Utilização da Análise Sliding Window para Identificação
Offline de Padrões de Movimentos Humanos através dos
Sinais Gerados por um Acelerômetro Triaxial
Terceira parte do Projeto "Monitoramento Inteligente e Pervasivo da Saúde Humana"
Análise Sliding Window para Identificação de Movimentos
1. Utilização da Análise Sliding Window para Identificação
Offline de Padrões de Movimentos Humanos através dos
Sinais Gerados por um Acelerômetro Triaxial
Monitoramento Inteligente e Pervasivo da Saúde Humana
Titulo do Projeto
Titulo do Plano
Bolsista
Bruno Adônis de Sá
adonis@eng.ci.ufpb.br
Orientador
Prof. Clauirton de Albuquerque Siebra
clauirton@ci.ufpb.br
2. • Introdução
• Métodos
Modulo Captura
Caracterização do Sinal
Análise de Componentes Principais
Módulo Classificador
Treinamento da Rede Neural Artificial
Validações de Aprendizagem
Processamento Offline do Sinal
• Resultados
• Conclusão e Trabalhos Futuros
Sumário
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
“O comportamento diário de um
indivíduo é um importante
indicador para se identificar/prever
problemas de saúde”. Centro Nacional
para Prevenção de Doenças Crônicas e Promoção da
Saúde, Governo Americano, 2013
4. • Modulo Captura
• Caracterização do Sinal *
• Análise de Componentes Principais
• Módulo Classificador *
• Treinamento da Rede Neural Artificial *
• Validações de Aprendizagem *
• Processamento Offline do Sinal
Método
“Configuração De Uma Rede Neural Para
Identificação De Movimentos Humanos Através
De Sinais Gerados Por Um Acelerômetro Triaxial”
* Atividades que foi necessário repetir.
5. • Modulo Captura
Aparelho celular e cinto utilizado na captura dos dados.
Método
6. • Modulo Captura
Aplicativo desenvolvido para plataforma Android e utilizado na captura e
armazenamento dos dados advindos do acelerômetro.
Método
7. • Caracterização do Sinal
Inicialmente foram utilizadas doze características, das quais:
Três características são as médias de cada eixo do acelerômetro, denotadas de Mdx, Mdy,
Mdz.
Outras três características, denotadas por, stdX, stdY, stdZ, referem-se ao desvio padrão de
cada eixo.
Outras três, denotadas fX, fY, fZ, obtidas através da Transformada Rápida de Fourier (FFT). A
partir do calculo da FFT foi extraída a frequência que apresenta a raia de maior amplitude
de cada um dos eixos do acelerômetro.
As três últimas características, denotadas Ex, Ey, Ez, são obtidas a partir da Energia do Sinal.
Método
8. • Análise de Componentes Principais
As Componentes Principais (CP) são ordenadas de acordo coma quantidade de
variância dos dados originais que elas contêm (ordem decrescente).
Exemplo, a primeira CP contém a maior porcentagem da variabilidade do conjunto de dados
original.
Foram selecionadas quatro características, das quais:
Quatro características selecionadas, denotadas de Mdx, Mdy, Mdz, stdX.
Mdx com 51.3492 %
Mdy com 21.1680 %
MdZ com 20.7058 %
stdX com 3.5528 %
As quatro características selecionadas concentram 96.78% da variabilidade dos
dados.
Método
9. • Módulo Classificador
Arquitetura da RNA e o detalhamento do neurônio com sua função de ativação
função de ativação utilizada foi a Sigmoide:
g(z) = 1 / (1+ exp(-z)), onde z =𝑥1* 𝑝1 +...+𝑥 𝑛* 𝑝 𝑛
Método
10. • Validações de Aprendizagem
O método utilizado foi a validação cruzada (Cross Validation), onde foi explorado
a variante deste método, validação cruzada k-fold repetida (Repeated K-Fold Cross
Validation).
N vezes 10-fold validação cruzada.
O conjunto de teste foi confrontado a cada K-fold da validação cruzada.
Método
13. • Alguns percentuais de acertos do movimento Andar, obtidos a cada
combinação de largura da janela ‘L’ e deslocamento ‘D’
Após uma análise entre os resultados obtidos para todos os movimentos, a
melhor combinação encontrada foi 80 pontos para o deslocamento e 190 pontos
para a largura da janela.
Resultados
14. • Resultado final para todos os movimentos utilizando 80 pontos para o
deslocamento e 190 pontos para a largura da janela.
Resultados
v
15. • A aplicação desenvolvida comportou-se de maneira esperada, suavizando
os problemas que foram identificados nos trabalhos realizados
anteriormente.
• Podendo facilitar o acompanhamento médico-paciente e possibilitando
outros benefícios como: assistência médica remota, avaliação das
atividades executadas pelos pacientes, etc.
• Pretende-se desenvolver um embarcado com o modulo sensor, que
realizará a captura e o envio via Bluetooth para o aparelho celular que
enviaria para o servidor remoto.
Conclusões e Trabalhos Futuros
16. Utilização da Análise Sliding Window para Identificação
Offline de Padrões de Movimentos Humanos através dos
Sinais Gerados por um Acelerômetro Triaxial
Monitoramento Inteligente e Pervasivo da Saúde Humana
Titulo do Projeto
Titulo do Plano
Bolsista
Bruno Adônis de Sá
adonis@eng.ci.ufpb.br
Orientador
Prof. Clauirton de Albuquerque Siebra
clauirton@ci.ufpb.br