Apresentação ENIC 2014 UFPB

644 visualizações

Publicada em

Slide utilizado na apresentação do projeto no ENIC 2014 da Universidade Federal da Paraíba.

Publicada em: Engenharia
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Apresentação ENIC 2014 UFPB

  1. 1. Extração de características das curvas de um acelerômetro triaxialpara classificação de movimentos Monitoramento Inteligente e Pervasivoda Saúde Humana Titulo do Projeto Titulo do Plano Bolsista Bruno Adônis de Sá adonis@eng.ci.ufpb.br Orientador Prof. Clauirtonde Albuquerque Siebra clauirton@di.ufpb.br
  2. 2. •Introdução •Métodos Captura dos dados Definição das característica para qualificação dos dados Especificação da Rede Neural Artificial Treinamento e validação dos dados •Resultados •Conclusão Sumário
  3. 3. •Necessidade de monitoramento constante de indicadores de saúde Principalmente pessoas idosas •Tarefa dificultada devido ao aumento da população e distância dos pacientes em relação aos centros de saúde Como fazer isso de forma frequente e com baixo custo? Introdução Emergencia Familiares Agentes de saúde Rede celular Frequencia cardíaca, respiratória Movimento Bluetooth, ZigBee, WLAN Monitoramento Remoto “Ocomportamentodiáriodeumindivíduoéumimportanteindicadorparaseidentificar/preverproblemasdesaúde”.CentroNacionalparaPrevençãodeDoençasCrônicasePromoçãodaSaúde,GovernoAmericano,2013
  4. 4. •Foirealizadoumestudointrodutóriosobresistemasparamonitoramentoremoto •ImplementaçãodeumaaplicaçãoparaplataformaAndroid •Osseismovimentos:sentar,levantar,deitar,levantardodeitar,andar, correr •Criaçãodobenchmarkcomajudade5voluntários •Implementaçãodaredeneuralartificial •ValidaçãodaRNAutilizandoométododevalidaçãocruzada. Método
  5. 5. Método •Captura dos dados
  6. 6. •Captura dos dados Aparelho celular e cinto utilizado na captura dos dados. Método
  7. 7. •Captura dos dados Aplicativo desenvolvido para plataforma Android e utilizado na captura e armazenamento dos dados advindos do acelerômetro. Método
  8. 8. •Definiçãodascaracterísticasparaqualificaçãodosdados Utilizamosnovecaracterísticas,dasquais: Trêscaracterísticassãoasmédiasdecadaeixodoacelerômetro,denotadasMdx,Mdy,Mdz, exemplo: 푀푑푥= 1푛 푖=1 푛 푥(푖) Outrastrêscaracterísticas,denotadaspordesvioX,desvioY,desvioZ,referem-seaodesviopadrãodecadaeixo,exemplo: 푑푒푠푣푖표푋= 1 푛−1 푖=1 푛 푥푖−푀푑푥212 Astrêsultimas,denotadasfX,fY,fZ,obtidasatravésdaTransformadaRápidadeFourier(FFT).ApartirdocalculodaFFTfoiextraídaafrequênciaqueapresentaaraiademaioramplitudedecadaumdoseixosdoacelerômetro. Método
  9. 9. •EspecificaçãodaRedeNeuralArtificial ArquiteturadaRNAeodetalhamentodoneurôniocomsuafunçãodeativação funçãodeativaçãoutilizadafoiaSigmoide: g(z)=1/(1+exp(-z)),ondez=푥1*푝1+...+푥푛*푝푛 Método
  10. 10. •Treinamentoevalidaçãodosdados Ométodoutilizadofoiavalidaçãocruzada(CrossValidation),ondefoiexploradoavariantedestemétodo,validaçãocruzadak-foldrepetida(RepeatedK-FoldCrossValidation). 3vezes6-foldvalidaçãocruzada. Método
  11. 11. •Resultadosobtidosnaclassificaçãode6movimentos,realizadospor5voluntáriosutilizandoométodo3-Repeated6-FoldCrossValidation. Exemplo,primeirarodada(k=1)daprimeirarepetiçãoobteveumaprecisãode75%eamédiadaprimeirarodadafoide85,5%. Aofinalde18avaliações,amédiaficouem84,1% Resultados
  12. 12. •Após validação da rede, a mesma foi utilizada para teste com um novo conjunto de 60 padrões que não foi utilizado no treinamento da rede. Resultados (experimento adicional)
  13. 13. •Publicaçãodeartigo B.AdeSá,C.A.Siebra(2014).ExtraçãodeCaracterísticasdasCurvasdeumAcelerômetroTriaxialparaClassificaçãodeMovimentos,Anaisdo14 CongressoBrasileirodeInformáticaemSaúde,Santos–SP,Brasil. Resultados
  14. 14. •OsresultadosmostramqueousodaRNAcomascaracterísticasselecionadaséapropriadoparaclassificaçãodosmovimentoshumanosestudados. •ApróximaetapadoprojetoéembarcaraRNAnocelular. •Aidéiaéutilizaracelerômetroscomerciaisemformadepulseiras,osquaispodemseradaptadosacintos. •OssinaisdoacelerômetropoderiamsertransmitidosviaBluetootheprocessadosnocelular,ficandoosresultadosdisponíveisparaoutrasaplicações. Conclusões
  15. 15. Extração de características das curvas de um acelerômetro triaxialpara classificação de movimentos Monitoramento Inteligente e Pervasivoda Saúde Humana Titulo do Projeto Titulo do Plano Bolsista Bruno Adônis de Sá adonis@eng.ci.ufpb.br Orientador Prof. Clauirtonde Albuquerque Siebra clauirton@di.ufpb.br

×