apresentação enic 2014 ufpb

Extração de características das curvas de um acelerômetro triaxial para classificação de movimentos

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@di.ufpb.br

• 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

• 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 celularFrequencia cardíaca,

respiratória

Movimento

Bluetooth, ZigBee, WLAN

Mo

nit

ora

men

to

Rem

oto

“O comportamento diário de umindivíduo é um importanteindicador para se identificar/preverproblemas de saúde”. Centro Nacional

para Prevenção de Doenças Crônicas e Promoção daSaúde, Governo Americano, 2013

• Foi realizado um estudo introdutório sobre sistemas paramonitoramento remoto

• Implementação de uma aplicação para plataforma Android

• Os seis movimentos: sentar, levantar, deitar, levantar do deitar, andar,correr

• Criação do benchmark com ajuda de 5 voluntários

• Implementação da rede neural artificial

• Validação da RNA utilizando o método de validação cruzada.

Método

Método

• Captura dos dados

• Captura dos dados

Aparelho celular e cinto utilizado na captura dos dados.

Método

• Captura dos dados

Aplicativo desenvolvido para plataforma Android e utilizado na captura e armazenamento dos dados advindos do acelerômetro.

Método

• Definição das características para qualificação dos dados

Utilizamos nove características, das quais:

Três características são as médias de cada eixo do acelerômetro, denotadas Mdx, Mdy, Mdz,exemplo:

𝑀𝑑𝑥 = 1 𝑛

𝑖=1

𝑛

𝑥(𝑖)

Outras três características, denotadas por desvioX, desvioY, desvioZ, referem-se ao desviopadrão de cada eixo, exemplo:

𝑑𝑒𝑠𝑣𝑖𝑜𝑋 =1

𝑛 − 1

𝑖=1

𝑛

𝑥 𝑖 − 𝑀𝑑𝑥 2

12

As três ultimas, 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 maioramplitude de cada um dos eixos do acelerômetro.

Método

• Especificação da Rede Neural Artificial

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 +...+𝑥𝑛* 𝑝𝑛

Método

• Treinamento e validação dos dados

O método utilizado foi a validação cruzada (Cross Validation), onde foi exploradoa variante deste método, validação cruzada k-fold repetida (Repeated K-Fold CrossValidation).

3 vezes 6-fold validação cruzada.

Método

• Resultados obtidos na classificação de 6 movimentos, realizados por 5voluntários utilizando o método 3-Repeated 6-Fold Cross Validation.

Exemplo, primeira rodada (k=1) da primeira repetição obteve uma precisão de75% e a média da primeira rodada foi de 85,5%.

Ao final de 18 avaliações, a média ficou em 84,1%

Resultados

• 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)

• Publicação de artigo

B.A de Sá, C. A. Siebra (2014). Extração de Características das Curvas de umAcelerômetro Triaxial para Classificação de Movimentos, Anais do 14Congresso Brasileiro de Informática em Saúde, Santos –SP, Brasil.

Resultados

• Os resultados mostram que o uso da RNA com as característicasselecionadas é apropriado para classificação dos movimentos humanosestudados.

• A próxima etapa do projeto é embarcar a RNA no celular.

• A idéia é utilizar acelerômetros comerciais em forma de pulseiras, osquais podem ser adaptados a cintos.

• Os sinais do acelerômetro poderiam ser transmitidos via Bluetooth eprocessados no celular, ficando os resultados disponíveis para outrasaplicações.

Conclusões

Extração de características das curvas de um acelerômetro triaxial para classificação de movimentos

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@di.ufpb.br