Capítulo 8 - Monitoramento Remoto de Crianças Com Doença Crônica Usando Colete Vestível

20/05/2020 Capítulo 8 - Monitoramento Remoto de Crianças com Doença Crônica Usando Colete Vestível
Página 1
CAPÍTULO 8
Monitoramento remoto de crianças com

Doença Crônica Usando Colete Vestível
R. JANSI • R. AMUTHA • S. RADHA
Departamento de Engenharia Eletrônica e de Comunicação, SSN College of Engineering, Chennai, Índia
1. INTRODUÇÃO sensores e desenvolvimento de tecnologias sem fio.

Nos últimos anos, o número de crianças que sofrem de Sistemas baseados em sensores vestíveis estão sendo usados
doença crônica está aumentando a uma taxa constante. A com- principalmente em aplicações do mundo real, como reabilitação,
Outras condições que envolvem essa doença incluem obesidade, monitoramento de atividades físicas, monitoramento de atividades esportivas,
epilepsia, doença mental e desenvolvimento neurológico vida assistida etc.
transtornos mentais [1] . Foi mostrado na ref. [2] que crianças Neste artigo, apresentamos o design de um colete inteligente
crianças com epilepsia têm uma alta probabilidade de morrer para monitoramento remoto de crianças com doenças crônicas.
em comparação com crianças sem epilepsia. Obesidade e Usando os dados do sensor dos sensores que estão
as condições de excesso de peso foram estimadas em cerca de embutidos no colete inteligente, as crianças estão sendo
3,4 milhões de mortes em 2010 [3]. Em geral, crônica monitorado permanentemente. A identificação de atividades
doença é uma doença permanente que não pode ser completamente realizado pelas crianças é realizado dentro do Rasp-
curado. No entanto, o monitoramento contínuo é muito importante módulo Pi berry. Este módulo processa o sensor bruto
importante que essas crianças garantam tratamento imediato dados coletados usando um transceptor Zigbee. este
em caso de condições de emergência. Identificação imediata os dados são primeiro segmentados e, em seguida, os recursos são
condições anormais podem facilitar os médicos a extraído e a classificação é realizada. Os valores
dar tratamento eficiente a tempo. Monitoramento de ações sensor do oxímetro de pulso, sensor de temperatura e
desempenha um papel importante porque certas atividades podem a atividade que está sendo classificada é então transmitida ao
levar a anormalidades graves para essas crianças. Isto é nuvem. Estes são então apresentados aos pais / responsáveis
também não é possível que os pais estejam com a criança todos compradores usando um aplicativo móvel inteligente.
A Hora. Portanto, um sistema inteligente para esse monitoramento O restante do artigo está organizado da seguinte forma.
É necessário. Vários monitoramento de ação inteligente Apresentamos alguns trabalhos relacionados presentes na literatura
sistemas estão sendo desenvolvidos recentemente. Alguns deles na Seção 2 . Na Seção 3 , descrevemos nosso sistema, que
incluem baseado em smartphone, sensor vestível, etc. inclui aquisição, transmissão, extração de recursos
ção e classificação. A seção 4 apresenta a experiência
Sistemas inteligentes baseados em telefone de ação de reconhecimento [4,5] uti-
dimensionar os sensores incorporados em smartphones como realizados. A seção 5 mostra a simulação
acelerômetros, giroscópios, sensor de orientação, resulta no aplicativo móvel desenvolvido. Finalmente, a conclusão
GPS, etc. Esses sensores podem ser usados para identificar é mostrada na Seção 6.
as ações realizadas pelos sujeitos. Um sistema foi
projetado para identificar a mudança de estado para doenças bipolares
ordem pacientes [6] . No entanto, a principal desvantagem de tais
2 TRABALHOS RELACIONADOS
sistemas é que o smartphone deve ser transportado pelo Recentemente, muitos sistemas de saúde estão sendo desenvolvidos
assuntos o tempo todo. Embora o nível de viabilidade continuamente para garantir o bem-estar e também para
de tal sistema é alto no caso de adultos, é menor para melhorar o padrão de vida dos indivíduos. Esforços
crianças. Portanto, esse sistema não pode ser usado. Vestível estão sendo levados a projetar sistemas que produzem alta
sistemas baseados em sensores [7e11] envolve sensores que são serviços de saúde de qualidade com custo reduzido. Um sistema para
usado por indivíduos. Esses sistemas são mais populares reconhecer movimentos de crianças que sofrem de
devido à fabricação em larga escala de miniaturizados Distúrbios do espectro do autismo foram propostos [12]. Nisso
Tecnologias de telemedicina. https://doi.org/10.1016/B978-0-12-816948-3.00008-8

