Método não invasivo utilizando acelerômetro para classificar movimentos normais e anormais de humanos

• Ano de defesa: 2011
• Autor(a) principal: Giacomossi, Luiz Carlos
• Orientador(a): Pichorim, Sérgio Francisco
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Curitiba
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
• Palavras-chave em Português: Mecânica humana - Classificação; Redes neurais (Computação); Detectores; Engenharia elétrica; Human mechanics - Classification; Neural networks (Computer science); Detectors; Electric engineering
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/913

O objetivo desta pesquisa é a captura, detecção e classificação de movimentos humanos anormais (tremores, vibrações, espasmos e contrações musculares) e movimentos normais do cotidiano. Um dispositivo não invasivo, desenvolvido pelos alunos de iniciação científica do CPGEI-UTFPR, baseado no componente integrado eletrônico acelerômetro, foi colocado no pulso de voluntários para a captura dos movimentos objetos de estudo. Todos os experimentos foram realizados no laboratório Biota da UTFPR. Os movimentos andando, correndo, aceno de tchau, batendo palmas e tremores foram capturados de 5 voluntários adultos. Um pré-processamento off-line é efetuado por um programa desenvolvido na linguagem Matlab 6.5, o qual extrai as principais características que devem refletir a amplitude, intensidade e frequência de cada movimento e fornecer um arquivo contendo os padrões supervisionados. Utilizou-se uma rede neural fuzzy do tipo FAN (Free Associative Neuron) e uma rede neural MLP (Multi-Layer Perceptron), para classificar um banco de dados contendo um total de 375 padrões, dos quais 250 padrões (50 de cada movimento) para a fase de treinamento e 125 padrões (25 de cada movimento) para a fase de validação dos dados. Os percentuais de acerto médio obtidos na classificação dos dados capturados de 5 indivíduos foram de 81,6% para a rede neural FAN e 72,6% para a rede MLP. Outro experimento foi realizado para capturar os mesmos movimentos do estudo anterior, provenientes de um único indivíduo. De um total de 2100 padrões, 1500 foram utilizados para treinamento (300 de cada movimento) e 600 padrões (120 de cada movimento) para a validação dos dados. Os percentuais de acerto médio na classificação dos dados foram de 98,2% para a rede neural FAN e 96,7% para a rede neural MLP observando-se uma melhora significativa nos resultados. Um último experimento foi realizado acrescentando ao banco de dados mais alguns movimentos executados por um único indivíduo: penteando, aparafusando, círculos, socos no ar e coçando a perna. Os percentuais de acerto médio obtidos na classificação dos dados foram de 99,3% para a rede neural FAN e 99,1% para a rede neural MLP. Os resultados da classificação dos dados para um total de 10 movimentos e padrões elaborados com 13 características foram obtidos baseando-se em um banco de dados contendo um total de 4200 padrões, dos quais 3000 padrões (300 de cada movimento) para a fase de treinamento e 1200 padrões (120 de cada movimento) para a fase de validação dos dados. Neste experimento houve uma melhora ainda mais significativa na classificação dos dados, tendo em vista o acréscimo de 3 novas características aos padrões de treinamento: valores posturais (offset) extraídos dos sinais referentes aos eixos x, y e z do acelerômetro.