatoria das medidas expe-
rimentais, se distancia do valor da media da informacao a priori. No entanto, em
estudo estatıstico mais aprofundado com um maior numero de medidas experimen-
tais, o valor para a media do parametro otimizado pode ser diferente do encontrado
e pode ser comprovada a hipotese inicial, como ocorre com as medias a priori para
os outros parametros.
40
Tabela 5.6: Efeito das incertezas das medidas experimentais
Operacao/hipotese 1o 2o 3o
Iteracoes 5 6 6
Resıduo inicial 9, 64× 106 2, 15× 106 7, 07× 105
Resıduo final 45093,4 44633,8 45559,1
ωmusc estimado 17, 9× 10−4 12, 5× 10−4 16, 1× 10−4
Diferenca relativa 31,9% 7,2 % 19,2 %
D(ωmusc)
Media das diferencas 5,4% 4,4 % 4,2 %
relativas MD(X)
Os resıduos inicias tambem apresentam uma reducao com a diminuicao da incer-
teza das medidas. Inicialmente, acredita-se que esse fato possa levar uma reducao
consideravel no tempo computacional gasto. No entanto, nao foi constatado uma
melhor eficiencia do metodo, ja que o numero de iteracoes foi, basicamente, o mesmo.
E possıvel observar graficamente como as curvas com os novos parametros cal-
culados pelo grafico disponıvel na Fig. 5.6.
Figura 5.6: Comparacao dos casos das Tabelas 5.5 e 5.6
Mostrando somente as medidas simuladas geradas considerando o 2o caso, por
41
ser um valor intermediario, as curvas se sobrepoem e as diferencas entre elas e
imperceptıvel. Alem disso, foi observado que todas os parametros estao devidamente
distribuıdos dentro do intervalo de confianca proposto na distribuicao a priori. A
superposicao observada ocorre para tempos pequenos, como o utilizado, nao sendo
observada para tempos maiores como mostrado na Fig. 5.7 em um caso hipotetico
com ∆t = 300 s.
Figura 5.7: Resposta da temperatura superficial para os casos da Tabela 5.5 e 5.6
5.4.4 Efeito do numero de medidas
Na pratica, a utilizacao do intervalo de medidas empregado, ∆t = 0, 0020 s, nao e
plausıvel, pois ele esta completamente relacionado com a frequencia de medidas da
temperatura executado pela camera termografica. Sendo assim, e estudado como o
numero de medidas experimentais modifica a estimativa de parametros. Portanto,
sao analisados os casos mostrados na Tab. 5.7.
Os resultados obtidos a partir da minimizacao da funcao objetivo sao apresen-
tados na Tab.5.8.
Como afirmado anteriormente, a utilizacao de um menor numero de medidas
experimentais produz uma funcao objetivo com menos termos, diminuindo assim a
42
Tabela 5.7: Analise do numero de medidas
Variavel/hipotese 1o 2o 3o
σj 10 % 10 % 10 %
σj(ωmusc) 50 % 50 % 50 %
ωmusc 13, 5× 10−4 13, 5× 10−4 13, 5× 10−4
σmeas 0,05 ◦C 0,05 ◦C 0,05 ◦C
x0 0, 9P 0, 9P 0, 9P
Numero de medidas 15000 1800 90
Frequencia de medidas 167 Hz 20 Hz 1 Hz
Tabela 5.8: Efeito do numero de medidas
Operacao/hipotese 1o 2o 3o
Iteracoes 12 13 13
Resıduo inicial 6, 27× 105 1, 49× 105 4, 87× 103
Resıduo final 15220,0 1819,8 88,8
ωmusc estimado 9, 7× 10−4 14, 4× 10−4 14, 0× 10−4
Diferenca relativa 28,4% 7,0 % 4,0 %
D(ωmusc)
Media das diferencas 11,7% 0,3 % 0,09 %
relativas MD(X)
sua importancia no processo de minimizacao. O mesmo ocorre como citado ante-
riormente quando se aumenta a incerteza sobre as medidas, σmeas. E importante
notar que os valores das medias da informacao a priori se aproximam ao vetor
de parametros estimado. Logo, as informacoes a priori se destacam, por isso essa
reducao.
O resıduo tanto inicial como final diminuem bastante quanto menor o numero
de medidas experimentais. Entretanto, o numero de iteracoes necessarias para a
minimizacao nao se altera, nao contribuindo de maneira significativa para a reducao
de custo computacional, independente do caso simulado para o processo.