Copyright © 2019 Elsevier Inc. Todos os direitos reservados. 121
Página 2
122 Tecnologias de telemedicina
trabalho, acelerômetros foram utilizados para coletar detectar se algum parâmetro excedeu um limite predefinido
dados baseados em movimento do pulso. O recolhido para que ações imediatas possam ser tomadas. Parâmetros
os dados foram transferidos para o computador onde o processo como freqüência cardíaca e temperatura corporal.
foi feito. Vários recursos foram extraídos do Além disso, os autores também desenvolveram um mecanismo seguro
dados coletados que incluíam o quadrado médio da raiz, padrão para garantir conectividade segura. isso foi
desvio, pico e vales. Usando esses recursos, o também capaz de realizar fusão de dados para aumentar a
classificação foi feita para distinguir um estereótipo desempenho do protocolo. Um sistema inteligente de coletes foi
gesto de um gesto normal. Uma pesquisa sobre o contexto projetado e apresentado [18] para a segurança e bem-estar
sistemas de reconhecimento para aplicações em saúde sendo de crianças. Este sistema foi construído usando o Lilypad
https://translate.googleusercontent.com/translate_f 1/12
enviado [13] . O monitoramento contínuo da saúde envolve Plataformas Arduino e Adafruit Flora. Os vários
amostragem e monitoramento contínuos dos dados do sensor. sensores utilizados foram GPS, temperatura e acelerômetro
Isso resulta em necessidade de energia pesada na implementação sensor. Este colete foi usado para coletar informações
esses sistemas. Para resolver esse problema, este artigo fez uma em relação à localização usando o módulo GPS. Se o
pesquisa detalhada sobre várias abordagens de eficiência energética criança se moveu pela área restrita, sinais de alerta
existentes neste domínio. Além disso, os autores seria enviado automaticamente aos professores. o
também propôs uma nova classificação para tais mecanismos os dados coletados foram transferidos para o barramento do sensor e
relacionados aos aplicativos baseados em saúde. depois, aos serviços de ativação da web de sensores que
Um colete de monitoramento de saúde para monitorar os idosos incluiu um serviço de observação de sensores, planejamento de sensores
pessoas foi desenvolvida [14]. O colete projetado foi serviço e serviço de alerta do sensor.
embutido com vários sensores biomédicos para monitoramento Um colete vestível foi desenvolvido para monitorar
parâmetros de torção como eletrocardiograma, galvânico posturas em tempo real [19] . Nesse modelo, os dados
resposta da pele, temperatura e posição do corpo. aquisição foi realizada a partir do sensor acelerômetro
Esses sinais foram então transferidos para o microcontrolador. transferência de dados sem fio foi realizada usando um
usando o protocolo de freqüência de rádio UART. Estes dados foram módulo de dente. A identificação do ângulo de inclinação
processado pelo microcontrolador e enviado para foi realizada usando baixa complexidade baseada em CORDIC
o servidor usando uma conexão 3G / 4G. Finalmente, os dados algoritmo. Este sistema também envolveu a detecção de
foi exibido usando a GUI em um site. Uma pesquisa detalhada posturas anormais e geração de sinais de alerta
em vários monitoramento de saúde baseado em casa inteligente se existirem continuamente por um longo período de
sistemas também foi publicado [15] . Este papel Tempo. Sistema de reconhecimento do ciclo da marcha com sensor vestível
destacou a tecnologia atual, juntamente com os desafios foi proposto [20]. Neste artigo, anormalidade na
desafios e requisitos envolvidos no desenvolvimento o padrão de caminhada foi previsto usando a análise de
de sistemas de monitoramento da saúde. Este artigo deu o centro de força de um humano. Um sistema de mapeamento baseado
uma visão geral de três tipos de sistemas de sensores, sob pressão foi usado para coletar a força e pressão
redes de sensores pessoais, redes de sensores corporais e valores durante o ciclo da marcha. Uma nova segmentação
dispositivos multimídia. A visão completa de Também foi proposta neste artigo uma abordagem que envolvia
ambiente de saúde consciente do contexto também foi apresentado modelagem de segmentos baseada em modelo de regressão. o
nesse papel. Um sistema de monitoramento adaptativo foi a transição entre vários segmentos foi modelada
enviado [16] . Este sistema foi capaz de aprender a usando funções logísticas. Desde funções logísticas foram
comportamento da pessoa monitorada, continuamente usado para modelar as transições, esse sistema pode detectar
monitorar suas atividades diárias. Uma nova abordagem para as transições abruptas e suaves. Uma detalhada
a previsão de comportamento de risco foi construída usando um modelo de Gray.
revisão sobre dispositivos vestíveis e interface multimodal
O modelo markoviano foi utilizado para avaliar seu desempenho para o reconhecimento da ação humana [21]. Esta pa-
mance. Este sistema foi capaz de avaliar com precisão discutimos várias formas de sensores vestíveis que podem
a dependência de uma pessoa, estimar o estado de saúde ser usado. Uma descrição detalhada do smart wearable
e também foi capaz de detectar cenários anormais. camisa também foi apresentada. Os requisitos básicos de
A principal preocupação em aplicações de saúde é sua desenvolvimento de um sistema vestível também foram listados e
implementação. É entediante projetar sistemas que descrito. Inclui estética, tamanho, tolerância à água,
pode ser usado em tempo real. Para resolver esse problema, é inteligente consumo de energia, comunicação sem fio e
sistemas vestíveis estão surgindo rapidamente nos últimos anos. sistema operacional. A arquitetura completa do
Um sistema vestível inteligente para monitorar as doenças crônicas sistema vestível que envolve a fonte de alimentação,
doença de crianças foi apresentada [17]. Este sistema transmissão, sensores inerciais, display de saída e pro-
incluiu um algoritmo inteligente que poderia automaticamente também foram discutidos em detalhes.
Page 3
CAPÍTULO 8 Monitoramento remoto de crianças com doença crônica usando colete vestível 123
Sensores vestíveis foram usados para avaliar o tremor Amplificador de instrumentação acoplado à CA, filtrando usando
atividade nos pacientes com doença de Parkinson [22]. filtro passa baixa / alta, amplificação do estágio de ganho final e
Aqui, acelerômetros foram colocados em diferentes partes do conversão de analógico para digital usando microcontrolador
o corpo do paciente. O modelo Markov oculto foi usado para Conversor A / D. O status atual e os desafios futuros
estimar o tipo de tremor, seu nível de gravidade e a dos sistemas vestíveis inteligentes foram discutidos em detalhes
tipo de postura. Foram consideradas cinco posturas básicas [27] . Este artigo fez uma análise detalhada das avaliações
para classificação, a saber, descanse na cama, descanse em uma cadeira, parâmetros possíveis, a localização do sistema sensor,
levantando-se, levantando-se com as mãos estendidas e rede de sensores e sistema vestível biomédico inteligente.
mãos em movimento. Um colete inteligente foi projetado e apresentado Os parâmetros avaliados discutidos neste documento
para aplicação em reabilitação [23] . Este sistema foi incluiu quando, onde e como esse sistema poderia ser
usado para monitorar várias posturas fisiológicas enquanto usava. Incluiu ainda uma análise descritiva dos
realizando exercícios de reabilitação. Um sensor indutivo várias doenças e deficiências que podem ser monitoradas
foi incorporado no colete projetado. O colete projetado usando este sistema. A análise da localização envolveu a
foi capaz de variar seu valor de impedância com base em várias maneiras pelas quais este sistema pode ser usado por
sua deformação física. O sistema wearable proposto o sujeito. Isso incluiu o tipo de acessório, implantável,
foi projetado de modo que a postura do paciente pudesse portátil, móveis etc. A análise da rede de sensores
ser monitorado continuamente e qualquer postura incorreta incluiu uma rede de área corporal sem fio e
pode ser indicado na forma de feedback. Uma Internet rede de área sonora. O status atual e contínuo
sistema de detecção de quedas baseado em IoT pesquisa no campo de dispositivos biomédicos inteligentes
posta usando o nó do sensor vestível com eficiência energética sistemas também foram incluídos neste documento.
[24]. Um dispositivo minúsculo, flexível e com baixo consumo de energia para queda
Nas últimas décadas, além da comunicação
detecção foi proposta. Diferentes fatores que impactam Além disso, os smartphones estão sendo amplamente utilizados em vários
o consumo de energia de dispositivos sensores vestíveis aplicações de monitoramento de saúde devido à sua acessibilidade
tais como taxa de amostragem, taxa de transmissão, transmissão responsabilidade e natureza onipresente. Uma ação humana
protocolo etc., foram investigados. Uma análise descritiva sistema de ensino utilizando aprendizagem profunda foi desenvolvido por
do consumo de energia desses dispositivos em diferentes utilizando dados de sensores de smartphones [28] . Usando
condições operacionais e várias configurações acelerômetro e sensor de giroscópio de smart-
também apresentado. telefones, velocidade angular tri-axial e aceleração linear
Um monitoramento fisiológico multiparamétrico remoto Os sinais foram coletados primeiro usando uma frequência de amostragem
sistema foi apresentado [25] . Um fisiológico vestível de 50 Hz. Esses sinais foram pré-processados usando
sistema de monitoramento sob a forma de uma camisa lavável filtro mediano e low-pass de manteiga para reduzir o ruído
foi desenvolvido. Este sistema incluía sensores para monitoramento níveis. Em seguida, recursos como média, mediana, correlação,
os parâmetros fisiológicos, a aquisição de dados área de magnitude do sinal, coeficientes de RA etc. foram extraídos
usando uma unidade vestível, hardware para processar o do sinal filtrado. A dimensão do extraído
dados e um sistema de monitoramento remoto. Esses sinais os recursos foram reduzidos usando o PCA. Finalmente, a ação
foram adquiridos a uma taxa de amostragem de 250 amostras / s. o reconhecimento foi realizado usando a Deep Belief Network.
O sinal amostrado foi digitalizado usando uma resolução de Um sistema para monitorar parâmetros de saúde usando
12 bit. Este sinal digitalizado foi então transmitido para smartphones foi proposto [29] . Uma extensa
a estação de monitoramento. Junto com o sinal digitalizado, comparação de vários aplicativos baseados na saúde usando
a localização geológica do usuário também foi transmitida. smartphones e usando dispositivos médicos tradicionais
Esta localização foi obtida usando módulos GPS que foi realizado neste trabalho. Três categorias de
foram conectados com o sistema vestível. Um wearable sensores de telefone, nomeadamente cinemática, câmara e micro-
sistema baseado em camisa para monitoramento de atividades e saúde sensores de telefone e suas aplicações correspondentes
foi apresentado [26] . Dados de ECG e atividade física foram discutidos neste artigo. Azimute, Pitch and Roll
os dados foram adquiridos e transmitidos usando um Ad-hoc ângulos dos sensores cinemáticos foram utilizados para
rede no padrão de comunicação IEEE 802.15.4. computar dados atuimétricos. As aplicações do Cinemático
O ruído do artefato dos eletrodos da tela foi sensores incluíam monitoramento atuimétrico, detecção de quedas
removido usando filtragem adaptativa. A camisa foi desenhada e monitoramento de postura. As câmeras foram utilizadas em
de modo que o nó do sensor vestível estivesse no peito de aplicações como avaliação da pressão arterial, freqüência cardíaca
o sujeito que veste o colete. Os principais passos envolvidos extração e exame oftalmológico. Microfones foram
no processamento de dados foram a aquisição de dados de usado para diagnóstico espirométrico, sintomas relacionados ao nariz
eletrodos, acoplamento diferencial CA, amplificação usando análise de reconhecimento e tosse.
Page 4
Várias técnicas de classificação são continuamente também foi proposto [34] . Neste trabalho, ações humanas
sendo proposto para classificar diferentes atividades realizadas foram tratados para ser composto de inúmeras poses corporais
formado por indivíduos. Uma técnica para reconhecer ações hora extra. Essas poses foram representadas usando recursos humanos
em redes de sensores corporais usando correspondência de strings coordenadas de esqueleto. Aqui, os dados esqueléticos adquiridos
técnica foi desenvolvida [30] . Aqui transcrições de movimento câmeras de profundidade foram utilizadas para representar
são construídos a partir de sinais biomédicos usando movimento ções. O espaço de dissimilaridade na representação esparsa
primitivos. Essas primitivas são rotuladas usando apresentação é utilizada para reconhecer as atividades. UMA
símbolos únicos para formar uma sequência de símbolos chamada técnica para reconhecimento da ação humana usando um
modelo de movimento. Assim, neste trabalho, o reconhecimento de ações dicionário compartilhado indutor de escassez para sequências de vídeo
foi feito usando um algoritmo distribuído baseado em edição foi apresentado [35] . Uma nova métrica de classificação chamada
distância. A principal vantagem desse método foi a O Índice de Seleção de Classes foi introduzido para classificar
redução do número de notas ativas após cada clas- usando a razão do coeficiente de correlação para
decisão de classificação. Uma nova abordagem para reconhecer Distância euclidiana.
andar e andar usando inferências Bayesianas adaptativas Representação esparsa também tem sido usada para
sistema de inovação foi apresentado [31] . Este sistema usa um reconhecimento [36]. Esse sistema envolvia o aprendizado de aulas
método de análise seqüencial baseado em probabilística dicionários específicos para cada classe e também uma projeção
formulação. Este sistema faz uso das decisões matriz. Este sistema pode ser usado para prever faces
feita pelo sistema de inferência por um período de tempo. de dados de teste corrompidos. Aqui, uma matriz de projeção é
Foram considerados três tipos de atividades de caminhada construído entre os dados originais do treinamento e os
ou seja, caminhada nivelada, subida e descida da rampa. dicionários específicos de classe. Então, o método Eigenface
Os dados para esse reconhecimento foram coletados de é usado para extrair recursos do dicionário específico da classe
unidades de medida (IMU) colocadas em três e os dados de teste corrigidos. Finalmente, a classificação
locais, nomeadamente, a coxa, a haste e o pé. A execução é realizada usando esparsas
Este sistema utilizava sinais de velocidade angular gerados classificação. Sistemas esparsos de aprendizado de dicionário
pela IMU. Esses sinais foram coletados em uma amostragem foram utilizados no reconhecimento facial [37]. Aqui, uma discriminação
taxa de 100 Hz. Os sinais coletados foram filtrados usando dicionário nativo foi desenvolvido a partir do treinamento
um filtro Butterworth de segunda ordem e depois foram usados para dados. Aqui, uma nova técnica de aprendizado de dicionário foi
classificação. Uma abordagem fonológica para construção propuseram que usava um processo de aprendizado incorporado esparso
proposta de árvores de decisão espacial para propósitos físicos melhorar a capacidade de classificação dos aprendidos
monitoramento de movimento [32]. Para reduzir o número de dicionários. Essa técnica de aprendizado de dicionário foi
nós para classificação, um modelo de árvore de decisão (DT) projetados de modo que a ortogonalidade da projeção
foi usado. A qualidade do reconhecimento da ação em cada matriz foi preservada. Reconhecimento de pessoas usando
nó foi utilizado como critério durante a construção do projeções esparsas inativas (DSP) também foram propostas
árvore. Atividades semelhantes foram agrupadas usando cluster. [38] . Aqui, a máscara corporal binária foi extraída pela primeira vez usando
O importante conjunto de nós que contribuem para a ação subtração de fundo. A máscara extraída foi então
O reconhecimento foi então identificado através da solução projetado para um espaço de baixa dimensão usando DSP e
problema de clustering simultâneo foi realizado. Finalmente, ortogonal
Representação esparsa está sendo explorada popularmente foi utilizada a técnica de aprendizado métrico
hoje em dia como uma ferramenta poderosa na solução de vários obter a métrica de distância usada para a pessoa
aplicativos baseados em classificação. Suas aplicações identificação.
incluem reconhecimento de ação humana, reconhecimento facial, A principal motivação do nosso trabalho foi desenvolver um
reconhecimento de pessoas etc. Um escasso algoritmo que pode reconhecer com precisão atividades
sistema de reconhecimento da ação humana foi proposto realizada por crianças. Como não é possível
usando o conceito de codificação esparsa de grupo [33]. o monitorar as atividades realizadas pelas crianças todos os
A geometria dos componentes de ação foi explorada usando manualmente, é necessário classificar com precisão
coeficientes esparsos estruturados. Codificação esparsa foi usada suas atividades usando algoritmos de aprendizado de máquina.
para representar o vídeo usando o histograma de coeficientes Além disso, ações que consomem energia, como corrida,
clientes. Portanto, representantes discriminativos de recursos ricos se realizada continuamente por um longo período
foram realizadas ações para reduzir o ruído de quantização resultam em condições de fadiga que podem causar graves conseqüências
do sistema. Além disso, a complexidade computacional especialmente para crianças com doenças crônicas.
deste sistema também era baixo. Um sistema de reconhecimento de ação Embora haja um número de colete wearable inteligente
sistema baseado em pose usando representação esparsa sistemas baseados na literatura, a principal contribuição
Page 5
deste trabalho reside na proposta e implementação de 3 SISTEMA PROPOSTO

