Classificação de dinâmicas de

sistemas utilizando redes neurais

LVQ adaptativas
Renan F. Albuquerque, Arthur P. de S. Braga,
Bismark C. Torrico, Laurinda Lúcia N. dos Reis
Departamento de Engenharia Elétrica, Universidade Federal do Ceará, Fortaleza - Ceará - Brasil
renanfonteles@gmail.com, arthurp@dee.ufc.br, bismark@dee.ufc.br,
laurinda@dee.ufc.br

Resumo
3.2 Pré-processamento dos dados
Os dados de entrada da rede LVQ são as amostras das acelerações nos eixos x, y e z do
A classificação de dinâmicas em sistemas é uma área de pesquisa emergente no campo acelerômetro. Para melhor representar os padrões de atividades a serem classificados, fo-
de análise de sinais e séries temporais. O reconhecimento de padrões em séries temporais ram extraı́das janelas de amostras. Cada janela é formada por um conjunto de amostras em
é um problema de interesse em diversas áreas, contendo aplicações interessantes para o uma faixa de tempo discreto. A Figura 1 ilustra a representação de uma janela do sinal de
uso de técnicas de inteligência computacional. Entre as soluções de algoritmos para reco- aceleração. As janelas serão utilizadas como padrões de entradas da rede LVQ. Para isso,
nhecimento de dinâmicas em sistemas, as Redes Neurais Artificiais, por sua capacidade de os dados das janelas são serializados em um único vetor.
generalização, tornam-se interessante para tratar o problema. Este trabalho apresenta uma
variação adaptativa do algoritmo Learning Vector Quantization (LVQ) com o objetivo de ser
aplicado na classificação de dinâmicas em sinais e sistemas. A metodologia de avaliação do
algoritmo proposto consiste de um estudo de caso que trata da classificação de atividades
diárias realizadas por pessoas a partir dos sinais obtidos de um acelerômetro. Os resulta-
dos de acurácia do algoritmo proposto foram obtidos e comparados com outras variações
do LVQ.