.
.
43
Figura 5.8: Comparacao do 1◦ caso apresentado das Tabelas 5.7 e 5.8
Figura 5.9: Comparacao do 2◦ caso das Tabelas 5.7 e 5.8
.
Observando os graficos mostrados nas Figs.5.8, 5.9 e 5.10 , como ja mencionado,
e possıvel notar que as curvas de temperatura se distanciam das medias das medidas
simuladas, conforme diminuem o numero de medidas.
44
Figura 5.10: Comparacao do 3◦ caso das Tabelas 5.7 e 5.8
5.4.5 Efeito da incerteza a priori dos outros parametros
Com intuito de compreender como o grau de conhecimento dos outros parametros
modificam a estimativa de ωmusc, sao propostos 3 cenarios onde sao variados os
desvios padroes dos parametros, exceto o desvio padrao do coeficiente de perfusao
sanguınea do musculo masseter, que se mantem constante.
Alem dos valores de referencia para os parametros (Tab. 3.1 e 3.2), os valores
utilizados na simulacao estao dispostos conforme a Tab. 5.9.
Tabela 5.9: Analise da incerteza dos outros parametros
Variavel/hipotese 1o 2o 3o 4o
σj 10 % 30 % 50 % 75 %
σωmusc 50% 50 % 50 % 50 %
σmeas 0,05 ◦C 0,05 ◦C 0,05 ◦C 0,05 ◦C
x0 0.9P 0, 9P 0, 9P 0, 9P
Numero de medidas 45000 45000 45000 45000
Os resultados da minimizacao estao disponıveis de acordo com a Tab. 5.10.
Observa-se que os cenarios propostos nao possuem nenhuma relacao direta com
os valores de referencia. Isto se deve ao fato de que, quanto maior forem as incerte-
45
Tabela 5.10: Efeito das incertezas dos outros parametros
Operacao/hipotese 1o 2o 3o 4o
Iteracoes 7 18 13 8
Resıduo inicial 3.32× 106 7.83× 106 7.48× 106 6.84× 106
Resıduo final 44888.9 45276.7 44696.6 44571.3
ωmusc estimado 12.3× 10−4 15.9× 10−4 14.7× 10−4 12.7× 10−4
Diferenca relativa 9.1% 17.7 % 9.2 % 5.2 %
D(ωmusc)
Media das diferencas 4.7% 8.9 % 7.3 % 8.9 %
relativas MD(X)
zas dos parametros, os termos da funcao objetivo referentes a distribuicao a priori
tem o seu peso reduzido. Logo, para melhores estimativas do parametro de inte-
resse, todos os outros parametros, de maneira geral, possuem pouco influencia no
processo de minimizacao. Alem disso, e importante notar que as diferencas relativas
(MD(X)) nao variam como esperado (quanto maior a incerteza, mais distantes do
ponto de referencia) , pois a variacao dos erros das medidas experimentais tambem
e limitada por uma distribuicao gaussiana, fazendo com que MD(X) nao aumente
indefinidamente.
Plotando o grafico para essas situacoes, o modelo se adapta como mostrado na
Fig. 5.11
46
Figura 5.11: Comparacao dos casos das Tabelas 5.9 e 5.10
47
Capıtulo 6
Conclusoes e Sugestoes para
Trabalhos Futuros
Conforme a revisao bibliografica, a termografia por infravermelho detem um poten-
cial enorme para utilizacao na medicina. Ela se caracteriza por ser uma tecnica
totalmente segura e efetiva em diagnosticos de doencas, apesar de ainda estar em
desenvolvimento. Para o caso especıfico da desordem temporomandibular, e difıcil
imagina-la como forma unica de diagnostico, devido ao pouco conhecimento sobre
a sua patofisiologia. Mesmo assim, nao deixa de ser uma tecnica promissora.
Foi proposto um modelo matematico para a biotransferencia de calor que se ba-
seia na equacao de Pennes. Fundamentado nisso, foi possıvel simular computacional-
mente as temperaturas de todos os tecidos da regiao de interesse, que posteriormente
sao utilizadas nas estimativas dos parametros por uma abordagem Bayesiana.