um novo algoritmo esparso baseado em representação no O diagrama de blocos completo do sistema proposto é
colete inteligente projetado, que produz uma precisão muito alta mostrado na Fig. 8.1 . A aquisição de dados é feita usando o
de cerca de 97,49%. Exploramos uma nova técnica sensores embutidos no colete projetado usado
em que dicionário compartilhado criado a partir de ações diferentes pela criança. Os sensores incorporados incluem uma aceleração
classes é acoplada a um classificador k-NN para classificação oxímetro de pulso e sensor de temperatura. o
e monitoramento das atividades das crianças. Além de os dados adquiridos são transmitidos continuamente usando o XBee
outros parâmetros fisiológicos, como a saturação de oxigênio, módulo transmissor embutido no vestuário. o
freqüência cardíaca e temperatura corporal dados transmitidos são recebidos pelo receptor XBee que
continuamente adquirido e transferido para a nuvem para está conectado ao módulo Raspberry Pi. Raspberry Pi
monitoramento contínuo das crianças pelos pais / é um computador do tamanho de um cartão de crédito que pode ser programado
cuidadores. usando o software Raspbian. Este módulo foi utilizado
As principais contribuições deste artigo são duas: para classificar atividades usando os dados recebidos. Três
• Um novo design para um colete inteligente vestível baseado em têxtil
As etapas principais são executadas no módulo Raspberry Pi,
monitorar crianças que sofrem de doenças crônicas extração de recursos, geração de dicionário e
foi apresentado. classificação. O rótulo da atividade classificada e os valores
• Propusemos uma nova representação esparsa -
saturação de oxigênio, batimentos cardíacos e temperatura corporal
algoritmo de classificação baseado para classificar diariamente são então transferidos e armazenados na nuvem. Estes
atividades realizadas por crianças. os dados são recuperados da nuvem e exibidos
Extração de recursos
Geração de Dicionário
Classificação
Etiqueta de ação classificada

