3. Internet das coisas – IoT (Internet of Things)
Idosos;
Quedas;
Sistemas de detecção de quedas;
Dispositivos vestíveis;
Smartwaches;
Introdução
4. Objetivos - Geral:
Desenvolver de um sistema de monitoramento das
condições de saúde humana, mais especificamente a
ocorrência de quedas de pessoas idosas, utilizando
dados de indicadores físicos de saúde obtidos através
de dispositivos vestíveis como smartwatches a fim de
identificar situações atípicas.
Introdução
5. Objetivos - Específicos:
Implementar um modulo de identificação de situações
de queda de uma pessoa com base em dados coletados
via sensores em dispositivo vestível como smartwatch.
Realizar o tratamento dos dados obtidos em dataset de
auxílio a pesquisas de reconhecimento de atividades
humanas, mais especificamente quedas.
Introdução
6. Objetivos - Específicos:
Interpretação dos dados de sensores vestíveis no
dataset para identificar quedas utilizando o mínimo de
recurso computacional possível.
Avaliar a performance do sistema em relação as
métricas: acurácia, precisão, revocação e f1 score.
Introdução
7. Internet das coisas
Atzori, Iera e Morabito (2010)
Ahouandjinou; Assogba; Motamed (2016)
Bijarbooneh et al. (2012)
Dispositivos vestíveis – Smartwaches
Santoso, Pasila e Putro (2018)
Bujari (2018)
Mighali et al. (2017)
Detecção de quedas em idosos
Duarte et al. (2018)
Stutzel et al. (2016)
Velipasalar (2015)
Fundamentação Teórica
8. Métricas de avaliação
Fundamentação Teórica
Figura 1 - Matriz de Confusão.
Fonte: Nogare (2020).
11. Revocação (RVC) – Proporção dos positivos
corretamente identificados;
F1-score (F1)- Média entre precisão e revocação
Fundamentação Teórica
𝑟𝑒𝑣𝑜𝑐𝑎çã𝑜 =
𝑇𝑃
𝑇𝑃 + 𝐹𝑁
(3)
𝑓1 − 𝑠𝑐𝑜𝑟𝑒 = 2 ∗
𝑃𝑅𝐶 ∗ 𝑅𝑉𝐶
𝑃𝑅𝐶 + 𝑅𝑉𝐶
(4)
12. Metodologia:
Natureza aplicada;
Abordagem quantitativa;
Natureza exploratória, descritiva e explicativa;
Método experimental;
Levantamento bibliográfico, pesquisa de base de
dados, implementação de algoritmo, calculo de
indicadores de performance preditiva;
Desenvolvimento
13. Base de Dados - Martínez-Villaseñor (2019):
Conjunto de dados multimodal para detecção de
quedas;
Coletados em experimento com 17 pessoas e com
sensores vestíveis, de ambiente e dispositivos
visuais;
Simulação de 6 atividades diárias e 5 tipos de
quedas;
Desenvolvimento
14. Base de dados – atividades:
Desenvolvimento
ID DA ATIVIDADE DESCRIÇÃO DURAÇÃO (S)
1 Caindo para frente usando as mãos 10
2 Caindo para frente usando os joelhos 10
3 Caindo para trás 10
4 Caindo para o lado 10
5 Caindo sentado em uma cadeira vazia 10
6 Andando 60
7 De pé 60
8 Sentado 60
9 Pegando um objeto 10
10 Pulando 30
11 Deitado 60
Fonte: Martínez-Villaseñor (2019).
16. Base de Dados:
Objetivo de auxiliar no reconhecimento de
atividade humana – detecção de quedas;
Não realização de experimentos com pessoas
reais;
Desenvolvimento
17. Pré-processamento:
Objetivo: tratamento dos dados de acelerômetro
fora do padrão;
Filtro de dados relevantes;
Conhecer a característica dos dados;
Operações de alteração de tipagem dos dados;
Desenvolvimento
18. Pré-processamento:
Dados considerados – tempos, eixo x, eixo y e eixo
z, e IDs dos sujeitos, atividades e tentativas;
Visualizações – gráficos de aceleração;
Desenvolvimento
19. Desenvolvimento
Figura 2 - Gráficos de aceleração antes do pré-processamento dos dados.
