IMUs: validation, gait analysis and system’s implementation

Detalhes bibliográficos
Autor(a) principal: Ribeiro, Nuno Miguel Ferrete
Data de Publicação: 2017
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/48358
Resumo: Dissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Eletrónica Médica)
id RCAP_25603f28f6e92a3a8c6b40911e2f6dae
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/48358
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str
spelling IMUs: validation, gait analysis and system’s implementationFallsGait parametersInertial measurement units (IMUs)Sensory fusion’s algorithmsCalibrationPrincipal Component Analysis (PCA)ASMsDeep learningQuedasParâmetros da marchaUnidades de medição inercial (IMUs)Algoritmos de fusão sensorialCalibraçãoEngenharia e Tecnologia::Engenharia MédicaDissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Eletrónica Médica)Falls are a prevalent problem in actual society. The number of falls has been increasing greatly in the last fifteen years. Some falls result in injuries and the cost associated with their treatment is high. However, this is a complex problem that requires several steps in order to be tackled. Namely, it is crucial to develop strategies that recognize the mode of locomotion, indicating the state of the subject in various situations, namely normal gait, step before fall (pre-fall) and fall situation. Thus, this thesis aims to develop a strategy capable of identifying these situations based on a wearable system that collects information and analyses the human gait. The strategy consists, essentially, in the construction and use of Associative Skill Memories (ASMs) as tools for recognizing the locomotion modes. Consequently, at an early stage, the capabilities of the ASMs for the different modes of locomotion were studied. Then, a classifier was developed based on a set of ASMs. Posteriorly, a neural network classifier based on deep learning was used to classify, in a similar way, the same modes of locomotion. Deep learning is a technique actually widely used in data classification. These classifiers were implemented and compared, providing for a tool with a good accuracy in recognizing the modes of locomotion. In order to implement this strategy, it was previously necessary to carry out extremely important support work. An inertial measurement units’ (IMUs) system was chosen due to its extreme potential to monitor outpatient activities in the home environment. This system, which combines inertial and magnetic sensors and is able to perform the monitoring of gait parameters in real time, was validated and calibrated. Posteriorly, this system was used to collect data from healthy subjects that mimicked Fs. Results have shown that the accuracy of the classifiers was quite acceptable, and the neural networks based classifier presented the best results with 92.71% of accuracy. As future work, it is proposed to apply these strategies in real time in order to avoid the occurrence of falls.As quedas são um problema predominante na sociedade atual. O número de quedas tem aumentado bastante nos últimos quinze anos. Algumas quedas resultam em lesões e o custo associado ao seu tratamento é alto. No entanto, trata-se de um problema complexo que requer várias etapas a serem abordadas. Ou seja, é crucial desenvolver estratégias que reconheçam o modo de locomoção, indicando o estado do sujeito em várias situações, nomeadamente, marcha normal, passo antes da queda (pré-queda) e situação de queda. Assim, esta tese tem como objetivo desenvolver uma estratégia capaz de identificar essas situações com base num sistema wearable que colete informações e analise a marcha humana. A estratégia consiste, essencialmente, na construção e utilização de Associative Skill Memories (ASMs) como ferramenta para reconhecimento dos modos de locomoção. Consequentemente, numa fase inicial, foram estudadas as capacidades das ASMs para os diferentes modos de locomoção. Depois, foi desenvolvido um classificador baseado em ASMs. Posteriormente, um classificador de redes neuronais baseado em deep learning foi utilizado para classificar, de forma semelhante, os mesmos modos de locomoção. Deep learning é uma técnica bastante utilizada em classificação de dados. Estes classificadores foram implementados e comparados, fornecendo a uma ferramenta com uma boa precisão no reconhecimento dos modos de locomoção. Para implementar esta estratégia, era necessário realizar previamente um trabalho de suporte extremamente importante. Um sistema de unidades de medição inercial (IMUs), foi escolhido devido ao seu potencial extremo para monitorizar as atividades ambulatórias no ambiente domiciliar. Este sistema que combina sensores inerciais e magnéticos e é capaz de efetuar a monitorização de parâmetros da marcha em tempo real, foi validado e calibrado. Posteriormente, este Sistema foi usado para adquirir dados da marcha de indivíduos saudáveis que imitiram quedas. Os resultados mostraram que a precisão dos classificadores foi bastante aceitável e o classificador baseado em redes neuronais apresentou os melhores resultados com 92.71% de precisão. Como trabalho futuro, propõe-se a aplicação destas estratégias em tempo real de forma a evitar a ocorrência de quedas.Santos, CristinaUniversidade do MinhoRibeiro, Nuno Miguel Ferrete20172017-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/48358eng201745496info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:00:11ZPortal AgregadorONG
dc.title.none.fl_str_mv IMUs: validation, gait analysis and system’s implementation
title IMUs: validation, gait analysis and system’s implementation
spellingShingle IMUs: validation, gait analysis and system’s implementation
Ribeiro, Nuno Miguel Ferrete
Falls
Gait parameters
Inertial measurement units (IMUs)
Sensory fusion’s algorithms
Calibration
Principal Component Analysis (PCA)
ASMs
Deep learning
Quedas
Parâmetros da marcha
Unidades de medição inercial (IMUs)
Algoritmos de fusão sensorial
Calibração
Engenharia e Tecnologia::Engenharia Médica
title_short IMUs: validation, gait analysis and system’s implementation
title_full IMUs: validation, gait analysis and system’s implementation
title_fullStr IMUs: validation, gait analysis and system’s implementation
title_full_unstemmed IMUs: validation, gait analysis and system’s implementation
title_sort IMUs: validation, gait analysis and system’s implementation
author Ribeiro, Nuno Miguel Ferrete
author_facet Ribeiro, Nuno Miguel Ferrete
author_role author
dc.contributor.none.fl_str_mv Santos, Cristina
Universidade do Minho
dc.contributor.author.fl_str_mv Ribeiro, Nuno Miguel Ferrete
dc.subject.por.fl_str_mv Falls
Gait parameters
Inertial measurement units (IMUs)
Sensory fusion’s algorithms
Calibration
Principal Component Analysis (PCA)
ASMs
Deep learning
Quedas
Parâmetros da marcha
Unidades de medição inercial (IMUs)
Algoritmos de fusão sensorial
Calibração
Engenharia e Tecnologia::Engenharia Médica
topic Falls
Gait parameters
Inertial measurement units (IMUs)
Sensory fusion’s algorithms
Calibration
Principal Component Analysis (PCA)
ASMs
Deep learning
Quedas
Parâmetros da marcha
Unidades de medição inercial (IMUs)
Algoritmos de fusão sensorial
Calibração
Engenharia e Tecnologia::Engenharia Médica
description Dissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Eletrónica Médica)
publishDate 2017
dc.date.none.fl_str_mv 2017
2017-01-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/48358
url https://hdl.handle.net/1822/48358
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 201745496
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1777303660581093376

Registros relacionados