Nível de Saturação de Oxigênio
Frequência cardíaca
Temperatura corporal
Nuvem
FIG. 8.1 Diagrama de blocos do sistema proposto.
Page 6
para os pais / responsáveis usando um celular personalizado O acelerômetro é um acelerômetro de três eixos baseado em
aplicativo para monitoramento em tempo real. Dispositivo MEMS ADXL335. Este dispositivo foi projetado especialmente
especialmente para aplicações têxteis. Tem três saídas
3.1 Projeto do Sistema leva a saber x, ye z. Cada um deles está conectado a
A arquitetura do colete projetado é mostrada em os pinos a0 , a1 e a2 da placa Lilypad Arduino
Fig. 8.2. Neste projeto, três sensores, a saber, o pulso respectivamente. O sensor de temperatura Lilypad possui MCP9700
oxímetro, acelerômetro e sensor de temperatura termistor que pode ser usado para detectar a temperatura do corpo
foram conectados à placa principal do Arduino Lilypad. ture. O fio de saída deste módulo foi conectado ao
O Arduino Lilypad é baseado no ATmega 168V. Vitória Régia o pino a3 da placa Lilypad Arduino. O pulso
VCC
VCC
SCL
RX 2
11
SDA
TX GND
GND
VCC
S 3
GND
9V
1/ 0/
a5
2 Rx a4
Tx
3
a3
VCC
4 a2
X
- a1 Y 4
Lilypad Arduino a0
Z
+
GND
5 13
6
12
7 11
8 10
9
1 - Lilypad X-bee
2 - Oxímetro de Pulso
3 - Sensor de temperatura Lilypad
4 - Sensor acelerômetro Lilypad
FIG. 8.2 Arquitetura do colete projetado.
Page 7
O sensor de oxímetro usado foi MAX30100. Possui 2 LEDs, uma vez que a quantidade de sangue que flui através dos vasos sangüíneos
óptica otimizada, unidade de processamento de sinal analógico e um varia de acordo com a taxa de sangue bombeado
módulo fotodetector. Este módulo foi usado para medir do coração. Assim, o oxímetro de pulso também pode ser usado para
Verifique o nível de saturação de oxigênio no sangue e nos batimentos cardíacos.
medir a frequência cardíaca sem a necessidade de conectar
Possui dois terminais de saída, SDA e SCL, que quaisquer eletrodos de ECG. A fita adesiva é uma fita de velcro
estavam conectados aos a4 e a5 do Lilypad Arduino necessário para aderir o oxímetro de pulso ao
borda. A transmissão de dados foi realizada usando XBee dedo e também para evitar radiação externa. Faz
transceptor. A placa Lilypad XBee foi usada para não forneça nenhuma interferência à criança. Além disso, a temperatura
o módulo XBee na malha. O transmissor e O sensor de temperatura é costurado no colete de modo que seja
pinos do receptor do Lilypad XBee foram conectados ao sob o tornozelo para sentir a temperatura do corpo. Estes
os pinos do receptor e do transmissor do Lilypad principal sensores permitem o monitoramento em tempo real das crianças.
bordo respectivamente. Esses sensores foram costurados na A unidade de aquisição e transmissão de dados está representada
tecido do colete usando fio condutor. Condutor na Fig. 8.4. O acelerômetro Lilypad é um acelerador de três eixos
O fio é um material fino, forte e macio que é o qual foi usado para monitorar várias atividades
feito de fibra de aço inoxidável. A fonte de alimentação para realizada pela criança. O acelerômetro fornece
toda a configuração foi fornecida usando três lítio os valores de aceleração ao longo de três direções de eixo.
baterias de moedas cada uma de 3 V conectadas em série Os dados do acelerômetro foram coletados para uma
para fornecer uma tensão cumulativa de 9 V. Essas baterias 20 s a uma taxa de amostragem de 20 Hz. Assim o tamanho
foram costuradas no tecido usando a bateria de moedas Lilypad dos dados adquiridos era 400. O conjunto de dados para este sistema
módulo de suporte. O instantâneo do colete projetado é foi coletado de 15 crianças com faixa etária variando
mostrado na Fig. 8.3. de 8 a 12. Solicitou-se a essas crianças que realizassem 6
diferentes tipos de atividades diárias. Essas atividades
3.2 Aquisição e transmissão de dados incluído andar, correr, pular, sentar e ficar de pé. Oxigênio de pulso
O colete projetado é usado pela criança de forma que, o O medidor forneceu os valores do nível de saturação de oxigênio
O acelerômetro está na cintura. O oxímetro de pulso (em%) e frequência cardíaca (em bpm). O intervalo normal de
é usado ao redor do dedo da criança usando um adesivo o oxímetro de pulso é 95e100%. Os valores da frequência cardíaca
alça. A oximetria de pulso é um método indireto que é para condições normais varia de 70 a 100 bpm.
usado para medir o nível de oxigênio no sangue. Nesse sensor, Qualquer desvio deste intervalo normal indica uma
o nível de oxigênio é calculado medindo-se as anormalidade. O sensor de temperatura Lilypad foi usado para
absorvância do comprimento de onda da luz vermelha e infravermelha. este monitorar o nível de temperatura corporal da criança. O AC-
sensor também pode ser usado para medir a freqüência cardíaca os dados solicitados são transmitidos usando o transmissor XBee.
FIG. 8.3 Instantâneo do colete projetado. FIG. 8.4 Unidade de aquisição e transmissão de dados.
Page 8
3.3.1 Recursos no domínio do tempo

• O vetor médio para os três eixos é calculado usando
XN
11
a cc i ¼ a cc i ð t Þ (8.1)
N t ¼1
onde i representa os eixos ( i ¼ x , y , z ) e N é o

tamanho da janela.
• O desvio padrão de cada componente axial é
calculado da seguinte forma
v ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
você
você XN h eu 2
FIG. 8.5 Unidade de recepção e processamento de dados. t 11
si¼ um cc i ð t Þ À uma cc i (8.2)
NÀ1 t ¼1
Os módulos XBee são usados para comunicações sem fio de longo alcance
e são baseados no padrão IEEE 802.15.4. Isto é
• A norma euclidiana do vetor médio é calculada para o
um conjunto de protocolos de comunicação de alto nível usados em
três eixos usando
criando redes de área pessoal com pequenas e de baixa potência
q ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
UMA Á 2 ð a cc z Þ 2
rádios digitais e é projetado para aplicações que ð a cc x Þ 2 þ a cc y
um cc ¼ (8.3)
precisa de uma conexão sem fio. Eles podem aproximadamente
cobrir um alcance de cerca de 1600 m na linha de visão e
cerca de 90 m em regiões internas ou urbanas. A recepção de dados
• A norma euclidiana de desvio padrão é calculada
unidade de processamento e processamento são mostrados na Fig. 8.5 . o
os dados transmitidos são recebidos usando o receptor XBee usando
q ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
módulo anexado ao Raspberry Pi. The Raspberry ksk ¼ ðs x Þ 2 ys y Þ 2 zs z Þ 2 (8.4)
O módulo Pi processa os dados recebidos e identifica
a atividade realizada pela criança usando o método proposto
algoritmo de classificação. A atividade classificada ao longo • A correlação ajuda a identificar a direção
com os valores do nível de saturação de oxigênio,
que produz variação máxima. A correlação
taxa e temperatura corporal são então transferidas para o
entre o eixo xe o eixo y é calculado da seguinte forma
nuvem. h Euh Eu
XN a cc x ð t Þ À a cc x um acc y ð t Þ À uma cc y
11
3.3 Extração de recursos r xy ¼ (8,5)
NÀ1 sx sy
t ¼1
O conjunto de dados recebido foi segmentado com uma janela
tamanho de 40 amostras (2s) com sobreposição de 50%.
Da mesma forma, a correlação é calculada entre os outros
Assim, o número total de dados segmentados coletados
dois pares de eixos.
de cada sujeito foi 19. Como 15 sujeitos foram • A área de magnitude do sinal pode ser calculada como
usado para coleta de dados, o número total de treinamentos
Segue
as amostras foram 285 por classe. Os dados segmentados foram
XN UMA UMA
usado para a extração de recursos que envolvia extração
SMA ¼ um cc x ð t th th um cc y ð t th th um cc z ð t Þ (8,6)
ção de características pertencentes ao tempo e à frequência t ¼1
domínio [39] . Os recursos do domínio do tempo extraídos

foram médios ao longo de cada eixo, desvio padrão ao longo
cada eixo, norma euclidiana do vetor médio, euclidiana
norma de desvio padrão, correlação entre cada 3.3.2 Recursos do domínio de frequência
par de eixo e área de magnitude do sinal. Extrair Uma transformação rápida de Fourier é usada para calcular o valor discreto
O domínio da frequência apresenta a rápida transferência de Fourier Transformada de Fourier e sua inversa. Converte tempo
O formulário foi aplicado aos dados brutos do acelerômetro. sinal de domínio para domínio de frequência e vice-versa.
Dos coeficientes obtidos, a energia e a entropia Seja x n um sinal no domínio do tempo, então seus coeficientes
de cada banda foram computados. Assim, 14 características foram são calculados usando
extraído de cada dado segmentado. Assim, o XÀ1
N
À j 2p
O tamanho da matriz de recursos extraída para cada classe foi Xk¼ xne N kn , k ¼ 0, 1,., N À 1. (8,7)
14 285. n ¼0
Page 9
• A energia espectral do sinal é calculada como bons resultados de classificação. Este algoritmo determina
XÀ1
N os k vizinhos mais próximos dos dados de teste e utiliza um
Xkj2
E¼ (8,8) princípio da votação simples por maioria para identificar a classe
k ¼0
etiqueta dos dados de teste. Este algoritmo utiliza dis- trições euclidianas.
métrica como distância para identificar seu k mais próximo
vizinhos. Considerando dois vetores X ¼ ( x 1 , x 2 ,. X m )
• A entropia espectral do sinal é dada por
e Y ¼ ( y 1 , y 2 ,. y m ), sua distância euclidiana é
fX
¼þ f n calculado como
2
S¼À r n ð f Þlog 2 ½r n ð f Š (8,9) v ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi

você
vocêXm
f ¼À f n t ð x i À y i Þ dois
2 d¼ (8,15)
eu ¼1
Aqui, r n refere-se à densidade espectral de potência normalizada.

