Protótipo para auxílio de identificação do tipo de pisada baseada em sensores piezoelétricos e redes neurais artificiais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
Texto Completo: | http://repositorio.utfpr.edu.br/jspui/handle/1/3990 |
Resumo: | Este trabalho tem como objetivo o desenvolvimento de uma palmilha instrumentada, baseada em sensores piezoelétricos cerâmicos e redes neurais artificiais para identificação do tipo de pisada; e assim auxiliar em análises e diagnósticos de profissionais da saúde. A pressão plantar é resultante do contato da região plantar (inferior do pé) com uma superfície, podendo ser medida por meio de plataformas baropodométricas ou palmilhas instrumentadas. Essa variável é utilizada em estudos de correção postural, análise do movimento, correção do tipo de pisada e identificação de doenças na região plantar. O dispositivo contém uma palmilha instrumentada com 13 sensores dividida em regiões plantares (retropé, mediopé, antepé e hálux), acoplada à uma placa central que realiza o condicionamento e transmissão sem fio dos dados. Como receptor e armazenamento dos dados, foi utilizado um dispositivo móvel (smartphone) via comunicação Bluetooth©. Foram coletados os dados de pressão plantar de 14 pessoas com média de idade de 28,7 ± 8,8 anos, utilizados como entrada em uma rede neural artificial (RNA) MLP (MultiLayerPerceptron) para classificação do tipo de pisada de cada indivíduo. Todos os indivíduos realizaram um procedimento de caminhar 10 vezes um percurso de 10 metros com o dispositivo instalado, totalizando 100 metros. Após a coleta de dados realizada, um profissional da saúde avaliou cada um dos indivíduos para fornecer a saída desejada da RNA em supinada, pronada e neutra. Os dados foram processados e divididos em amostras, as quais foram utilizadas como base de dados da RNA. Como métodos de treinamento da RNA, foram aplicados holdout e validação cruzada. A MLP contendo 21 neurônios na camada escondida, utilizando validação cruzada, obteve 99,63% de acerto para todo o conjunto de dados. Adicionalmente, tem-se os resultados obtidos divididos em acurácia, sensibilidade, especificidade e eficiência (matriz de confusão) por tipo de pisada; apresentando os mínimos e máximos respectivamente: 99,7% e 100% em acurácia (neutra, supinada e pronada), 99,7% e 100% em sensibilidade (neutra e pronada), 99,8% e 100% em especificidade (supinada e pronada), e por último, 99,7% e 100% em eficiência (neutra e pronada). Baseando-se nesses valores é possível afirmar que a RNA possui maior dificuldade de distinguir a pisada supinada da neutra. Com isso, conclui-se que é possível utilizar o protótipo desenvolvido para medição de pressão plantar, assim como a MLP projetada para classificar o tipo de pisada de um indivíduo. |
id |
UTFPR-12_168e4ae03268808c544652a7ce744e93 |
---|---|
oai_identifier_str |
oai:repositorio.utfpr.edu.br:1/3990 |
network_acronym_str |
UTFPR-12 |
network_name_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
repository_id_str |
|
spelling |
2019-04-05T17:25:50Z2019-04-05T17:25:50Z2018-09-21VIEIRA, Mário Elias Marinho. Protótipo para auxílio de identificação do tipo de pisada baseada em sensores piezoelétricos e redes neurais artificiais. 2018. 84 f. Dissertação (Mestrado em Engenharia Eletrônica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2018.http://repositorio.utfpr.edu.br/jspui/handle/1/3990Este trabalho tem como objetivo o desenvolvimento de uma palmilha instrumentada, baseada em sensores piezoelétricos cerâmicos e redes neurais artificiais para identificação do tipo de pisada; e assim auxiliar em análises e diagnósticos de profissionais da saúde. A pressão plantar é resultante do contato da região plantar (inferior do pé) com uma superfície, podendo ser medida por meio de plataformas baropodométricas ou palmilhas instrumentadas. Essa variável é utilizada em estudos de correção postural, análise do movimento, correção do tipo de pisada e identificação de doenças na região plantar. O dispositivo contém uma palmilha instrumentada com 13 sensores dividida em regiões plantares (retropé, mediopé, antepé e hálux), acoplada à uma placa central que realiza o condicionamento e transmissão sem fio dos dados. Como receptor e armazenamento dos dados, foi utilizado um dispositivo móvel (smartphone) via comunicação Bluetooth©. Foram coletados os dados de pressão plantar de 14 pessoas com média de idade de 28,7 ± 8,8 anos, utilizados como entrada em uma rede neural artificial (RNA) MLP (MultiLayerPerceptron) para classificação do tipo de pisada de cada indivíduo. Todos os indivíduos realizaram um procedimento de caminhar 10 vezes um percurso de 10 metros com o dispositivo instalado, totalizando 100 metros. Após a coleta de dados realizada, um profissional da saúde avaliou cada um dos indivíduos para fornecer a saída desejada da RNA em supinada, pronada e neutra. Os dados foram processados e divididos em amostras, as quais foram utilizadas como base de dados da RNA. Como métodos de treinamento da RNA, foram aplicados holdout e validação cruzada. A MLP contendo 21 neurônios na camada escondida, utilizando