1. Introducão

O seguinte trabalho tem como objetivo propor uma variação adaptativa do algoritmo LVQ
para ser aplicado na classificação de dinâmicas de sinais e sistemas. Neste trabalho foi
desenvolvido uma comparação entre o algoritmos LVQ original de Kohonen, LVQ adapta-
tivo (LVQa) e o LVQ proposto (LVQp), utilizando como estudo de caso a aplicação desses Figura 1: a) Extração de janela b) Serialização da janela.
métodos de classificação em um problema de classificação de atividades humanas a partir
de sinais de um acelerômetro.
4. Resultados
2. Algoritmo Proposto (LVQp)
O experimento realizado tem como objetivo verificar a acurácia do algoritmo proposto LVQp
A adaptação realizada pelo LVQp resume-se à inclusão e remoção de protótipos durante o e comparar com os resultados das variações LVQ e LVQa. Foram utilizados 80% dos dados
processo de treinamento. para treinamento e 20% para validação, aplicada em uma base de dados com quantidade
2.1 Proposta de Inclusão de Protótipos de amostras iguais por classe. A Tabela 2 apresenta os resultados de acurácia de validação
A adição de protótipos na rede LVQp (Algoritmo 1) é feita a partir do método Mapa de Koho- para cada variação do algoritmo LVQ, aplicado à base de dados com 1, 5 e 15 pessoas.
nen aplicado em amostras mal classificadas. A quantidade de protótipos que serão adicio- Tabela 2: Desempenho entre variações do LVQ
nados para uma uma classe i é dado por:
Qi = size(Ui) ∗ γ (1) Acurácia (%)
Onde γ representa um fator de crescimento o qual determinará a proporção de protótipos C 1 Pessoa 5 Pessoas 15 Pessoas
que serão adicionados por classe. Os dados Ui são utilizados como vetores de entrada para LVQ LVQa LVQp LVQ LVQa LVQp LVQ LVQa LVQp
o algoritmo Mapa de Kohonen.
Algoritmo 1: Pseudo código para o LVQadd
1 100,00 100,00 100,00 97,37 97,62 98,03 89,47 94,33 95,65
Input: U , Nclasses, γ; 2 88,16 99,34 96,05 78,95 94,08 96,71 78,29 79,61 85,52
for i = 1 to Nclasses do 3 70,39 78,29 79,63 71,71 78,95 76,97 50,00 80,26 83,55
Qi = size(Ui) ∗ γ;
pnew = Cluster(Ui, Qi) // Novos protótipos
4 75,66 71,71 74,05 82,89 73,68 68,42 61,18 66,45 69,84
addN ewP rototypes(pnew ); 5 75,66 78,29 86,55 84,87 80,26 85,72 79,58 82,87 84,21
end 6 48,03 48,03 56,58 17,76 33,55 49,34 40,79 39,47 42,76
7 75,00 80,26 87,63 76,97 79,61 81,02 61,57 69,08 82,89
2.2 Proposta de Remoção de Protótipos A tabela 3 apresenta a matriz de confusão do treinamento da rede LVQp com os sinais dos
A remoção de protótipos da rede (Algoritmo 2) é determinada por uma pontuação (Equação 15 voluntários. Observa-se nas Tabelas 2 e 3 que as classes 4 e 6 são as que apresen-
2). A remoção de um protótipo será feita sempre que esta pontuação for menor que um taram acurácia mais baixas, e na matriz de confusão verifica-se ainda que o classificador
limiar de remoção (ψ). Pontuações baixas indicam que os protótipos erram com frequência confunde estas classes. Tais erros de classificação são justificados pela semelhança entre
ou não contribuem significativamente com a classificação da atividade. as atividades representadas por estas classes (ver Tabela 1).
LV Qp Tabela 3: Matriz de confusão (LVQp) para 15 pessoas
scorej = Aj − Bj (2)
Onde Aj conta quantas vezes um protótipo j classificado corretamente foi movido em direção
a amostra e Bj quantas vezes foi movido para longe da amostra. C 1 2 3 4 5 6 7
Algoritmo 2: Pseudo código para o LVQremove 1 0,9565 0,0238 0 0 0 0 0,0197
Input: NP , ψ 2 0 0,8552 0 0 0 0,1448 0
for j = 1 to NP do
scorej = Aj − Bj ; 3 0 0,0066 0,8355 0,0066 0,0066 0,0263 0,1184
if scorej < ψ then 4 0 0,0197 0,0132 0,6984 0 0,2490 0,0197
removePrototype(i) ; // Remove protótipo i 5 0 0,0395 0,0461 0,0197 0,8421 0 0,0526
end 6 0,0066 0,0132 0,1513 0,2829 0,0658 0,4276 0,0526
end
7 0,0066 0,0132 0,1513 0 0 0 0,8289

3. Metodologia 5. Conclusão

Neste trabalho foi apresentada uma variação do algoritmo LVQ aplicado na classificação de
3.1 Descrição da Base de Dados atividades diárias a partir de sinais de um acelerômetro. Considerando a acurácia, o LVQp
Os dados utilizados foram coletados a partir do repositório UCI Machine Learning Database. apresentou-se superior às outras variações. A inclusão de múltiplos protótipos em regiões
A base de dados representa dados coletados de um acelerômetro acoplado ao tronco de 15 de baixa acertabilidade foi fundamental para o melhoramento da rede, porém é preciso ana-
participantes, praticando 7 atividades distintas (Tabela 1). lisar a proporção ótima para determinar a quantidade de protótipos a serem inclusos. A
Tabela 1: Classes de atividades inclusão de novos protótipos com a presença de padrões semelhantes entre classes pode
resultar em uma degradação da rede. Os resultados obtidos apresentaram que o algoritmo
Classe Descrição proposto (LVQp) é aplicável para classificação de dinâmicas e apresenta em geral melhor
1 Trabalhando no computador desempenho de classificação em comparação às variações LVQ e LVQa.
2 Está em pé, caminhar e subir ou descer escada
3 Está em pé Agradecimentos
4 Caminhando
5 Subindo ou descendo escada Agradecemos o apoio financeiro do projeto CNPq chamada universal 442573/2014-6 e à
6 Caminhando e conversando Coordenação de Aperfeiçoamento de Pessoal de Nı́vel Superior (CAPES) pela bolsa conce-
7 Conversando em pé dida.

DINCON 2017, Conferência Brasileira de Dinâmica, Controle e Aplicações, São José do Rio Preto, Brasil