É calculado como
RD f Þ 3.6 Algoritmo de classificação proposto
rnðfÞ¼ (8,10) Nesse esquema proposto, um único dicionário compartilhado é
f ¼þ f n
P 2 criado a partir dos recursos de todas as classes usando
RD f Þ
fn
o algoritmo ODL. Em seguida, os recursos pertencentes a
f ¼À
2
cada classe, juntamente com o dicionário compartilhado, é usada para
formar uma matriz de coeficiente esparso pertencente a cada classe.
onde r é a densidade espectral de potência que é A dispersão de coeficientes diferentes de zero na dispersão
calculado como matriz eficiente depende completamente da distribuição
X
rð f Þ ¼ Xkj2
(8,11)
dos recursos de treinamento no dicionário compartilhado. Portanto,
k∈f essas matrizes esparsas de coeficientes atuam como discriminativas
recursos secundários na classificação da atividade de teste. o
vetor de coeficiente esparso de teste para o vetor de recurso de teste
também é calculado usando o dicionário compartilhado. este
3.4 Aprendizagem de Dicionário Online (EAD)
O vetor é então classificado com o algoritmo k-NN usando o
Algoritmo
matrizes esparsas de coeficientes geradas usando treinamento
O ODL é um algoritmo computacionalmente eficiente para
recursos. A criação de um único dicionário compartilhado usando
dicionários de aprendizagem [40]. É uma versão online do
características de todas as classes de ação, em vez de ditados individuais.
o algoritmo k-SVD [41]. Vamos considerar um conjunto finito
para cada classe ajuda a diminuir o armazenamento
dos recursos de treinamento a serem representados por Y y f y i g N
eu ¼1 . requisitos.
Este algoritmo alterna entre duas etapas, a saber A explicação do algoritmo proposto é a seguinte:
codificação esparsa e etapas de atualização do dicionário. Para esparsas
segue. Deixe- Y i ∈ R m Â n representam a matriz característica
codificação, o vetor esparso é calculado usando LARS- compreendendo características da classe i . Aqui, onde m é o
Algoritmo de laço [42,43].
dimensão do vector de característica e n é o número
um t bargmin
11
k y t À D t À1 ak 2
amostras de treinamento em cada classe. Na primeira etapa, o
(8,12)
uma 2þ lkak 1
2 os recursos extraídos de todas as classes de ação são usados
para criar uma única matriz de recursos concatenados ( Y ). No
onde l é o parâmetro de regularização. o segundo passo, o algoritmo de aprendizado de dicionário ODL é
A atualização do dicionário é feita usando utilizado para criar um único dicionário compartilhado ( D s ) a partir de
11
Xt
11
a matriz de recurso concatenada ( Y ) criada a partir da etapa
argmin k y i À D t À1 , a i k 2 (8,13)
t 2 2 þ lka i k 1 1. Na terceira etapa, matrizes esparsas de coeficientes (a i )
D∈C eu ¼1
responder a cada classe é calculado usando o
onde C denota o conjunto convexo de matrizes. o matriz de recurso geral ( Y i ) de cada classe e o compartilhamento
restrição de C é dada como, dicionário ( D s ) criado no Passo 2. No quarto passo,
È É
o vetor do elemento de teste ( teste y ) a ser classificado é usado junto
Cb D ∈ R m Â K s . t .c i ¼ 1,., kd T 11 (8,14)
idi
com o dicionário compartilhado ( D s ) para calcular o teste
vetor de coeficiente esparso (um teste ). Na etapa final, o
o rótulo da classe de teste ( i ) é identificado utilizando o k-NN
3.5 k-Algoritmo de vizinho mais próximo (k-NN)
algoritmo. Aqui, o vetor de coeficiente esparso de teste
k-NN [44] é uma técnica de classificação baseada em instância
(um teste ) criado na Etapa 4 é usado como uma amostra de teste e
que é computacionalmente eficiente e também produz
Page 10
matrizes esparsas de coeficientes específicos de classe (a i ) 100 com um tamanho de passo 10. A precisão geral foi
na Etapa 3 são usadas como amostras de treinamento. determinado usando cada um dos dicionários. A variação
As etapas para o algoritmo de classificação proposto de precisão geral em relação a diferentes dicionários
são como segue. tamanho é mostrado na Fig. 8.6. Da figura 8.6, é claro que
Etapa 1: forme uma matriz de recursos concatenados concatenando a precisão do sistema aumenta à medida que o tamanho da
detalhando os recursos de todas as classes de ação. dicionário aumenta de 10 para 50 e alcança o
maior precisão de 97,49% a K ¼ 50. Isso se deve a
Y ¼ ½ Y 1 j Y 2 J.J. Y C Š∈ R m Â N ou Y ¼ f y i g de N eu ¼1 (8,16)
o fato de que à medida que o tamanho do dicionário aumenta, as
O número de átomos acomoda mais átomos para representar com eficiência
onde N ¼ nC e C se refere ao número total de
enviou todas as classes de ação. Além de um tamanho específico, o
Aulas.
a precisão começa a diminuir. Isto é devido ao excesso
Passo 2: Gerar um único partilhada dicionário D s ∈ R m Â K
problema de agrupamento. Por isso, em nossos experimentos, estabelecemos
com tamanho K < N usando os recursos de todas as classes
K ¼ 50.
( Y ) usando o algoritmo ODL.
Etapa 3: para cada matriz de recurso Y i pertencente à classe i ,
encontre sua matriz de coeficiente esparso correspondente
4.2 Resultados e Discussões
um i ∈ R K Â n sobre partilhada dicionário D s usando Lars-Lasso Para validar e comparar o desempenho do pro-
classificador colocado, também usamos k-NN, DT e
algoritmo.
classificador baseado em representação empregado na Ref. [45]. No
Passo 4: Utilizando o recurso de teste vetor y teste ∈ R m e partilhada
Neste artigo, a classificação é feita com base na norma l 1 À
dicionário D s , encontre o correspondente coeficiente
vetor eficiente a teste ∈ R K Â1 o vetor de coeficiente esparso obtido usando o recurso de teste
usando LARS-Lasso.
vetor e um dicionário concatenado formado por
Etapa 5: usando as matrizes de coeficiente esparso
a i , i ∈ 1, 2,., C como recursos secundários de treinamento, o teste anexando os recursos de todas as classes de ação. Deixei
tp , tn , fp e fn indicam o número de verdadeiros positivos,
vetor de coeficiente esparso, um teste é classificado com base em
verdadeiros negativos, falsos positivos e falsos negativos
técnica de votação majoritária usando o algoritmo k-NN.
induzida pelo classificador. Esses valores são utilizados no
cálculo das avaliações de desempenho mencionadas abaixo
4 EXPERIÊNCIAS métricas de produção.
A precisão geral ( O ) é uma métrica que retrata o
4.1 Configurações de parâmetros
eficácia geral de um classificador.
O valor do parâmetro de regularização l foi definido como 0,1.
O número de iterações no algoritmo ODL para tp þ tn
O¼ (8.17)
o treinamento dos dicionários foi definido como 40. Os vizinhos tp þ tn þ fp þ fn
o tamanho do capô k no algoritmo k-NN foi fixado em 1.