validação cruzada, obteve 99,63% de acerto para todo o conjunto de dados. Adicionalmente, tem-se os resultados obtidos divididos em acurácia, sensibilidade, especificidade e eficiência (matriz de confusão) por tipo de pisada; apresentando os mínimos e máximos respectivamente: 99,7% e 100% em acurácia (neutra, supinada e pronada), 99,7% e 100% em sensibilidade (neutra e pronada), 99,8% e 100% em especificidade (supinada e pronada), e por último, 99,7% e 100% em eficiência (neutra e pronada). Baseando-se nesses valores é possível afirmar que a RNA possui maior dificuldade de distinguir a pisada supinada da neutra. Com isso, conclui-se que é possível utilizar o protótipo desenvolvido para medição de pressão plantar, assim como a MLP projetada para classificar o tipo de pisada de um indivíduo.The aim of this work is the development of an instrumented insole, based on ceramic piezoelectric sensors and artificial neural networks to identify the type of footprint; and thus assist in the analysis and diagnosis of health specialists.The plantar pressure is the result of the contact of the plantar region (lower foot) with a surface, and can be measured by baropodometric platforms or instrumented insoles. This variable is used in studies of postural correction, movement analysis, correction of the type of footfall and identification of diseases in the plantar region. The device contains an instrumented insole with 13 sensors divided into plantar regions (hindfoot, midfoot, forefoot and hallux), coupled to a central board that performs conditioning and wireless transmission of the data. As a receiver and data storage, a mobile device (smartphone) was used via Bluetooth© communication. Plantar pressure data were collected from 14 people with mean age of 28.7 ± 8.8 years, used as input in an artificial neural network (RNA) MLP (Multi-Layer Perceptron) to classify the type of footprint of each one. All subjects performed a procedure of walking 10 times a course of 10 meters with the device installed, totaling 100 meters. After data collection, a health professional evaluated each individual to provide the desired output of RNA in supinated, pronated and neutral. The data were processed and divided into samples, which were used as RNA database. As methods of RNA training, holdout and cross validation were applied. The MLP containing 21 neurons in the hidden layer, using cross-validation, obtained a 99.63% accuracy for the entire data set. In addition, the obtained results are divided in accuracy, sensitivity, specificity and efficiency (confusion matrix) by type of footprint; showing the lower and higher values respectively: 99.7% e 100% in accuracy (neutral, supinated and pronated), 99.7% and 100% in sensitivity (neutral and pronated), 99.8% and 100% in specificity (supinated and pronated), and finally, 99.7% and 100% in efficiency (supinated and pronated). Based on these values, it can be stated that RNA presented the best performance in the classification of the type of footprint in pronated and there is a greater difficulty to distinguish supinated from neutral. It is concluded that it is possible to use the device developed for plantar pressure measurement, as well as the MLP designed to classify the type of footprint.porUniversidade Tecnológica Federal do ParanáPonta GrossaPrograma de Pós-Graduação em Engenharia ElétricaUTFPRBrasilCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAEngenharia ElétricaEngenharia de protótiposPegadasPés - AnomaliasDetectoresRedes neurais (Computação)Prototypes, EngineeringFootprintsFoot - AbnormalitiesDetectorsNeural networks (Computer science)Protótipo para auxílio de identificação do tipo de pisada baseada em sensores piezoelétricos e redes neurais artificiaisDevice to assist in type of footprint identification based on piezoelectric sensor and artificial neural networkinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisPonta GrossaStevan Junior, Sergio Luizhttp://lattes.cnpq.br/1661935150054196Vargas, Leandro MartinezSiqueira, Hugo ValadaresLeme, Murilo OliveiraStevan Junior, Sergio Luizhttp://lattes.cnpq.br/2233626382921353Vieira, Mário Elias Marinhoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPRORIGINALPG_PPGEE_M_Vieira, Mario Elias Marinho_2018.pdfPG_PPGEE_M_Vieira, Mario Elias Marinho_2018.pdfapplication/pdf2922397http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/3990/1/PG_PPGEE_M_Vieira%2c%20Mario%20Elias%20Marinho_2018.pdffb91f88fa20c7b78afd46f34bffbecdaMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81290http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/3990/2/license.txtb9d82215ab23456fa2d8b49c5df1b95bMD52TEXTPG_PPGEE_M_Vieira, Mario Elias Marinho_2018.pdf.txtPG_PPGEE_M_Vieira, Mario Elias Marinho_2018.pdf.txtExtracted texttext/plain135572http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/3990/3/PG_PPGEE_M_Vieira%2c%20Mario%20Elias%20Marinho_2018.pdf.txt4e88a71642c56b96dcf43664ed30c4f0MD53THUMBNAILPG_PPGEE_M_Vieira, Mario Elias Marinho_2018.pdf.jpgPG_PPGEE_M_Vieira, Mario Elias Marinho_2018.pdf.jpgGenerated Thumbnailimage/jpeg1366http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/3990/4/PG_PPGEE_M_Vieira%2c%20Mario%20Elias%20Marinho_2018.pdf.jpga9037e7bb42142baa6c220bb64a90b1dMD541/39902019-04-06 03:00:47.795oai:repositorio.utfpr.edu.br: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ório de PublicaçõesPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestopendoar:2019-04-06T06:00:47Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false |