Primeiramente, foi desenvolvida a base teorica necessaria que utiliza abordagem
Bayesiana, e depois proposta a funcao objetivo empregada no trabalho. Os resulta-
dos gerados foram consistentes com os esperados. No entanto, as observacoes foram
prejudicadas devido a baixa influencia da alteracao dos parametros sobre a tempe-
ratura em espacos de tempo muito curtos. Se analisado em intervalos maiores, a
alteracao e mais explıcita.
Tendo todos esses termos em vista, o estudo se limita a um tratamento mais
introdutorio para o diagnostico da desordem temporomandibular com uma visao
matematica. Ele cobre uma grande gama de assuntos e hipoteses. No futuro, e
esperado que o presente trabalho possa servir de base para pesquisas mais aprofun-
48
dadas na area com medidas experimentais reais.
Para trabalhos futuros, sao sugeridos alguns procedimentos que podem aumentar
o grau de conhecimento sobre o problema e oferecer maior precisao para as solucoes
encontradas. Algumas delas sao:
A investigacao dos valores das propriedades termofısicas especıficas da regiao
da articulacao temporomandibular (area de interesse do presente estudo) e suas
variabilidades, que costumam variar entre indivıduos e ate mesmo para a mesma
pessoa. Isto podera aumentar a precisao das estimativas dos parametros, ja que as
incertezas dos parametros a priori diminui. Alem disso, uma analise estatıstica com
um numero maior de amostras de parametros estimados tambem e importante para
compreender como se comporta o metodo de otimizacao nessas condicoes.
As estimativas devem ser feitas usando as medidas experimentais reais, nao mais
as simuladas. Elas podem contribuir para confirmar ou descartar a hipotese de
que o coeficiente de perfusao sanguınea diminui no maximo apertamento voluntario
em pessoas com a DTM, medir sua ordem de grandeza como tambem melhorar a
estimativa do vetor de parametros.
Outros metodos de otimizacao devem ser propostos, como o enxame de partıcula
e evolucao diferencial. Todos eles podem ser comparados para avaliar qual melhor
se aplica ao problema. Tambem pode ser interessante desenvolver tecnicas mais
avancadas para as estimativas dos parametro como, Metodo de Monte Carlo com
Cadeia de Markov, que tambem utiliza a abordagem Bayesiana. Elas devem trazer
maior desempenho computacional e parametros estimados mais precisos.
49
Referencias Bibliograficas
[1] CORTE, A. C. R.; HERNANDEZ, A. J. Termografia medica infravermelha apli-
cada a medicina do esporte. Revista brasileira de medicina do esporte,
SciELO Brasil, v. 22, n. 4, p. 315–319, 2016.
[2] LAMIEN, B. Problema de Estimativa de Estado no Tratamento de Cancer Por
Hipertermia Com Aquecimento Por Laser Diodo na Faixa do infraverme-
lho Proximo. Tese (Doutorado) — Tese de D. Sc., COPPE/UFRJ, Rio de
Janeiro, RJ, Brasil, 2015.
[3] MEIRA, L. F. de et al. Termografia na area biomedica. Pan American Journal
of Medical Thermology, v. 1, n. 1, p. 31–41, 2014.
[4] RODRIGUES, D. et al. Accuracy and reliability of infrared thermography in
the diagnosis of arthralgia in women with temporomandibular disorder.
Journal of manipulative and physiological therapeutics, 05 2013.
[5] DONNARUMMA, M. D. C. et al. Disfuncoes temporomandibulares: sinais,
sintomas e abordagem multidisciplinar. Revista CEFAC, SciELO Brasil,
v. 12, n. 5, p. 788–794, 2010.
[6] NETTER, F. H. Netter-Atlas de anatomia humana. [S.l.]: Elsevier Brasil, 2008.
[7] FERREIRA, C. L. P.; SILVA, M. A. M. R. d.; FELICIO, C. M. d. Sinais e
sintomas de desordem temporomandibular em mulheres e homens. In:
CoDAS. [S.l.: s.n.], 2016. v. 28, n. 1, p. 17–21.
[8] CARRARA, S. V. et al. Termo do 1o consenso em disfuncao temporomandibu-
lar e dor orofacial. Dental Press Journal of Orthodontics, Dental Press
International, v. 15, n. 3, p. 114–120, 2010.
50
[9] RODRIGUES, D. et al. Accuracy of two forms of infrared image analysis of the
masticatory muscles in the diagnosis of myogenous temporomandibular
disorder. Journal of bodywork and movement therapies, v. 18, p. 49–55,
01 2014.