Antes do treinamento, o tamanho do recurso concatenado é Lembre-se ( R ) ou sensibilidade indica a capacidade de um
trix criado a partir de recursos de todas as classes foi 1710. Para sifier para prever as instâncias positivas.
identificar o tamanho apropriado do dicionário, os dicionários tp

R¼ (8,18)
foram treinados com vários valores de K variando de 10 a tp þ fn
100
99
98
97
96
95
94
Precisão geral (em%)
93
92
10 20 30 40. 50. 60 70 80 90 100
Tamanho do dicionário
FIG. 8.6 Variação da precisão geral em relação ao tamanho do dicionário.
Page 11
A precisão ( P ) indica a concordância do real A tabela 8.2 indica a matriz de confusão obtida para
rótulos de classe com os rótulos positivos previstos pelo Algoritmo DT. Na Tabela 8.2 , vemos que os principais
classificador. classificação incorreta ocorre para atividades críticas como executar
tp e pular. Portanto, o algoritmo DT não pode ser utilizado
P¼ (8,19)
tp þ fp para a nossa aplicação. A tabela 8.3 indica a confusão
matriz obtida usando o algoritmo k-NN. De
A especificidade ( S ) indica a capacidade de um classificador para Tabela 8.3 , descobrimos que atividades estacionárias como sentar e
prever as instâncias negativas. posição fica mal classificada entre si. Assim, o
tn
o desempenho geral desse classificador é baixo. Quadro 8.4
S¼ (8,20) mostra a matriz de confusão obtida usando representação esparsa
tn þ fp
algoritmo de ressentimento usado na ref. [45]. Da tabela 8.4,
O escore F ( F ) é a média harmônica de precisão e novamente descobrimos que a principal classificação incorreta é a
recordar. salto de ação. Como ações como salto devem ser monitoradas
com precisão para crianças com doenças crônicas,
PÂR
F¼2 (8,21) O classificador também não pode ser usado com segurança. A tabela 8.5 mostra
PþR
a matriz de confusão obtida usando o método proposto
A precisão geral dos vários classificadores é classificador. Da tabela 8.5, é evidente que a maioria destes
mostrado na tabela 8.1 . Da tabela 8.1, é evidente que erros de classificação são drasticamente reduzidos no pro-
o classificador proposto produz excelente resultado, pois classificador colocado. Portanto, inferimos que a proposta de
é 97,49%, o que é alto comparado a 87,02%, classificador supera outras técnicas.
94,33% e 95,73% produzidos por DT, k-NN, esparsos O desempenho de vários classificadores em termos de
[45] respectivamente. sensibilidade, especificidade, precisão e pontuação F para diferentes
As matrizes de confusão obtidas usando vários classificadores são mostrados nas tabelas 8.6e8.9 . Da tabela 8.6
classificadores DT, k-NN, esparsos [45] e propostos observamos que a sensibilidade do classificador DT é muito baixa
classificador são mostrados nas Tabelas 8.2e8.5, respectivamente. para atividades como pular e correr. Em particular, ele
produz uma sensibilidade de cerca de 77,89% e 73,33% para
correr e pular respectivamente. Crianças que realizam
TABELA 8.1 tipo de atividades de maior consumo de energia para uma
duração prolongada deve ser monitorada com precisão para evitar
Comparação da precisão geral.
situações exaustivas. Portanto, isso torna o classificador DT
Classi fi er Precisão geral (em%) impróprio para a nossa aplicação.
DT 87,02 Da tabela 8.7, descobrimos que a sensibilidade e F-
a pontuação da atividade de sentar é inferior a 90%. Além do que, além do mais,
k-NN 94,33
a precisão do suporte também é inferior a 90%. É isso
Esparsas [45] 95,73
produz precisão de cerca de 88,77%. Assim, o total
Proposta 97,49 o desempenho do classificador k-NN não é bom demais para
ser usado com segurança para nossa aplicação.
TABELA 8.2
Matriz de confusão obtida usando DT.
Atividades Andar Corre Saltar Pulo Sentar Ficar de pé
Andar 278 00 00 4 00 3
Corre 44 222 00 19 00 00
Saltar 4 20 209 16 2 34
Pulo 16 00 00 269 00 00
Sentar 00 00 00 4 239 42.
Ficar de pé 3 11 00 4 6 271
Page 12
TABELA 8.3
Matriz de confusão obtida usando k-NN.
Andar 279 00 00 2 00 4
Corre 3 272 00 10 00 00
Saltar 11 6 270 4 2 2
Pulo 7 00 00 278 00 00
Sentar 3 00 2 00 253 27
Ficar de pé 00 00 00 00 24 261
TABELA 8.4
Matriz de confusão obtida com dispersão [45].
Andar 284 00 00 00 00 11
Corre 11 265 00 19 00 00
Saltar 3 3 257 6 00 16
Pulo 13 00 00 270 00 2
Sentar 00 00 00 00 276 9
Ficar de pé 00 00 00 00 00 285
TABELA 8.5
Matriz de confusão obtida usando o classificador proposto.
Andar 284 11 00 00 00 00
Corre 4 270 00 8 2 11
Saltar 00 00 283 2 00 00
Pulo 13 4 00 268 00 00
Sentar 00 00 00 00 280 5
Ficar de pé 00 00 00 11 2 282
TABELA 8.6
Métricas de desempenho para o DT Classifier.
Atividades Rechamada / Sensibilidade Speci fi city Precisão Escore F
Andar 97,54 95,29 80,57 88,25
Corre 77,89 98,52 91,35 84,09
Saltar 73,33 100,00 100,00 84,61
Pulo 94,38 96,70 85.12 89,51
Sentar 83,85 99,43 96,76 89,84
Ficar de pé 95,08 94,45 77,42 85,35
Page 13
TABELA 8.7
Métricas de desempenho para o classificador k-NN.
Andar 97,89 99,01 95,22 96,53
Corre 95,43 99,57 97,84 96,62
Saltar 94,73 99,85 99,26 96,94
Pulo 97,54 98,87 94,55 96,02
Sentar 88,77 98,17 90,68 89,71
Ficar de pé 91,57 97,68 88,77 90,15
TABELA 8.8
Métricas de desempenho para Sparse [45] .
Andar 98,24 98,94 94,91 96,55
Corre 94,38 99,29 96,41 95,39
Saltar 90,87 99,71 98,47 94,52
Pulo 94,03 98,52 92,73 93,37
Sentar 97,54 98,59 93,28 95,36
Ficar de pé 98,24 99,57 97,90 98,07
TABELA 8.9
Métricas de desempenho para o classificador proposto.
Andar 99,64 98,80 94,35 96,92
Corre 94,73 99,64 98,18 96,42
Saltar 99,29 100,00 100,00 99,64
Pulo 94,03 99,22 96,05 95,03
Sentar 98,24 99,71 98,59 98,41
Ficar de pé 98,94 99,57 97,91 98,42
Da Tabela 8.8, inferimos que o classificador usado em sistema produz excelente especificidade e precisão de
Ref. [45] produz bons resultados para quase todos os 100% para esta atividade. Para a execução da atividade, a precisão é aumentada
Atividades. No entanto, ao comparar com a Tabela 8.9, de 96,41% para 98,18%. Além disso, há um aumento de F-
descobrimos que o sistema proposto produz mais acurácia pontuação em torno de 1,03%. Esses aspectos tornam a proposta de
taxa de resultados. Por exemplo, vamos considerar duas atividades cruciais classificador como nossa escolha para classificação.
é correr e pular. A sensibilidade de classificar As Figs. 8.7e8.10 mostra a comparação gráfica de
aumento de atividade de 90,87% para 99,29% usando classificadores diferentes em termos de recordação, especificidade,
o algoritmo de classificação proposto. Da mesma forma, o escore F e pontuação F respectivamente. Na Fig. 8.7 , pode ser
aumentou de 94,52% para 99,64%. Além disso, a proposta observou claramente que, para o salto da atividade crítica, o
Page 14
100
90
80
70
%)60
50.
40.
Lembre-se (em
30
20
10
00
Andar Corre Saltar Pulo Sentar Ficar de pé
DT k-NN Esparso (Roy et al., 2016) Proposta

