- O documento descreve um estudo para classificar movimentos humanos usando dados de um acelerômetro triaxial e uma rede neural artificial - Foram capturados dados de movimentos de 5 voluntários usando um celular e cinto, e extraídas 9 características incluindo médias, desvios e frequências principais de cada eixo - Uma RNA foi treinada usando validação cruzada repetida e obteve uma precisão média de 84,1% na classificação de 6 movimentos

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. •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. •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. •Foirealizadoumestudointrodutóriosobresistemasparamonitoramentoremoto
•ImplementaçãodeumaaplicaçãoparaplataformaAndroid
•Osseismovimentos:sentar,levantar,deitar,levantardodeitar,andar, correr
•Criaçãodobenchmarkcomajudade5voluntários
•Implementaçãodaredeneuralartificial
•ValidaçãodaRNAutilizandoométododevalidaçãocruzada.
Método

5. Método
•Captura dos dados

6. •Captura dos dados
Aparelho celular e cinto utilizado na captura dos dados.
Método

7. •Captura dos dados
Aplicativo desenvolvido para plataforma Android e utilizado na captura e armazenamento dos dados advindos do acelerômetro.
Método

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. •EspecificaçãodaRedeNeuralArtificial
ArquiteturadaRNAeodetalhamentodoneurôniocomsuafunçãodeativação
funçãodeativaçãoutilizadafoiaSigmoide:
g(z)=1/(1+exp(-z)),ondez=푥1*푝1+...+푥푛*푝푛
Método

10. •Treinamentoevalidaçãodosdados
Ométodoutilizadofoiavalidaçãocruzada(CrossValidation),ondefoiexploradoavariantedestemétodo,validaçãocruzadak-foldrepetida(RepeatedK-FoldCrossValidation).
3vezes6-foldvalidaçãocruzada.
Método

11. •Resultadosobtidosnaclassificaçãode6movimentos,realizadospor5voluntáriosutilizandoométodo3-Repeated6-FoldCrossValidation.
Exemplo,primeirarodada(k=1)daprimeirarepetiçãoobteveumaprecisãode75%eamédiadaprimeirarodadafoide85,5%.
Aofinalde18avaliações,amédiaficouem84,1%
Resultados

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. •Publicaçãodeartigo
B.AdeSá,C.A.Siebra(2014).ExtraçãodeCaracterísticasdasCurvasdeumAcelerômetroTriaxialparaClassificaçãodeMovimentos,Anaisdo14 CongressoBrasileirodeInformáticaemSaúde,Santos–SP,Brasil.
Resultados

14. •OsresultadosmostramqueousodaRNAcomascaracterísticasselecionadaséapropriadoparaclassificaçãodosmovimentoshumanosestudados.
•ApróximaetapadoprojetoéembarcaraRNAnocelular.
•Aidéiaéutilizaracelerômetroscomerciaisemformadepulseiras,osquaispodemseradaptadosacintos.
•OssinaisdoacelerômetropoderiamsertransmitidosviaBluetootheprocessadosnocelular,ficandoosresultadosdisponíveisparaoutrasaplicações.
Conclusões

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