Made available in DSpace on 2016-06-02T20:09:05Z (GMT). No. of bitstreams: 1 DissMC.pdf: 5176018 bytes, checksum: f426ba516c8cecc516100eda5321f84b (MD5) Previous issue date: 2007-02-02 / Universidade Federal de Minas Gerais / This research had for purpose comparatively to verify the accuracy of the techniques of transverse vibration and ultrasound to the values gotten in static testings, for sawed wood used in structures. With the results gotten in the development of the present research it was possible to calibrate the coefficient of modification (kmod, 3) of NBR 7190:1997, besides increasing the relative knowledge to the nondestructive tests in wood. In the experimental methodology studies with parts of structural members of Eucalyptus grandis, Eucalyptus citriodora, Pinus sp and Goupia glabra had been carried through, which had been classified using the techniques of ultrasound and transverse vibration, for the determination of the dynamic modulus of elasticity (Ed). Simultaneously to the tests with ultrasound they had been carried through the visual grading and tests of static bending (MOE). The values of coefficient of determination for the technique of transverse vibration (R² = 0,75, R² = 0,80, R² = 0,93 and R² = 0,89) and for the technique of ultrasound (R2 = 0,65, R2 = 0,76, R2 = 0,66 and R2 = 0,88), gotten respectively for the Eucalyptus grandis, Eucalyptus citriodora, Pinus sp and Goupia glabra are significant, demonstrating that the techniques of ultrasound and transverse vibration are important tools for nondestructive inference of the modulus of elasticity of wood. The technique of transverse vibration presented better resulted in relation to the ultrasound, therefore it presents one better tack enters the physical model of the phenomenon and the corresponding associated mathematical model. In the determination of the values of coefficient of modification kmod, 3, was verified that the technique of transverse vibration presented superior values of coefficient in relation the ultrasound technique, therefore allows a classification next to the values gotten in the static bending. / Este trabalho teve por finalidade verificar a acuracidade das técnicas de ultra-som e vibração transversal comparativamente aos valores obtidos em ensaios estáticos, para madeira serrada empregada em estruturas. Com os resultados obtidos no desenvolvimento deste trabalho foi possível calibrar o coeficiente de modificação (kmod,3) da NBR 7190:1997 - Projeto de Estruturas de Madeira, além de ampliar o conhecimento relativo aos ensaios não-destrutivos em madeira. Na metodologia experimental foram realizados estudos com peças de dimensão estrutural das espécies Eucalyptus grandis, Eucalyptus citriodora, Pinus sp e Goupia glabra, as quais foram classificadas mecanicamente utilizando as técnicas de ultra-som e vibração transversal, para a determinação do módulo de elasticidade dinâmico (Ed). Simultaneamente aos ensaios com ultra-som realizou-se a classificação visual das peças e ensaios de flexão estática (MOE). Os valores de coeficiente de determinação para a técnica de vibração transversal (R²= 0,75, R²= 0,80, R²= 0,93 e R²= 0,89) e para a técnica de ultra-som (R2 = 0,65, R2 = 0,76, R2 = 0,66 e R2 = 0,88), obtidos respectivamente para as espécies Eucalyptus grandis, Eucalyptus citriodora, Pinus sp e Goupia glabra, são significativos, demonstrando que as técnicas de ultra-som e vibração transversal são importantes ferramentas para inferência não-destrutiva do módulo de elasticidade da madeira. A técnica de vibração transversal apresentou melhores resultados em relação ao ultra-som, pois apresenta uma melhor aderência entre o modelo físico do fenômeno e o correspondente modelo matemático associado. Na determinação dos valores de coeficiente de modificação kmod,3, verificou-se que a técnica de vibração transversal apresentou valores superiores de coeficiente em relação a técnica de ultra-som, pois esta permite uma classificação mais próxima dos valores obtidos na flexão estática.