FIG. 8.7 Comparação gráfica em termos de recall.
100
99
98
%) 97
(no
96
95
94
Especificidade
93
92
91
FIG. 8.8 Comparação gráfica em termos de especificidade.
o desempenho do classificador proposto é muito alto Embora o classificador DT também produza as mesmas
em comparação com outros classificadores. Em particular, é valor da ação para o salto de ação, seu desempenho é baixo
21,96%, 4,56% e 8,41% maior que o da TD, para outras atividades.
k-NN e esparso [45], respectivamente. A Fig. 8.10 mostra a comparação gráfica de vários
A Fig. 8.8 mostra a comparação de vários classificadores classificadores em termos de F-score. A partir do gráfico, é óbvio
em termos de especificidade. Aqui, descobrimos que por quase visto que o sistema proposto produz excedentes
Em todas as atividades, o desempenho da classificação proposta alto desempenho em termos de pontuação F para todos os
é mais alto que o de outros classificadores. Por exemplo, Atividades.
Ao considerar o salto de ação, a classificação proposta
produz uma precisão de cerca de 99,22%, o que é
2,52%, 0,35% e 0,7% maior que o da TD, k-NN 5 MONITORAMENTO DE CRIANÇAS USANDO APLICATIVO MÓVEL
e esparso [45], respectivamente. EXIBIÇÃO
A Fig. 8.9 mostra a comparação gráfica de vários Os dados transferidos para a nuvem pelo Raspberry Pi
classificadores em termos de precisão. Para o salto de ação, o unidade são recuperadas e exibidas em um
O sistema proposto produz excelente precisão de 100%. Aplicativo MQTT. O protocolo MQTT está sendo amplamente amplamente
Page 15
100
95
90
85
%)
80
75
70
recisão (em
P 65
60
55
50.
FIG. 8.9 Comparação gráfica em termos de precisão.
100
95
%) 90
re (em
85
F-sco
80
75
FIG. 8.10 Comparação gráfica em termos de escore F.
usado na IoT. É um Machine to Machine baseado em mensagens 6. CONCLUSÃO

protocolo. Este protocolo é fácil de usar e pode ser O monitoramento de crianças com doenças crônicas é um fator crucial
facilmente personalizado. Este protocolo é suportado por tarefa. Neste artigo, apresentamos um modelo de design
muitas plataformas na nuvem para transmitir e receber colete vestível que pode ser usado para monitorar essas crianças
dados de dispositivos inteligentes. Este aplicativo pode ser acessado dren em tempo real. Este modelo garante assistência médica oportuna
pelos pais / responsáveis. Assim, o monitoramento em tempo real tratamento dessas crianças em caso de emergência. Param-
das crianças é viável. O painel do éteres como nível de saturação de oxigênio, batimentos cardíacos, corpo
aplicativo móvel é mostrado na Fig. 8.11 . Pode ser observado temperatura e atividade realizada pela criança
que o aplicativo exibe a temperatura em graus Celsius, são constantemente indicados aos pais / responsáveis em
freqüência cardíaca em batimentos / minuto, nível de saturação de oxigênio a forma de um aplicativo móvel. Assim, as crianças podem ser
percentual e também a atividade realizada pelo monitorado a qualquer momento. O colete projetado é adequado
criança. Dessa maneira, os pais / responsáveis podem continuar para uso interno e externo. Alta precisão
monitorar as condições de saúde de seus filhos, O reconhecimento da ação foi alcançado através da exploração de um novo
para que ações imediatas possam ser tomadas em caso de dicionário compartilhado com o classificador k-NN para classificação
emergência.
Page 16
usando um acelerômetro tri-axial, Multimed. Ferramenta. Appl.

77 (23) (2018) 31261e31280.
[9] R. Jansi, R. Amutha, classificação baseada em representação esparsa.
esquema de reconhecimento de atividade humana
smartphones, multimídia. Ferramenta. Appl. (2018) 1e19.
[10] Y. Liu, L. Nie, L. Liu, DS Rosenblum, De ação a ação
atividade: reconhecimento de atividade baseado em sensor, Neurocomputação
181 (2016) 108e115.
[11] AY Yang, R. Jafari, SS Sastry, R. Bajcsy, Distribuído
reconhecimento de ações humanas usando movimento vestível
redes de sensores, J. Ambient Intell. Ambiente inteligente. 1 (2)
(2009) 103e115.
[12] JL Rodrigues, N. Gonçalves, S. Costa, F. Soares, Stereo-
reconhecimento de movimento digitado em crianças com TEA, Sen-
sors Actuat. A Phys. 202 (2013) 162e169.
[13] T. Rault, A. Bouabdallah, Y. Challal, F. Marin, Uma pesquisa de
sistemas de reconhecimento de contexto com eficiência energética, usando
sensores compatíveis para aplicações de assistência médica, Pervasive Mob.
Comput. 37 (2017) 23e44.
[14] HM Adam, PJ Soh, Desenvolvimento de um sistema de saúde.
FIG. 8.11 Painel do aplicativo móvel personalizado.
colete para idosos, em: 2016 IEEE MTT-S Interna-
Conferência Internacional sobre Eletromagnética Numérica e
Modelagem e Otimização Multifísica, NEMO, 2016.
de atividades. Várias métricas de avaliação de desempenho
[15] H. Mshali, T. Lemlouma, M. Moloney, D. Magoni,
sensibilidade, especificidade, precisão e escore F foram Uma pesquisa sobre sistemas de monitoramento de saúde para saúde inteligente
utilizado para avaliar o desempenho da proposta casas, int. J. Ind. Ergon. 66 (2018) 26e56.
classificador. [16] H. Mshali, T. Lemlouma, D. Magoni, Monitor adaptativo
sistema de monitoramento de residências inteligentes em saúde eletrônica, Pervasive Mob.
Comput. 43 (2018) 1e19.
REFERÊNCIAS [17] S. Sendra, L. Parra, J. Lloret, J. Tomás, Sistema inteligente para
[1] JM Perrin, LE Anderson, J. Van Cleave, O aumento da monitoramento de doenças crônicas em crianças, Inf. Fusion 40
condições crônicas entre bebês, crianças e jovens (2018) 76e86.
pode ser atendido com inovações contínuas no sistema de saúde [18] M. Jutila, H. Rivas, P. Karhula, S. Pantsar-Syväniemi,
Health Aff. 33 (12) (2014) 2099e2105. Implementação de um colete sensor vestível para a segurança
[2] CS Camfield, PR Camfield, PJ Veugelers, Morte em crianças. e bem-estar das crianças, Procedia Comput. Sci. 32.
com epilepsia: um estudo de base populacional, Lancet 359 (2014) 888e893.
(9321) (2002) 1891e1895. [19] WY Lin, MY Lee, WC Chou, O design e desenvolvimento
[3] M. Ng, et al., Prevalência global, regional e nacional de de um colete de monitoramento de postura vestível, em:
sobrepeso e obesidade em crianças e adultos durante Artigos Técnicos e IEEE International Conference on
1980e2013: uma análise sistemática para o ônus global Consumer Electronics, 2014.
of Disease Study 2013, Lancet 384 (9945) (2014) [20] S. Mohammed, A. Samé, L. Oukhellou, K. Kong, W. Huo,
766e781. Y. Amirat, reconhecimento de fases do ciclo da marcha usando
[4] Y.-S. Lee, S.-B. Cho, reconhecimento de atividade usando hierárquica sensores, robô. Autonom. Syst. 75 (2016) 50e59.
modelos Markov ocultos em um smartphone com 3D [21] P. Kumari, L. Mathew, P. Syal, Tendência crescente do desgaste
acelerômetro, Hybrid Artif. Intell. Syst. (2011) 460e467. interface multimodal para monitoramento da atividade humana
[5] S. Dernbach, B. Das, NC Krishnan, BL Thomas, Toring: uma revisão, Biosens. Bioelectron. 90 (2017)
DJ Cook, reconhecimento de atividades simples e complexo 298e307.
através de telefones inteligentes, em: 2012 Oitava Internacional [22] G. Rigas, et al., Avaliação da atividade de tremores no
Conferência sobre Ambientes Inteligentes, 2012. doença de kinsons usando um conjunto de sensores vestíveis, IEEE
[6] A. Grünerbl, et al., Reconhecimento por telefone inteligente de Trans. Inf. Technol. Biomed. 16 (3) (2012) 478e487.
estados e alterações de estado em pacientes com transtorno bipolar, [23] E. Sardini, M. Serpelloni, M. Ometto, colete inteligente para
IEEE J. Biomed. Informação em Saúde. 1 (19) (2015) 140e148. monitoramento postural em exercícios de reabilitação, em: 2012
[7] L. Chen, J. Hoey, CD Nugent, DJ Cook, Z. Yu, Sensor- Simpósio de Aplicações de Sensores IEEE, SAS 2012 - Pro-
reconhecimento de atividade baseado em IEEE Trans. Syst. Homem Cybern. ceedings, 2012.
C Appl. Rev. 42 (6) (2012) 790e808. [24] T. Nguyen Gia, et al., Sensor vestível com eficiência energética
[8] R. Jansi, R. Amutha, Um novo mapa caótico baseado em nó para sistemas de detecção de queda baseados em IoT, Microprocess.
esquema de classificação abrangente para reconhecimento da atividade humana Microsyst. 56 (2018) 34e46.
Page 17
[25] PS Pandian et al., Smart Vest: multiparâmetro vestível. [35] R. Jansi, R. Amutha, A. Gokulakrishnan, Um novo quadro
sistema de monitoramento fisiológico remoto, Med. Eng. Phys. trabalhar para o reconhecimento de ações com base no histograma de ori-
30 (4) (2008) 466e477. gradientes entendidos e dicionário compartilhado indutor de escassez,
[26] YD Lee, WY Chung, base de rede de sensores sem fio em: 2017 Conferência Internacional sobre Sem fio
camisa inteligente wearable para atividades e saúde onipresentes Comunicações, processamento de sinais e redes
monitoramento, Sensor Actuat. B Chem. 140 (2) (2009) (WiSPNET), 2017, pp. 493e497.
390e395. [36] F. Cao, X. Feng, J. Zhao, representação esparsa para
[27] M. Chan, D. Estève, J.‑Y. Fourniols, C. Escriba, E. Campo, reconhecimento facial por decomposição de dicionário, J. Vis.
Sistemas portáteis inteligentes: status atual e futuro Comum. Representação de Imagem. 46 (2017) 260e268.
desafios, Artif. Intell. Med. 56 (3) (2012) 137e156. [37] Y. Chen, J. Su, aprendizado de dicionário incorporado esparso sobre
[28] MM Hassan, MZ Uddin, A. Mohamed, A. Almogren, reconhecimento facial, reconhecimento de padrões. 64 (2017) 51 e 59.
Um robusto sistema de reconhecimento de atividades humanas que utiliza [38] H. Yan, projeções esparsas discriminatórias para
sensores de telefone e aprendizado profundo, Future Gener. Comput. reconhecimento de pessoa baseado, Neurocomputing 208 (2016)
Syst. 81 (2018) 307e313. 183e192.
[29] F. Lamonaca, G. Polimeni, K. Barbé, D. Grimaldi, Health. [39] F. Duarte, A. Lourenço, A. Abrantes, Classificação de
monitoramento de parâmetros por smartphone para qualidade de vida atividades físicas usando smartphone: estudo de avaliação
melhoria, Medida 73 (2015) 82e94. usando vários usuários, Procedia Technol. 17 (2014)
[30] H. Ghasemzadeh, V. Loseu, R. Jafari, Ação estrutural 239e247.
reconhecimento em redes de sensores corporais: classificação distribuída [40] J. Mairal, F. Bach, J. Ponce, G. Sapiro, dicionário on-line
cação baseada na correspondência de cadeias, IEEE Trans. Inf. Technol. aprendendo para codificação esparsa, Proc. 26ª Int. Conf. Mach.
Biomed. 14 (2) (2010) 425e435. Aprenda (2009) 1e8.
[31] U. Martinez-Hernandez, AA Dehghani-Sanij, Adaptive. [41] M. Aharon, M. Elad, A. Bruckstein, K-SVD: um algoritmo
Sistema de inferência bayesiana para reconhecimento de atividades de caminhada para projetar dicionários excessivamente completos para
atividades e previsão de eventos da marcha usando representação, IEEE Trans. Processo de sinal. 54 (11)
sensores, Rede Neural. 102 (2018) 107e119. (2006) 4311e4322.
[32] H. Ghasemzadeh, R. Jafari, Movimento físico moni- [42] MR Osborne, B. Presnell, BA Turlach, Uma nova abordagem
usando redes de sensores corporais: uma abordagem fonológica para seleção de variáveis em problemas de mínimos quadrados, IMA J.
abordagem para construir árvores de decisão espacial, IEEE Trans. Numer. Anal. 20 (3) (2000) 389e403.
Ind. Informa 7 (1) (2011) 66e77. [43] B. Efron, et al., Regressão de menor ângulo, Ann. Estado. 32 (2)
[33] F. Moayedi, Z. Azimifar, R. Boostani, Estruturado esparso. (2004) 407e499.
representação para reconhecimento da ação humana, Neurocom- [44] T. Cover, P. Hart, Classificação de padrões de vizinhos mais próximos,
p. 161 (2015) 38e46. IEEE Trans. Inf. Teoria 13 (1) (1967) 21e27.
[34] I. Theodorakopoulos, D. Kastaniotis, G. Economou, [45] D. Roy, M. Srinivas, C. Krishna Mohan, indutor de Sparsity.
S. Fotopoulos, reconhecimento de ação humana baseado em pose dicionários para classificação de ação eficaz, Padrão
via representação esparsa no espaço de dissimilaridade, J. Vis. Reconhecimento 59 (2016) 55e62.
Comum. Representação de Imagem. 25 (1) (2014) 12e23.

