Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
Gomes, Eduardo Soares |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
http://app.uff.br/riuff/handle/1/30781
|
Resumo: |
No monitoramento de saúde pervasivo, o reconhecimento de atividades é uma informação crítica para o correto gerenciamento de doenças ou potenciais situações de risco para um paciente. Apesar do grande número de estudos nessa área, a contextualização de um parâmetro importante que vem recebendo menos atenção é o reconhecimento de intensidade. No presente trabalho, foi investigado a potencial vantagem de agrupar a atividade com a sua intensidade, nomeada, Atividade-Intensidade, utilizando dados de acelerômetro para melhorar a descrição de atividades cotidianas dos indivíduos. Posteriormente foram testadas duas alternativas para a classificação supervisionada. Na primeira alternativa, a atividade e a intensidade são inferidas em conjunto aplicando um único algoritmo classificador. Para a segunda alternativa a atividade e a intensidade são classificadas separadamente. Em ambos os casos, os algoritmos utilizados para a classificação são: k Nearest Neighbors (KNN), Support Vector Machine (SVM) e Random Forest (RF). A boa acurácia obtida mostrou a viabilidade da classificação da Atividade-Intensidade. A melhor abordagem foi implementando o KNN utilizando um único classificador, que resultou em uma acurácia de 79%. Utilizando dois classificadores o resultado foi de 97% de acurácia para o reconhecimento da atividade (Random Forest), 80\% para o reconhecimento da intensidade (KNN), que resultou em uma acurácia de 78% para o reconhecimento da Atividade-Intensidade. Por fim, foi feita a escolha da melhor alternativa considerando a que oferece o desempenho mais eficiente, incluindo, acurácia, tempo de execução e espaço em memória para execução em um smartphone. Os resultados obtidos possuem potencial para melhorar diversas aplicações no contexto do reconhecimento de movimentos para profissionais de saúde na forma de um sistema de decisão com regras criadas por especialistas, por exemplo, monitoramento de idosos, monitoramento do sono e identificação de movimentos que podem representar algum tipo de risco para determinados pacientes |
