Deteção e monitorização de atividade humana através de sensores inerciais e ECG
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10400.21/13931 |
Resumo: | Trabalho final de mestrado para a obtenção do grau de mestre em Engenharia Biomédica |
id |
RCAP_4129fd8a2243f2b232995d4b6c2178d5 |
---|---|
oai_identifier_str |
oai:repositorio.ipl.pt:10400.21/13931 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Deteção e monitorização de atividade humana através de sensores inerciais e ECGAcelerómetroClassificador de aprendizagem supervisionadaEletrocardiogramaAccelerometerSupervised learning classifierElectrocardiogramTrabalho final de mestrado para a obtenção do grau de mestre em Engenharia BiomédicaA monitorização de sinais biológicos é um tema de investigação bastante em foco na comunidade biomédica. Com o avanço da tecnologia, foram desenvolvidas nos últimos anos várias tecnologias wearable por forma a monitorizar sinais fisiológicos, desde smart bands, smartwatches e outras tecnologias como a t-shirt da CardioID para monitorizar o sinal de ECG. Esta tese tem como principal objetivo detetar e monitorizar atividade humana usando sensores inerciais e sinal cardíaco através de algoritmos de classificação supervisionada. Foi construído um contador de passos usando o sinal do acelerómetro (XYZ), onde foi utilizada uma base de dados conhecida a MHEALTH e também dados recolhidos de um smartphone seguindo dois protocolos distintos previamente definidos como forma de validação do algoritmo desenvolvido. Foram também construídos três algoritmos de classificação que foram desenvolvidos recorrendo unicamente à base de dados MHEALTH e com o foco principal na distinção de três atividades físicas: quando o sujeito está parado, a andar e a correr, respectivamente, através da utilização de três classificadores: Support Vector Machines (SVM), K-nearest neighbors (KNN) e modelo de Boosting. Foram estudados de forma independente o sinal de acelerómetro (XYZ), onde foram extraídas características no domínio de tempo e no domínio de frequência, o sinal de eletrocardiograma (ECG), onde foram extraídas características usando a biblioteca neurokit e biospy e por fim, fundidas as características do acelerómetro e sinal cardíaco. Os resultados demonstraram que o sinal de acelerómetro é bastante preciso para calcular o numero de passos com dados recolhidos num smartphone. A nível dos classificadores de atividade física verificou-se, no que toca ao sinal de acelerómetro, que as características mais precisas foram as do domínio de frequência comparativamente com as características do domínio de tempo. No que toca ao sinal de ECG, foi possível apurar que as características estudadas permitem distinguir as atividades propostas. Em relação aos classificadores foi claro que o SVM e o KNN foram os que obtiveram melhores precisões em todos os algoritmos e que o modelo de Boosting foi o que ficou mais aquém da precisão mínima esperada.Monitoring of biological signals is an investigation focus in the biomedical community. With the advance of technology, over the last years several wearable technologies were developed to allow the monitoring physiological signals, from smart bands, smartwatches and other technologies like the t-shirt from CardioID to monitor the ECG signal. This thesis has as its main goal to detect and monitor human activity through the use of inertial sensors and cardiac signal and supervised learning classifiers. As such, four algorithms were built, namely: a step counter using the accelerometer signal (XYZ), in which a data base known as MHEALTH was used, as well as data collected from a smartphone using two distinct protocols previously defined as validation of the developed algorithm. The remaining three algorithms were developed solely through the use of MHEALTH database and with the primary focus being on three physical activities: when the individual is standing still, walking and running, respectively, through the use of three classifiers (by means of sklearn library): Support Vector Machines (SVM), K-nearest neighbors (KNN) and Boosting model. One of the algorithms in the study only made use of the accelerometer signal (XYZ), where features in the domain of time and frequency were extracted. In another algorithm it was solely used the ECG signal, with extracted features taking advantage of the neurokit and biopsy libraries. At last, the last algorithm used the signals from the accelerometer and the cardiac signal, through a fusion of all the previously studied features in the beforementioned algorithms. The results showed that the accelerometer signal shows good precision in calculating the number of steps through the data collected via a smartphone. Regarding the physical activity classifiers, it was seen that, when it comes to the accelerometer, the most precise features were those in the frequency domain, when compared to those in the time domain. As for the ECG signal, it was possible to ascertain that the studied features allow to distinguish the proposed activities. When it comes to the classifiers, it is clear that the Support Vector Machine was the one that allowed for the best overall precision in all studied algorithms, and that it was the Boosting model the underachiever, as far as precision goes.Instituto Superior de Engenharia de LisboaLourenço, AndréRCIPLSantos, Élton Coelho dos2021-10-25T13:48:33Z2021-072021-07-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.21/13931TID:202779580porSANTOS, Élton Coelho dos – Deteção e monitorização de atividade humana através de sensores inerciais e ECG. Lisboa: Instituto Superior de Engenharia de Lisboa, 2021. Dissertação de Mestrado.info: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:RCAAP2023-08-03T10:09:25Zoai:repositorio.ipl.pt:10400.21/13931Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T20:21:49.814663Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Deteção e monitorização de atividade humana através de sensores inerciais e ECG |
title |
Deteção e monitorização de atividade humana através de sensores inerciais e ECG |
spellingShingle |
Deteção e monitorização de atividade humana através de sensores inerciais e ECG Santos, Élton Coelho dos Acelerómetro Classificador de aprendizagem supervisionada Eletrocardiograma Accelerometer Supervised learning classifier Electrocardiogram |
title_short |
Deteção e monitorização de atividade humana através de sensores inerciais e ECG |
title_full |
Deteção e monitorização de atividade humana através de sensores inerciais e ECG |
title_fullStr |
Deteção e monitorização de atividade humana através de sensores inerciais e ECG |
title_full_unstemmed |
Deteção e monitorização de atividade humana através de sensores inerciais e ECG |
title_sort |
Deteção e monitorização de atividade humana através de sensores inerciais e ECG |
author |
Santos, Élton Coelho dos |
author_facet |
Santos, Élton Coelho dos |
author_role |
author |
dc.contributor.none.fl_str_mv |
Lourenço, André RCIPL |
dc.contributor.author.fl_str_mv |
Santos, Élton Coelho dos |
dc.subject.por.fl_str_mv |
Acelerómetro Classificador de aprendizagem supervisionada Eletrocardiograma Accelerometer Supervised learning classifier Electrocardiogram |
topic |
Acelerómetro Classificador de aprendizagem supervisionada Eletrocardiograma Accelerometer Supervised learning classifier Electrocardiogram |
description |
Trabalho final de mestrado para a obtenção do grau de mestre em Engenharia Biomédica |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-10-25T13:48:33Z 2021-07 2021-07-01T00:00:00Z |
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 |
http://hdl.handle.net/10400.21/13931 TID:202779580 |
url |
http://hdl.handle.net/10400.21/13931 |
identifier_str_mv |
TID:202779580 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
SANTOS, Élton Coelho dos – Deteção e monitorização de atividade humana através de sensores inerciais e ECG. Lisboa: Instituto Superior de Engenharia de Lisboa, 2021. Dissertação de Mestrado. |
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.publisher.none.fl_str_mv |
Instituto Superior de Engenharia de Lisboa |
publisher.none.fl_str_mv |
Instituto Superior de Engenharia de Lisboa |
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 |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799133489836064768 |