Capítulo 8 - Monitoramento Remoto de Crianças Com Doença Crônica Usando Colete Vestível

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Capítulo 8 - Monitoramento Remoto de Crianças Com Doença Crônica Usando Colete Vestível

Enviado por

Direitos autorais:

Formatos disponíveis

20/05/2020 Capítulo 8 - Monitoramento Remoto de Crianças com Doença Crônica Usando Colete Vestível

Monitoramento remoto de crianças com

1. INTRODUÇÃO sensores e desenvolvimento de tecnologias sem fio.

Tecnologias de telemedicina. https://doi.org/10.1016/B978-0-12-816948-3.00008-8

deste trabalho reside na proposta e implementação de 3 SISTEMA PROPOSTO

Etiqueta de ação classificada

FIG. 8.1 Diagrama de blocos do sistema proposto.

3 - Sensor de temperatura Lilypad

4 - Sensor acelerômetro Lilypad

FIG. 8.2 Arquitetura do colete projetado.

3.3.1 Recursos no domínio do tempo

onde i representa os eixos ( i ¼ x , y , z ) e N é o

domínio [39] . Os recursos do domínio do tempo extraídos

S¼À r n ð f Þlog 2 ½r n ð f Š (8,9) v ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi

Aqui, r n refere-se à densidade espectral de potência normalizada.

o tamanho do capô k no algoritmo k-NN foi fixado em 1.

identificar o tamanho apropriado do dicionário, os dicionários tp

Matriz de confusão obtida usando DT.

Atividades Andar Corre Saltar Pulo Sentar Ficar de pé

Sentar 00 00 00 4 239 42.

Matriz de confusão obtida usando k-NN.

Atividades Andar Corre Saltar Pulo Sentar Ficar de pé

Matriz de confusão obtida com dispersão [45].

Atividades Andar Corre Saltar Pulo Sentar Ficar de pé

Matriz de confusão obtida usando o classificador proposto.

Atividades Andar Corre Saltar Pulo Sentar Ficar de pé

Métricas de desempenho para o DT Classifier.

Atividades Rechamada / Sensibilidade Speci fi city Precisão Escore F

Andar 97,54 95,29 80,57 88,25

Corre 77,89 98,52 91,35 84,09

Saltar 73,33 100,00 100,00 84,61

Pulo 94,38 96,70 85.12 89,51

Sentar 83,85 99,43 96,76 89,84

Ficar de pé 95,08 94,45 77,42 85,35

Métricas de desempenho para o classificador k-NN.

Atividades Rechamada / Sensibilidade Speci fi city Precisão Escore F

Andar 97,89 99,01 95,22 96,53

Corre 95,43 99,57 97,84 96,62

Saltar 94,73 99,85 99,26 96,94

Pulo 97,54 98,87 94,55 96,02

Sentar 88,77 98,17 90,68 89,71

Ficar de pé 91,57 97,68 88,77 90,15

Métricas de desempenho para Sparse [45] .

Atividades Rechamada / Sensibilidade Speci fi city Precisão Escore F

Andar 98,24 98,94 94,91 96,55

Corre 94,38 99,29 96,41 95,39

Saltar 90,87 99,71 98,47 94,52

Pulo 94,03 98,52 92,73 93,37

Sentar 97,54 98,59 93,28 95,36

Ficar de pé 98,24 99,57 97,90 98,07

Métricas de desempenho para o classificador proposto.

Atividades Rechamada / Sensibilidade Speci fi city Precisão Escore F

Andar 99,64 98,80 94,35 96,92

Corre 94,73 99,64 98,18 96,42

Saltar 99,29 100,00 100,00 99,64

Pulo 94,03 99,22 96,05 95,03

Sentar 98,24 99,71 98,59 98,41

Ficar de pé 98,94 99,57 97,91 98,42

DT k-NN Esparso (Roy et al., 2016) Proposta

DT k-NN Esparso (Roy et al., 2016) Proposta

FIG. 8.8 Comparação gráfica em termos de especificidade.

DT k-NN Esparso (Roy et al., 2016) Proposta

FIG. 8.9 Comparação gráfica em termos de precisão.