Publicação

Método para identificação de atividades com acelerómetro e magnetómetro de dispositivos móveis: Uma proposta de análise dos dados recolhidos

Detalhes bibliográficos
Resumo:	INTRODUÇÃO: A deteção de atividades físicas por meio da fusão de dados de acelerómetro e magnetómetro de dispositivos móveis é de grande importância em várias aplicações, como monitorização de saúde, rastreamento de condição física e análise de movimentos. O objetivo deste estudo consiste na fusão de dados relacionados com cinco atividades físicas, tais como subir escadas, descer escadas, andar, estar parado e correr, com recurso aos dados adquiridos com o acelerómetro e magnetómetro em trechos de 5 segundos, para a extração de características dos sinais capturados e identificação das diferentes atividades recorrendo a métodos de inteligência artificial. MÉTODOS: O processo para a análise consiste em várias fases, tais como aquisição de dados, processamento de dados, limpeza dos dados, extração de características, fusão dos dados processados e aplicação de métodos de inteligência artificial, tais como Adaboost, Naive Bayes, Random Forest, Support Vector Machine (SVM), Neural Networks e CN2 Rule Induction. Após o cálculo dos picos dos sinais, a aplicação dos métodos foi feita com base em 15 características de cada sensor, tais como média, desvio padrão, variância, máximo, mínimo e mediana do sinal, cinco maiores distâncias entre os picos mais elevados, e média, desvio padrão, variância e mediana dos picos. Os métodos de inteligência artificial foram aplicados com a framework Orange. Para a validação dos modelos utilizados foi aplicada Stratified 10-fold Cross-validation. RESULTADOS: Os resultados reportados pelos diferentes métodos demonstraram que o método de Neural Networks apresentou uma eficácia de 90.14%, um F1-score de 90.13%, uma precisão de 90.18% e um Recall de 90.14%. Por sua vez, o método Random Forest reportou uma eficácia de 90.40%, um F1-score de 90.40%, uma precisão de 90.44% e um Recall de 90.40%. Seguidamente, o método Naive Bayes apresentou uma eficácia de 80.71%, um F1-score de 80.08%, uma precisão de 80.54% e um Recall de 80.71%. De outro modo, o método CN2 rule inducer apresenta uma eficácia de 82.18%, um F1-score de 82.37%, uma precisão de 82.62% e um Recall de 82.18%. A seguir, o método Adaboost reporta uma eficácia de 86.28%, um F1-score de 86.24%, uma precisão de 86.21% e um Recall de 86.28%. Por fim, o método SVM apresenta uma eficácia de 61.73%, um F1-score de 60.59%, uma precisão de 64.03% e um Recall de 61.73%. DISCUSSÃO: Dos diferentes métodos apresentados, o método que apresenta melhores resultados é o método Random Forest, sendo que o segundo melhor método é o método Adaboost, mas que exige mais capacidade de processamento. Para a melhoria de resultados, a fusão de dados demonstrou-se eficaz com estes 2 sensores, mas deve ser utilizado um conjunto de dados maior para colmatar alguns problemas no reconhecimento devido à variedade de dados. CONCLUSÃO: A fusão de dados do acelerómetro e magnetómetro em dispositivos móveis desempenha um papel fundamental na deteção precisa e versátil de atividades físicas. Essa abordagem melhora a qualidade das informações coletadas, permite análises mais avançadas e fornece uma base sólida para aplicações relacionadas à saúde, bem-estar e monitorização de atividades físicas.
Autores principais:	Pires, Ivan Miguel
Outros Autores:	Coelho, Paulo Jorge; Gonçalves, Norberto Jorge
Assunto:	Resumo
Ano:	2023
País:	Portugal
Tipo de documento:	artigo
Tipo de acesso:	acesso aberto
Instituição associada:	Instituto Politécnico de Santarém
Idioma:	português
Origem:	Revista UIIPS

Descrição
Resumo:	INTRODUÇÃO: A deteção de atividades físicas por meio da fusão de dados de acelerómetro e magnetómetro de dispositivos móveis é de grande importância em várias aplicações, como monitorização de saúde, rastreamento de condição física e análise de movimentos. O objetivo deste estudo consiste na fusão de dados relacionados com cinco atividades físicas, tais como subir escadas, descer escadas, andar, estar parado e correr, com recurso aos dados adquiridos com o acelerómetro e magnetómetro em trechos de 5 segundos, para a extração de características dos sinais capturados e identificação das diferentes atividades recorrendo a métodos de inteligência artificial. MÉTODOS: O processo para a análise consiste em várias fases, tais como aquisição de dados, processamento de dados, limpeza dos dados, extração de características, fusão dos dados processados e aplicação de métodos de inteligência artificial, tais como Adaboost, Naive Bayes, Random Forest, Support Vector Machine (SVM), Neural Networks e CN2 Rule Induction. Após o cálculo dos picos dos sinais, a aplicação dos métodos foi feita com base em 15 características de cada sensor, tais como média, desvio padrão, variância, máximo, mínimo e mediana do sinal, cinco maiores distâncias entre os picos mais elevados, e média, desvio padrão, variância e mediana dos picos. Os métodos de inteligência artificial foram aplicados com a framework Orange. Para a validação dos modelos utilizados foi aplicada Stratified 10-fold Cross-validation. RESULTADOS: Os resultados reportados pelos diferentes métodos demonstraram que o método de Neural Networks apresentou uma eficácia de 90.14%, um F1-score de 90.13%, uma precisão de 90.18% e um Recall de 90.14%. Por sua vez, o método Random Forest reportou uma eficácia de 90.40%, um F1-score de 90.40%, uma precisão de 90.44% e um Recall de 90.40%. Seguidamente, o método Naive Bayes apresentou uma eficácia de 80.71%, um F1-score de 80.08%, uma precisão de 80.54% e um Recall de 80.71%. De outro modo, o método CN2 rule inducer apresenta uma eficácia de 82.18%, um F1-score de 82.37%, uma precisão de 82.62% e um Recall de 82.18%. A seguir, o método Adaboost reporta uma eficácia de 86.28%, um F1-score de 86.24%, uma precisão de 86.21% e um Recall de 86.28%. Por fim, o método SVM apresenta uma eficácia de 61.73%, um F1-score de 60.59%, uma precisão de 64.03% e um Recall de 61.73%. DISCUSSÃO: Dos diferentes métodos apresentados, o método que apresenta melhores resultados é o método Random Forest, sendo que o segundo melhor método é o método Adaboost, mas que exige mais capacidade de processamento. Para a melhoria de resultados, a fusão de dados demonstrou-se eficaz com estes 2 sensores, mas deve ser utilizado um conjunto de dados maior para colmatar alguns problemas no reconhecimento devido à variedade de dados. CONCLUSÃO: A fusão de dados do acelerómetro e magnetómetro em dispositivos móveis desempenha um papel fundamental na deteção precisa e versátil de atividades físicas. Essa abordagem melhora a qualidade das informações coletadas, permite análises mais avançadas e fornece uma base sólida para aplicações relacionadas à saúde, bem-estar e monitorização de atividades físicas.

Atividades financiadas

Não foram encontrados projetos financiados.