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"

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

11. • Processamento Offline do Sinal
Método

12. • Processamento Offline do Sinal
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