Análise de Imagens Faciais para Identificação do Parkinson em Contextos de Dados Limitados

• José Nazareno A. Rodrigues UFPI
• Caio B. A. A. Pereira UFPI
• Rodrigo de M. S. Veras UFPI
• Pedro H. X. R. Barros UFPI
• Kelson J. Almeida UFPI
• Kelson Rômulo T. Aires UFPI

DOI: https://doi.org/10.5753/sbcas.2025.7107

Resumo

Este estudo investiga o uso de imagens faciais 2D para identificar a Doença de Parkinson (DP) em cenários com dados limitados. A exploração de expressões faciais em imagens 2D ainda é restrita na literatura. Para ajudar a suprir essa lacuna, foi implementado um pipeline completo. Compararam-se abordagens de extração de características faciais pré-definidas e automática via modelos de redes neurais convolucionais pré-treinadas. Entre os modelos avaliados, a combinação da DenseNet-201 para extração de características e SVM para classificação obteve o melhor desempenho, atingindo 94,75% de acurácia. Os resultados reforçam o potencial da análise de imagens faciais 2D para identificar a DP, apesar dos desafios relacionados à escassez de dados.

Referências

Bey, R., Goussault, R., Grolleau, F., Benchoufi, M., and Porcher, R. (2020). Fold-stratified cross-validation for unbiased and privacy-preserving federated learning. Journal of the American Medical Informatics Association, 27(8):1244–1251.

Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32. [Guan 2021] Guan, Y. (2021). Application of logistic regression algorithm in the diagnosis of expression disorder in parkinson’s disease. In 2021 IEEE 2nd International Conference on Information Technology, Big Data and Artificial Intelligence (ICIBA), volume 2, pages 1117–1120. IEEE.

Hastie, T., Tibshirani, R., and Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction. Springer Science & Business Media.

Jin, B., Qu, Y., Zhang, L., and Gao, Z. (2020). Diagnosing parkinson disease through facial expression recognition: video analysis. Journal of Medical Internet Research, 22(7):e18697.

Moustafa, K., Metawie, H., Saadoun, S., Sameh, N., Ibrahim, R., and Abdelsayed, A. (2023). Easy park: Mobile application for parkinson’s disease detection and severity level. In 2023 International Mobile, Intelligent, and Ubiquitous Computing Conference (MIUCC), pages 1–8. IEEE.

Pereira, C., Barros, P., Rodrigues, J., Araújo, P., Borges, R., Almeida, K., and Veras, R. (2024). Identificação de parkinson em imagens faciais usando modelos de deep learning pré-treinados. In Anais da XII Escola Regional de Computação do Ceará, Maranhão e Piauí, pages 169–178, Porto Alegre, RS, Brasil. SBC.

Rajnoha, M., Mekyska, J., Burget, R., Eliasova, I., Kostalova, M., and Rektorova, I. (2018). Towards identification of hypomimia in parkinson’s disease based on face recognition methods. In 2018 10th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT), pages 1–4. IEEE.

Rodrigues, J. N. A. and Aires, K. R. T. (2021). Uma pesquisa exploratória sobre a utilização de soluções apoiadas em inteligência artificial e tecnologias móveis com portadores de transtorno do espectro autista. In Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS), pages 410–415. SBC.

Rodrigues, J. N. A., Veras, R. d. M. S., Neto, L. d. S. B., Barros, P. H. X. R., Moura, W. d. S., De Almeida, K. J. S., and Aires, K. R. T. (2025). Identification of parkinson’s disease through facial image classification: A systematic review. IEEE Access, pages 46720–46731.

Skaramagkas, V., Pentari, A., Kefalopoulou, Z., and Tsiknakis, M. (2023). Multi-modal deep learning diagnosis of parkinson’s disease-a systematic review. IEEE Transactions on Neural Systems and Rehabilitation Engineering.

Skibińska, J. and Burget, R. (2020). Parkinson’s disease detection based on changes of emotions during speech. In 2020 12th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT), pages 124–130. IEEE.

Su, G., Lin, B., Yin, J., Luo, W., Xu, R., Xu, J., and Dong, K. (2021). Detection of hypomimia in patients with parkinson’s disease via smile videos. Annals of Translational Medicine, 9(16).

Warnakulasuriya, N., De Silva, S., Madushika, J., Gamage, S., Jayawardena, S., and Karunasena, A. (2023). Multimodal fusion for enhanced parkinson’s disease screening: Integrating brain mri, hand drawing, facial expressions, and voice analysis. In 2023 5th International Conference on Advancements in Computing (ICAC), pages 531–536. IEEE.