Fonte: Criado pela Autora.
Figura 3 - Gráficos de aceleração após o pré-processamento dos dados.
Fonte: Criado pela Autora.
25. Sistema proposto:
Caracterização de queda: Rebote, movimento
residual e localização.
Limiares: limiar superior e limiar inferior
Janela de tempo: entre 5 e 6 segundos
Contador: X ≤ contador ≥ Y, onde X=1 e Y entre 5
e 10
Desenvolvimento
26. Ferramentas utilizadas:
Google Colaboratory ou Colab;
Python;
Bibliotecas: pandas, matplotlib, numpy, datetime e
o modulo sklearn.metrics da Scikit-learn;
Desenvolvimento
27. Definição do valor máximo para o limite superior da
aceleração - 2 m/sec²
Calculo das métricas de performance.
Experimentos
28. Calculo das métricas de performance:
Experimentos
Precisão Revocação F1-score Suporte
Falso 96% 85% 90% 304
Verdadeiro 84% 96% 90% 255
Acurácia 90% 559
Média macro 90% 90% 90% 559
Média ponderada 91% 90% 90% 559
Tabela 3 - Métricas de performance utilizando apenas limite superior para aceleração.
Fonte: Criado pela Autora.
29. Definição do valor máximo para o limite inferior da
aceleração, janela de tempo e contador – 1,5 m/sec²,
5seg, 5 picos.
Calculo das métricas de performance.
Experimentos
30. Precisão Revocação F1-score Suporte
Falso 94% 89% 91% 304
Verdadeiro 87% 93% 90% 255
Acurácia 91% 559
Média macro 91% 91% 91% 559
Média ponderada 91% 91% 91% 559
Calculo das métricas de performance:
Experimentos
Tabela 4 - Métricas de performance utilizando todos os critérios para avaliação.
Fonte: Criado pela Autora.
31. Definição do valor máximo para o limite inferior da
aceleração, janela de tempo e contador – 1,5 m/sec²,
5seg, 5 picos.
Aceleração menor que o limite superior após segundo
pico ultrapassar limite inferior;
Calculo das métricas de performance.
Experimentos
32. Calculo das métricas de performance:
Experimentos
Tabela 5 - Métricas de performance com segundo pico entre os limites superior e inferior.
Fonte: Criado pela Autora.
Precisão Revocação F1-score Suporte
Falso 76% 92% 83% 304
Verdadeiro 88% 65% 74% 255
Acurácia 80% 559
Média macro 82% 79% 79% 559
Média ponderada 81% 80% 79% 559
33. Acelerômetros que não o de pulso:
Definição do valor máximo para o limite superior
da aceleração - 2 m/sec²
Definição do valor máximo para o limite inferior da
aceleração, janela de tempo e contador – 1,5
m/sec², 5seg, 5 picos.
Calculo das métricas de performance.
Experimentos
35. Utilização apenas do limite superior é relevante para
caracterizar uma queda:
Acurácia de 90%, precisão de 84%, revocação de
96% e f1-score de 90%
Conclusão
36. Utilização de limite superior, limite inferior, quantidade
de picos e janela de tempo com desempenho
levemente melhor:
Acurácia de 91%, 87% de precisão, revocação de
93% e f1-score de 90%
Conclusão
37. Picos de aceleração – segundo pico maior que limite
inferior e menor que limite superior:
Acurácia de 80%, precisão de 88%, a revocação
em 65% e o f1-score em 74%
Conclusão
38. Dispositivos em outras partes do corpo – desempenho
satisfatório principalmente em regiões menos móveis.
Revocação:
Melhor: apenas limite superior – 96%
Pior: todos os critérios e segundo pico entre os
limites inferior e superior – 65%
Conclusão
39. Trabalhos futuros:
Aplicação de métodos de aprendizado de máquina
sobre a base de dados para uma avaliação da medição
da acurácia;
Desenvolver módulos voltados a avaliação do estado de
saúde de pessoas idosas, utilizando dados de outros
sensores disponíveis em dispositivos móveis.
Conclusão