Detalhes bibliográficos
| Ano de defesa: |
2022 |
| Autor(a) principal: |
Fröhlich, William da Rosa |
| Orientador(a): |
Rigo, Sandro José |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade do Vale do Rio dos Sinos
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação em Computação Aplicada
|
| Departamento: |
Escola Politécnica
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Palavras-chave em Inglês: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
http://www.repositorio.jesuita.org.br/handle/UNISINOS/11778
|
Resumo: |
Sensores vestíveis (wearable sensors) vêm sendo utilizados para obtenção confiável de sinais fisiológicos, com o intuito de apoiar o diagnóstico de doenças. Os wearable sensors podem medir sinais diversos, tais como eletrocardiograma, variação da frequência cardíaca, eletroencefalograma, eletromiograma ou resposta galvânica da pele. Todos esses sinais possuem suas próprias características em estado normal e mudam quando associadas a alguma doença, ou sob efeito de estresse. Abordagens de Aprendizado de Máquina (Machine Learning) ou Modelos de Aprendizagem Profunda são opções para o uso destes sinais na detecção e predição de padrões, atuando como apoio no diagnóstico. O estado da arte nesta área indica uma tendência no uso de wearable sensors para monitoramento contínuo de pacientes, seja em ambiente hospitalar ou doméstico, por ser uma opção portátil e não invasiva. Estudos apontam o baixo custo dos sensores vestíveis como uma vantagem, quando comparados com equipamentos médicos hospitalares tradicionais. Outros estudos destacam a possibilidade de apoio na detecção automática de doenças, em especial doenças crônicas, utilizando inteligência artificial em sinais fisiológicos. Com base na revisão realizada, é possível concluir que há oportunidades de desenvolvimento ainda não exploradas, pois não foram encontrados trabalhos que contemplem ao mesmo tempo os aspectos de menor custo, maior flexibilidade e uso amplo de recursos de Aprendizado de Máquina para detecção automática. Neste contexto, o principal objetivo desse trabalho é o desenvolvimento de uma arquitetura para aquisição de multisinais com wearable sensors, monitoramento contínuo e detecção de estresse. A arquitetura é composta por sensores vestíveis, para aquisição do sinal, e computadores de placa única, para processamento dos dados e comunicação de resultados para outras plataformas. Os diferenciais desta arquitetura consistem na integração de recursos para aquisição multisinais para monitoramento contínuo de pacientes com um baixo custo de implementação, flexibilidade e facilidade de uso. Um protótipo foi desenvolvido de forma modular e cada módulo da arquitetura foi testado individualmente, para garantir a independência dos componentes, avaliando criteriosamente a estabilidade e a plausibilidade dos dados. Além dos experimentos de testes, também foram realizados dois experimentos práticos de indução de estresse. O primeiro para composição de um dataset proprietário da pesquisa para geração de um modelo de Aprendizado de Máquina. O segundo para avaliação completa da arquitetura, com foco na detecção em tempo real. Os resultados de treinamento e classificação do modelo de Machine Learning apresentaram bons resultados, com acurácia acima de 98,72% para classificação binária e 92,72% para classificação com três classes. Ao analisarmos a classificação em tempo real, ocorreu uma queda para 52,33% de acurácia com todos novos participantes e participantes que estiveram no primeiro experimento e 69,00% para apenas os participantes que estiveram na primeira rodada de experimentos. A arquitetura apresentou ótima estabilidade de comunicação e funcionamento, realizando aquisições curtas e longas de forma eficiente, sem perdas de dados nem travamentos. Os dados do dataset também apresentaram bons resultados, com valores plausíveis e justificáveis dentro do contexto do experimento realizado. Os resultados de predição obtidos ao testar o modelo com os participantes que estiveram no treinamento, os resultados foram bastante elevados. Porém apresentaram queda significativa ao tentar classificar participantes novos, como nos experimentos em tempo real. |
