Orientador: Prof. Dr. Michel Oliveira da Silva Dantas / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia Elétrica, 2017. / As atividades realizadas através de movimentações do corpo são fundamentais para manter e promover a saúde humana, permitindo melhorar nossa qualidade de vida. Neste contexto, são cada vez mais desenvolvidos sistemas comerciais para monitorar movimentos humanos. Entretanto, os sistemas existentes, compostos normalmente por análise de imagens capturadas por câmeras de vídeo, plataformas de força, eletromiografia (EMG), etc, necessitam de ambientes especiais para serem aplicados, limitando o resultado e a fidelidade da análise dos movimentos. Desta forma, o objetivo desta pesquisa foi apresentar o estudo de um sistema de classificação de movimentos humanos utilizando sensores inerciais dos tipos acelerômetro e giroscópio de um Smartphone, sendo uma tecnologia atraente, de baixo custo e viável para substituir os métodos tradicionais aplicados neste tipo de análise. Utilizando os sensores inerciais de um Smartphone, e com o auxílio do aplicativo Matlab Mobile, foi possível enviar, através da comunicação Wi Fi, os sinais de aceleração e velocidade angular para uma central de processamento. Os sinais destes sensores foram janelados para extrair características distintas para cada movimento e foram utilizadas nos algoritmos classificadores baseados em inteligência artificial Arvores de Decisão e o KNN (K Nearest Neighbor). Três abordagens foram realizadas com o intuito de verificar a sensibilidade dos sensores inerciais quando submetidos a classificação individualmente e combinando os sinais de aceleração e velocidade angular. O sensor acelerômetro se mostrou com alta eficiência em conjunto com a técnica KNN, obtendo 92,8 % de acertos gerais. Utilizando apenas o giroscópio, novamente o classificador KNN se mostrou superior em comparação ao classificador Árvores de Decisão, com uma taxa de acertos gerais de 80,1 %. Por fim, combinando os sinais dos sensores, os dois classificadores apresentaram um alto desempenho, obtendo 90,7 % para o classificador KNN e 89,7 % utilizando o classificador Árvores de Decisão. Procurou-se analisar e comparar diferentes técnicas e sistemas de classificação de movimentos humanos que podem ser consideradas alternativas à opção realizada neste trabalho. Foram analisados, ainda, outros trabalhos relacionados à classificação de movimentos, buscando comparar as vantagens e desvantagens de cada método. Estas comparações mostram que os resultados obtidos neste trabalho são similares, provando que um único dispositivo permite uma classificação de movimentos humanos com alto desempenho e baixo custo. / The activities carried out through body movements are important to maintain and to promote human health, increasing our life quality. In this context, commercial systems have been developed increasingly for human movement monitoring. However, the existing systems, which are usually composed by analysis of images captured by video cameras, power platforms, electromyography, etc., require special room to be applied, thus limiting the outcome and the fidelity of the motion in analysis. Based on the exposed, the objective of this research was to present the study of a human movement classification system using the accelerometer and gyroscope inertial sensors of a Smartphone. Such alternative aims to be an attractive, low cost and viable technology to replace the traditional methods applied in this type of analysis. By using the inertial sensors of a Galaxy S6 Smartphone coupled with Matlab Mobile application, it was possible to send the signals of acceleration and angular velocity to a processing center through Wi Fi communication. The signals from these sensors were windowed to extract features for each movement, and they were used in the algorithms based on Artificial Intelligence Decision Trees and KNN (K Nearest Neighbor). Three approaches were carried out with the purpose of verifying the sensitivity of the inertial sensors when subjected to individual classification and combining the signs of acceleration and angular velocity. The accelerometer sensor presented high efficiency when coupled with the KNN technique, obtaining 92.8 % of general hit rate. By using only the gyroscope, the KNN was superior in comparison to the Decision Trees, with a general hit rate of 80.1%. Finally, by combining the signals from booth sensors, the two classifiers presented a high performance: 90.7% for the KNN and 89.7% for the Decision Trees. We have analyzed and compared different techniques and systems of classification of human movements that are alternatives to that used in this work. Other works related to the classification of movements were also analyzed, aiming to compare the advantages and disadvantages of each method. These comparisons showed that the results obtained in this work are quite similar, which indicates that is possible to use a single device to obtain a classification of human movements with high performance and low cost.
Identifer | oai:union.ndltd.org:IBICT/oai:BDTD:105906 |
Date | January 2017 |
Creators | Nascimento, Jonathan Reis |
Contributors | Dantas, Michel Oliveira da Silva, Suyama, Ricardo, Galeazzo, Elisabete |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | application/pdf, 118 f. : il. |
Source | reponame:Repositório Institucional da UFABC, instname:Universidade Federal do ABC, instacron:UFABC |
Rights | info:eu-repo/semantics/openAccess |
Relation | http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=105906&midiaext=74191, http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=105906&midiaext=74192, Cover: http://biblioteca.ufabc.edu.brphp/capa.php?obra=105906 |
Page generated in 0.0035 seconds