A modelagem da temperatura em tecidos humanos, quando os mesmos são sujeitos a ultra-som de terapia, é um aspecto essencial para um correto controle e calibração da instrumentação de terapia. A existência de modelos precisos possibilitaria um uso mais seguro e eficiente das terapias térmicas. O objetivo principal deste trabalho é a comparação entre a performance de um modelo linear e de um modelo não linear, na estimação pontual da temperatura num meio homogêneo. O objetivo final do trabalho é a construção de modelos para estimação in-vivo da temperatura. Os modelos lineares aplicados foram “autoregressive models with exogenous inputs” (ARX), enquanto que os modelos não-lineares aplicados foram “radial basis functions neural networks” (RBFNN). As melhores estruturas para as RBFNN foram selecionadas usando o “multi-objective genetic algorithm” (MOGA). A melhor estrutura RBFNN apresentou um erro máximo absoluto de 0,2 ºC, que é inferior em uma ordem de grandeza ao erro cometido pelo melhor modelo ARX.

Temperature modelling of human tissue subjected to ultrasound for therapeutic use is essential for an accurate instrumental assessment and calibration. The existence of accurate temperature models would enable a safe and efficient application of the thermal therapies. The main objective of this work is the comparison between the performance of non-linear models and linear models for punctual temperature estimation in a homogeneous medium. The final goal of the work hereby reported is the construction of neural models for “in-vivo” temperature estimation. The linear models employed were AutoRegressive with eXogenous inputs (ARX), and the non-linear models used were radial basis functions neural network (RBFNN). The best-performed RBFNN structures were selected using the Multi-objective Genetic Algorithm (MOGA). The best performed neural structure present a maximum absolute error of 0.2 ºC, which is one order magnitude less than the one presented by the best ARX.