Classificação do Índice Glicêmico a partir de Imagens de Alimentos com Redes Neurais Convolucionais

• Jailson Januário Universidade do Estado do Amazonas
• Elloá Guedes Universidade do Estado do Amazonas
• Fabio de Silva Universidade do Estado do Amazonas

DOI: https://doi.org/10.5753/eniac.2019.9309

Resumo

A identificação do índice glicêmico de alimentos é fundamental para o planejamento dietético e controle glicêmico, especialmente de pacientes com diabetes. Tendo em vista a determinação do índice glicêmico a partir de imagens de alimentos, este trabalho considera o uso de uma arquitetura de rede neural convolucional para abordar duas tarefas de classificação, sendo uma de frutas e outra de alimentos em geral. Ao avaliar o modelo proposto, obteve-se acurácia de 98,22% para a primeira tarefa e de 84,30% para a segunda, resultados que mostram-se competitivos com o estado da arte e que motivam o desenvolvimento de soluções computacionais que promovem a melhoria da qualidade de vida por meio da alimentação saudável.

Palavras-chave: Redes Neurais Convolucionais, Aprendizagem Profunda, Reconhecimento de alimentos, Reconhecimento de Imagens

Referências

Atkinson, F. S., Foster-Powell, K., and Brand-Miller, J. C. (2008). International tables of glycemic index and glycemic load values: 2008. Diabetes Care, 31(12):2281–2283.

Brownlee, J. (2016). Deep Learning With Python. Machine Learning Mastery, Estados Unidos.

Buduma, N. (2017). Fundamentals of Deep Learning. O’Reilly Media, Estados Unidos.

Chollet, F. (2018). Deep Learning with Python. Manning Shelter Island.

Freitas, C. N. C., Cordeiro, F. R., and da Silva, A. J. (2018). Food recognition system for nutrition monitoring. In Anais do XV Encontro Nacional de Inteligência Artificial e Computacional, pages 186–197, Porto Alegre, RS, Brasil. SBC.

Greenwood, D. C., Threapleton, D. E., Evans, C. E., Cleghorn, C. L., Nykjaer, C., Woodhead, C., and Burley, V. J. (2013). Glycemic index, glycemic load, carbohydrates, and type 2 diabetes. 36(12):4166–4171.

Imran, S. A., Agarwal, G., Bajaj, H. S., and Ross, S. (2018). Targets for glycemic control. Canadian Journal of Diabetes, 42:S42 – S46. Diabetes Canada 2018 Clinical Practice Guidelines for the Prevention and Management of Diabetes in Canada.

Khan, S., Rahmani, H., Shah, S. A. A., and Bennamoun, M. (2018). A Guide to Convolutional Neural Networks for Computer Vision. Morgan & Claypool, Austrália, 1 edition.

Marsh, K., Barclay, A., Colagiuri, S., and Brand-Miller, J. (2011). Glycemic index and glycemic load of carbohydrates in the diabetes diet. Current Diabetes Reports, 11(2):120–127.

Mezgec, S. and Seljak, B. K. (2017). Nutrinet: A deep learning food and drink image recognition system for dietary assessment. Nutrients, 9(657):1–19.

MMSPG (2017). Multimedia Signal Processing Group (MMSPG), Ecole Polytechnique Fédérale de Lausanne. Lausanne, Suı́ça. Disponı́vel em https://mmspg.epfl. ch/downloads/food-image-datasets/. Acesso em 27 de agosto de 2019.

Muresan, H. and Oltean, M. (2018). Fruit recognition from images using deep learning. Acta Univ. Sapientiae, Informatica, 10(1):26–42.

Philippi, S. T., Latterza, A. R., Cruz, A. T. R., and Ribeiro, L. C. (1999). Pirâmide alimentar adaptada: Guia para escolha dos alimentos. Revista de Nutrição Campinas, 12(1):65–80.

SBD (2017). Diretrizes da Sociedade Brasileira de Diabetes 2017-2018. Sociedade Brasileira de Diabetes. Clannad Editora Cientı́fica.

Silva, F. M. and de Mello, V. D. F. (2006). Índice glicêmico no manejo do diabetes melito. Revista HCPA, 26(2):73–81.

Simonyan, K. and Zisserman, A. (2015). Very deep convolution networks for large-scale image recognition.