[10] IRVINE, T.; HARTNETT, J.; CHO, Y. Advances in HEAT TRANSFER. [S.l.]:
Academic press, INC, 1992.
[11] OLIVEIRA, P. et al. Evidencias de medidas de normalidade para a espessura
do musculo masseter avaliadas com ultrassonografia: estudo de revisao.
Revista CEFAC, Instituto Cefac, v. 17, n. 1, 2015.
[12] PATANKAR, S. Numerical heat transfer and fluid flow. [S.l.]: CRC press, 1980.
[13] ORLANDE, H. R. B. The use of techniques within the Bayesian Framework of
Statistics for the Solution of Inverse Problems. Biarritz, France: Metti 6
Advanced School: Thermal Measurements and Inverse Techniques, 2015.
[14] MATHWORKS. Documentacao das funcoes internas do MATLABl. 2019. Dis-
ponıvel em: <https://www.mathworks.com/>.
[15] FRANCA, J. A. de et al. Uma implementacao do algoritmo Levenberg-
Marquardt dividido para aplicacoes em visao computacional. Semina:
Ciencias Exatas e Tecnologicas, v. 30, n. 1, p. 51–62, 2009.
[16] BANDEIRA, F. et al. A termografia no apoio ao diagnostico de lesao muscular
no esporte. Revista Brasileira de Medicina do Esporte, Directory of Open
Access Journals, v. 20, n. 1, p. 59–64, 2014.
[17] MUNIZ, L. A. R. et al. Metodo dos volumes finitos aplicados a problemas de
escoamentos bidimensionais na regiao de entrada de dutos cilindricos. [sn],
1995.
[18] OKAMOTO, M.; IHARA, M. A simple marquardt algorithm for the nonlinear
least-squares problem. Statistics & probability letters, Elsevier, v. 1, n. 6,
p. 301–305, 1983.
51
Apendice A
Codigo Fonte
A.1 Parametros
N = 31 ; % numero de parametros
Ts=37+273.15; % temperatura do sangue
Tinf =22.5+273.15; %temperatura do meio ex terno ( ar )
h1=10; % c o e f i c i e n t e de conveccao do ar com a p e l e
h2=100; % c o e f i c i e n t e de conveccao i n f i n i t o , gordura . . .
rhos =1060; %massa e s p e c i f i c a do sangue
cps =3770; %c a l o r e s p e c i f i c o
%propr i edades da epiderme
rhoa =1200; %kg /mˆ3 %massa e s p e c i f i c a
cpa =3589; %J/ kg .K %c a l o r e s p e c i f i c o
ka =0.235; %W/m.K %c o n d u t i v i d a d e termica
%alphaa=ka /( rhoa∗cpa ) ;
Qmeta=0.00001; %W/mˆ2 %f l u x o de c a l o r do metabolismo
wsa =0.000001; %1/ s %per fusao
%derme p a p i l a r
rhoc =1200;
52
cpc =3300;
kc =0.445;
%alphac=kc /( rhoc∗cpc ) ;
Qmetc=368.1;
wsc =0.0002∗ (1/2) ;
%derme r e t i c u l a r
rhod =1200;
cpd=3300;
kd =0.445;
%alphad=kd /( rhod∗cpd ) ;
Qmetd=368.1;
wsd =0.0013∗ (1/2) ;
%gordura
rhoe =1000;
cpe =3674;
ke =0.185;
%alphae=ke /( rhoe∗cpe ) ;
Qmete=368.4;
wse =0.0001∗ (1/2) ;
%musculo
rho f =1085;
cp f =3800;
k f =0.51;
%a l p h a f=k f /( r h o f ∗ c p f ) ;
Qmetf =684.2;
wsf =27∗10ˆ−4∗(1/2);
%Parametros a serem est imados
P(1) = h1 ;
53
P(2) = h2 ;
P(3) = rhos ;
P(4 ) = cps ;
P(5 ) = rhoa ;
P(6 ) = cpa ;
P(7 ) = ka ;
P(8) = Qmeta ;
P(9 ) = wsa ;
P(10) = rhoc ;
P(11) = cpc ;
P(12) = kc ;
P(13) = Qmetc ;
