Classificação espaço-temporal de criadouros do mosquito Aedes aegypti para controle de arboviroses baseada em máquinas de aprendizado extremo

Resumo

As arboviroses são um grande problema de saúde pública no mundo. Estas doenças estão no conjunto das Doenças Tropicais Negligenciadas (DTNs) da Organização Mundial de Saúde (OMS) (DIAS et al., 2013;LUNA,CAMPOS, 2020) . Este é um problema mais comum em países de clima tropical e subtropical, e é agravado por problemas socioeconômicos e saneamento básico precário (SOUZA et al, 2018). No Brasil, a dengue é um problema antigo e o país sempre tem surtos epidêmicos. E após o ano de 2015, a zika e a chikungunya entram nesse conjunto de doenças, e os problemas como a síndrome de Guillan-Barré e a artrite crônica deixaram o sistema de saúde ainda mais preocupados (MANIERO et al, 2016).
Como essas doenças são transmitidas pelo mesmo vetor, o mosquito Aedes aegypti.  O objetivo deste trabalho é propor uma classificação dos criadouros de mosquito Aedes aegypti, baseada em redes neurais recorrentes profundas do tipo Extreme Learning Machine (ELM), já que esse tipo de rede tem um treinamento mais rápido e garante um menor custo computacional.
Foram usados dados de Recife, obtidos do LIRAa. A base do LIRAa foi reorganizada de acordo com a latitude e longitude do centroide de cada bairro, quantidade de criadouros de cada tipo e número total de criadouros para padronizar. E como essa base era uma base para predição, ela foi transformada em base problema de classificação. Foi usada regra de Sturges para criar as classes e feito o balanceamento com o SMOTE com k=3 no software Weka. Por fim, essa base precisou ser normalizada e isto foi feito usando código na linguagem Python. Foi criado um classificador usando o algoritmo Extreme Learning Machine com a linguagem Python. Foram selecionadas acurácia, precision e recall como métricas para validar os modelos. O tempo de treinamento também foi analisado. Foram propostas configurações diferentes de camadas e neurônios em cada camadas. Foram criados modelos com 1, 2, 5 e 10 camada, e variando o número de neurônios por camada em 10, 20, 50 e 100. Totalizando 16 configurações diferentes.
Para o modelo analisado, a melhor configuração foi a camada única com 100 neurônios, com acurácia de 0,91329, precision de 0,91337 e recall de 0,91378, e com tempo de treinamento de apenas 0,03866 segundos. A segunda melhor configuração foi com duas camadas e 100 neurônios em cada camada. Este modelo obteve acurácia e recall  de 0,90955, precision de 0,90963 e tempo de treinamento de 0,05940. Já o pior resultado foi obtido na configuração de 10 camadas com 10 neurônios em cada camada. Obtendo uma acurácia de 0,51475, precision de 0,51426 e recall de 0,51988, e tempo de treinamento de 6,84112 segundo, o maior valor deste algoritmo.
O modelo criado obteve bons resultados e como custo computacional é pequeno, faz com que facilite o retreino em pouco tempo, o que é um diferencial desta proposta. Então, o modelo construído pode ser usado para auxiliar na tomada de decisões. Como no controle dos criadouros nas áreas classificadas como de maior risco, bem como o planejamento estratégico de enfrentamento em meio a uma epidemia de arboviroses. Além disso, esse modelo pode ser usado em outras cidades também.