Publicação
Deteção e monitorização de atividade humana através de sensores inerciais e ECG
| Resumo: | A monitorização de sinais biológicos é um tema de investigação bastante em foco na comunidade biomédica. Com o avanço da tecnologia, foram desenvolvidas nos últimos anos várias tecnologias wearable por forma a monitorizar sinais fisiológicos, desde smart bands, smartwatches e outras tecnologias como a t-shirt da CardioID para monitorizar o sinal de ECG. Esta tese tem como principal objetivo detetar e monitorizar atividade humana usando sensores inerciais e sinal cardíaco através de algoritmos de classificação supervisionada. Foi construído um contador de passos usando o sinal do acelerómetro (XYZ), onde foi utilizada uma base de dados conhecida a MHEALTH e também dados recolhidos de um smartphone seguindo dois protocolos distintos previamente definidos como forma de validação do algoritmo desenvolvido. Foram também construídos três algoritmos de classificação que foram desenvolvidos recorrendo unicamente à base de dados MHEALTH e com o foco principal na distinção de três atividades físicas: quando o sujeito está parado, a andar e a correr, respectivamente, através da utilização de três classificadores: Support Vector Machines (SVM), K-nearest neighbors (KNN) e modelo de Boosting. Foram estudados de forma independente o sinal de acelerómetro (XYZ), onde foram extraídas características no domínio de tempo e no domínio de frequência, o sinal de eletrocardiograma (ECG), onde foram extraídas características usando a biblioteca neurokit e biospy e por fim, fundidas as características do acelerómetro e sinal cardíaco. Os resultados demonstraram que o sinal de acelerómetro é bastante preciso para calcular o numero de passos com dados recolhidos num smartphone. A nível dos classificadores de atividade física verificou-se, no que toca ao sinal de acelerómetro, que as características mais precisas foram as do domínio de frequência comparativamente com as características do domínio de tempo. No que toca ao sinal de ECG, foi possível apurar que as características estudadas permitem distinguir as atividades propostas. Em relação aos classificadores foi claro que o SVM e o KNN foram os que obtiveram melhores precisões em todos os algoritmos e que o modelo de Boosting foi o que ficou mais aquém da precisão mínima esperada. |
|---|---|
| Autores principais: | Santos, Élton Coelho dos |
| Assunto: | Acelerómetro Classificador de aprendizagem supervisionada Eletrocardiograma Accelerometer Supervised learning classifier Electrocardiogram |
| Ano: | 2021 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Instituto Politécnico de Lisboa |
| Idioma: | português |
| Origem: | Repositório Científico do Instituto Politécnico de Lisboa |
| Resumo: | A monitorização de sinais biológicos é um tema de investigação bastante em foco na comunidade biomédica. Com o avanço da tecnologia, foram desenvolvidas nos últimos anos várias tecnologias wearable por forma a monitorizar sinais fisiológicos, desde smart bands, smartwatches e outras tecnologias como a t-shirt da CardioID para monitorizar o sinal de ECG. Esta tese tem como principal objetivo detetar e monitorizar atividade humana usando sensores inerciais e sinal cardíaco através de algoritmos de classificação supervisionada. Foi construído um contador de passos usando o sinal do acelerómetro (XYZ), onde foi utilizada uma base de dados conhecida a MHEALTH e também dados recolhidos de um smartphone seguindo dois protocolos distintos previamente definidos como forma de validação do algoritmo desenvolvido. Foram também construídos três algoritmos de classificação que foram desenvolvidos recorrendo unicamente à base de dados MHEALTH e com o foco principal na distinção de três atividades físicas: quando o sujeito está parado, a andar e a correr, respectivamente, através da utilização de três classificadores: Support Vector Machines (SVM), K-nearest neighbors (KNN) e modelo de Boosting. Foram estudados de forma independente o sinal de acelerómetro (XYZ), onde foram extraídas características no domínio de tempo e no domínio de frequência, o sinal de eletrocardiograma (ECG), onde foram extraídas características usando a biblioteca neurokit e biospy e por fim, fundidas as características do acelerómetro e sinal cardíaco. Os resultados demonstraram que o sinal de acelerómetro é bastante preciso para calcular o numero de passos com dados recolhidos num smartphone. A nível dos classificadores de atividade física verificou-se, no que toca ao sinal de acelerómetro, que as características mais precisas foram as do domínio de frequência comparativamente com as características do domínio de tempo. No que toca ao sinal de ECG, foi possível apurar que as características estudadas permitem distinguir as atividades propostas. Em relação aos classificadores foi claro que o SVM e o KNN foram os que obtiveram melhores precisões em todos os algoritmos e que o modelo de Boosting foi o que ficou mais aquém da precisão mínima esperada. |
|---|