P(14) = wsc ;
P(15) = rhod ;
P(16) = cpd ;
P(17) = kd ;
P(18) = Qmetd ;
P(19) = wsd ;
P(20) = rhoe ;
P(21) = cpe ;
P(22) = ke ;
P(23) = Qmete ;
P(24) = wse ;
P(25) = rho f ;
P(26) = cpf ;
P(27) = kf ;
P(28) = Qmetf ;
P(29) = wsf ;
P(30) = Ts ;
P(31) = Tinf ;
%Desvio padrao a p r i o r i dos parametros
54
sigmaP (1) = 0.01∗ h1 ;
sigmaP (2) = 0.01∗ h2 ;
sigmaP (3) = 0.01∗ rhos ;
sigmaP (4) = 0.01∗ cps ;
sigmaP (5) = 0.01∗ rhoa ;
sigmaP (6) = 0.01∗ cpa ;
sigmaP (7) = 0.01∗ ka ;
sigmaP (8) = 0.01∗Qmeta ;
sigmaP (9) = 0.01∗wsa ;
sigmaP (10) = 0.01∗ rhoc ;
sigmaP (11) = 0.01∗ cpc ;
sigmaP (12) = 0.01∗ kc ;
sigmaP (13) = 0.01∗Qmetc ;
sigmaP (14) = 0.01∗wsc ;
sigmaP (15) = 0.01∗ rhod ;
sigmaP (16) = 0.01∗ cpd ;
sigmaP (17) = 0.01∗kd ;
sigmaP (18) = 0.01∗Qmetd ;
sigmaP (19) = 0.01∗wsd ;
sigmaP (20) = 0.01∗ rhoe ;
sigmaP (21) = 0.01∗ cpe ;
sigmaP (22) = 0.01∗ ke ;
sigmaP (23) = 0.01∗Qmete ;
sigmaP (24) = 0.01∗wse ;
sigmaP (25) = 0.01∗ rho f ;
sigmaP (26) = 0.01∗ cp f ;
sigmaP (27) = 0.01∗ kf ;
sigmaP (28) = 0.01∗Qmetf ;
sigmaP (29) = 0.5∗ wsf ;
sigmaP (30) = 0.01∗Ts ;
sigmaP (31) = 0.01∗ Tinf ;
55
Tsup = v o l f i n (P) % funcao de volumes f i n i t o s para a f e r i r a
%temperta tura s u p e r f i c i a l da p e l e
I = length ( Tsup ) ; % Quantidade de medidas ( tempo f i n a l )
sigmameas = 0 . 0 5 ; %d e s v i o padrao medidas
Y = Tsup + sigmameas∗randn (1 , I ) ; %medidas s imuladas
mu = P; %media dos parametros
56
A.2 Funcao Objetivo
% . . . . . . . . . FUNCAO OBJETIVO MAXIMO A POSTERIORI . . . . . . . . . %
function F = MAP(P) % Funcao o b j e t i v o , com os parametros
% como entrada
global Y sigmameas mu sigmaP I N
Tsup = v o l f i n (P) ;% Funcao onde sao a p l i c a d o s os parametros
% e re torna a temperatura s u p e r f i c i a l
% p e l o metodo de e lementos f i n i t o s
for k = 1 : I
F(1 , k ) = (Y(1 , k ) − Tsup (1 , k ) )/ sigmameas ;
end
for k = I +1: I+N
F( k ) = (P(1 , k−I ) − mu(1 , k−I ) )/ sigmaP (k−I ) ;
end
57
A.3 Minimizacao
% . . . . . . . . . LSQNONLIN . . . . . . . . . % ,
global Y sigmameas mu sigmaP I N
%Y = medidas exper imenta i s s imuladas
%sigmameas = d e s v i o padrao das medidas
%mu = v a l o r das medias dos parametros
%sigmaP = dev io padrao a p r i o r i dos parametros
%I = numero de medidas
%N = Numeros de parametros
%P = Parametros em ques tao
%x0 = chute i n i c i a l
%l b = l i m i t a n t e i n f e r i o r
%ub = l i m i t a n t e s u p e r i o r
%resnorm = norma q u a d r a t i c a do r e s i d u o da minimizacao
%F = v e t o r de parametros minimizados
lb = P − 2.576∗ sigmaP
ub = P + 2.576∗ sigmaP
opt ions = opt imopt ions ( ’ l s q n o n l i n ’ , ’ Disp lay ’ , ’ i t e r ’ ,
’ Algorithm ’ , ’ l evenberg−marquardt ’ ) ;
[ x , resnorm , r e s i d u a l , e x i t f l a g , output ] =
l s q n o n l i n (@MAP, x0 , [ ] , [ ] , opt ions ) ;
58