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. / The aim of this research is the capture, detection and classification of abnormal human movements (tremors, vibrations, spasms and muscle contractions) and normal movements of everyday life. A non-invasive device, developed by undergraduate students of UTFPR, based on integrated electronic accelerometer, was placed on the wrist of volunteers to capture the movements. All experiments were performed in the laboratory Biota of CPGEI-UTFPR. The movement of walking, running, waving a goodbye, clapping and shaking, were captured in 5 adult volunteers. A pre-processing was done off-line by a program developed using Matlab 6.5, which extracts key features that should reflect the breadth, intensity and frequency of each movement and provide a file containing the standard supervised. We used a fuzzy neural network-type FAN (Free Associative Neuron) and a neural network MLP (Multi-Layer Perceptron) to classify a database containing a total of 375 patterns, of which 250 patterns (50 of each movement) for the training phase and 125 patterns (25 of each movement) to data validation. The average percentage of correct classification of data obtained from 5 individuals, were captured from 81.6% for the neural network FAN and 72.6% for MLP. Another experiment was conducted to capture the same movements in the previous study from a single individual. From a total of 2100 patterns, 1500 were used for training (300 for each movement) and 600 patterns (120 for each movement) for validation. The average percentage of correct classification of the data were 98.2% for the neural network FAN, 96.7% for MLP neural network, observing a significant improvement in the results. A final experiment was performed adding to the database some more movements performed by a single individual: combing, bolting, circles, punching the air and scratching his leg. The average percentage of correct classification of the data obtained were 99.3% for the neural network FAN and 99.1% for MLP neural network. The results of the classification of data for a total of 10 movements and elaborate patterns with 13 features were obtained based on a database containing a total of 4200 patterns, of which 3000 patterns (300 for each movement) for the training and 1200 patterns (120 for each movement) to data validation. In this experiment there was a further improvement in data classification, considering the addition of three new features to the training patterns, postural values (offset) extracted from the signals related to the axes x, y and z of the accelerometer.

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. / The aim of this research is the capture, detection and classification of abnormal human movements (tremors, vibrations, spasms and muscle contractions) and normal movements of everyday life. A non-invasive device, developed by undergraduate students of UTFPR, based on integrated electronic accelerometer, was placed on the wrist of volunteers to capture the movements. All experiments were performed in the laboratory Biota of CPGEI-UTFPR. The movement of walking, running, waving a goodbye, clapping and shaking, were captured in 5 adult volunteers. A pre-processing was done off-line by a program developed using Matlab 6.5, which extracts key features that should reflect the breadth, intensity and frequency of each movement and provide a file containing the standard supervised. We used a fuzzy neural network-type FAN (Free Associative Neuron) and a neural network MLP (Multi-Layer Perceptron) to classify a database containing a total of 375 patterns, of which 250 patterns (50 of each movement) for the training phase and 125 patterns (25 of each movement) to data validation. The average percentage of correct classification of data obtained from 5 individuals, were captured from 81.6% for the neural network FAN and 72.6% for MLP. Another experiment was conducted to capture the same movements in the previous study from a single individual. From a total of 2100 patterns, 1500 were used for training (300 for each movement) and 600 patterns (120 for each movement) for validation. The average percentage of correct classification of the data were 98.2% for the neural network FAN, 96.7% for MLP neural network, observing a significant improvement in the results. A final experiment was performed adding to the database some more movements performed by a single individual: combing, bolting, circles, punching the air and scratching his leg. The average percentage of correct classification of the data obtained were 99.3% for the neural network FAN and 99.1% for MLP neural network. The results of the classification of data for a total of 10 movements and elaborate patterns with 13 features were obtained based on a database containing a total of 4200 patterns, of which 3000 patterns (300 for each movement) for the training and 1200 patterns (120 for each movement) to data validation. In this experiment there was a further improvement in data classification, considering the addition of three new features to the training patterns, postural values (offset) extracted from the signals related to the axes x, y and z of the accelerometer.