dc.title.pt_BR.fl_str_mv |
Protótipo para auxílio de identificação do tipo de pisada baseada em sensores piezoelétricos e redes neurais artificiais |
dc.title.alternative.pt_BR.fl_str_mv |
Device to assist in type of footprint identification based on piezoelectric sensor and artificial neural network |
title |
Protótipo para auxílio de identificação do tipo de pisada baseada em sensores piezoelétricos e redes neurais artificiais |
spellingShingle |
Protótipo para auxílio de identificação do tipo de pisada baseada em sensores piezoelétricos e redes neurais artificiais Vieira, Mário Elias Marinho CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Engenharia de protótipos Pegadas Pés - Anomalias Detectores Redes neurais (Computação) Prototypes, Engineering Footprints Foot - Abnormalities Detectors Neural networks (Computer science) Engenharia Elétrica |
title_short |
Protótipo para auxílio de identificação do tipo de pisada baseada em sensores piezoelétricos e redes neurais artificiais |
title_full |
Protótipo para auxílio de identificação do tipo de pisada baseada em sensores piezoelétricos e redes neurais artificiais |
title_fullStr |
Protótipo para auxílio de identificação do tipo de pisada baseada em sensores piezoelétricos e redes neurais artificiais |
title_full_unstemmed |
Protótipo para auxílio de identificação do tipo de pisada baseada em sensores piezoelétricos e redes neurais artificiais |
title_sort |
Protótipo para auxílio de identificação do tipo de pisada baseada em sensores piezoelétricos e redes neurais artificiais |
author |
Vieira, Mário Elias Marinho |
author_facet |
Vieira, Mário Elias Marinho |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Stevan Junior, Sergio Luiz |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/1661935150054196 |
dc.contributor.referee1.fl_str_mv |
Vargas, Leandro Martinez |
dc.contributor.referee2.fl_str_mv |
Siqueira, Hugo Valadares |
dc.contributor.referee3.fl_str_mv |
Leme, Murilo Oliveira |
dc.contributor.referee4.fl_str_mv |
Stevan Junior, Sergio Luiz |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/2233626382921353 |
dc.contributor.author.fl_str_mv |
Vieira, Mário Elias Marinho |
contributor_str_mv |
Stevan Junior, Sergio Luiz Vargas, Leandro Martinez Siqueira, Hugo Valadares Leme, Murilo Oliveira Stevan Junior, Sergio Luiz |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Engenharia de protótipos Pegadas Pés - Anomalias Detectores Redes neurais (Computação) Prototypes, Engineering Footprints Foot - Abnormalities Detectors Neural networks (Computer science) Engenharia Elétrica |
dc.subject.por.fl_str_mv |
Engenharia de protótipos Pegadas Pés - Anomalias Detectores Redes neurais (Computação) Prototypes, Engineering Footprints Foot - Abnormalities Detectors Neural networks (Computer science) |
dc.subject.capes.pt_BR.fl_str_mv |
Engenharia Elétrica |
description |
Este trabalho tem como objetivo o desenvolvimento de uma palmilha instrumentada, baseada em sensores piezoelétricos cerâmicos e redes neurais artificiais para identificação do tipo de pisada; e assim auxiliar em análises e diagnósticos de profissionais da saúde. A pressão plantar é resultante do contato da região plantar (inferior do pé) com uma superfície, podendo ser medida por meio de plataformas baropodométricas ou palmilhas instrumentadas. Essa variável é utilizada em estudos de correção postural, análise do movimento, correção do tipo de pisada e identificação de doenças na região plantar. O dispositivo contém uma palmilha instrumentada com 13 sensores dividida em regiões plantares (retropé, mediopé, antepé e hálux), acoplada à uma placa central que realiza o condicionamento e transmissão sem fio dos dados. Como receptor e armazenamento dos dados, foi utilizado um dispositivo móvel (smartphone) via comunicação Bluetooth©. Foram coletados os dados de pressão plantar de 14 pessoas com média de idade de 28,7 ± 8,8 anos, utilizados como entrada em uma rede neural artificial (RNA) MLP (MultiLayerPerceptron) para classificação do tipo de pisada de cada indivíduo. Todos os indivíduos realizaram um procedimento de caminhar 10 vezes um percurso de 10 metros com o dispositivo instalado, totalizando 100 metros. Após a coleta de dados realizada, um profissional da saúde avaliou cada um dos indivíduos para fornecer a saída desejada da RNA em supinada, pronada e neutra. Os dados foram processados e divididos em amostras, as quais foram utilizadas como base de dados da RNA. Como métodos de treinamento da RNA, foram aplicados holdout e validação cruzada. A MLP contendo 21 neurônios na camada escondida, utilizando validação cruzada, obteve 99,63% de acerto para todo o conjunto de dados. Adicionalmente, tem-se os resultados obtidos divididos em acurácia, sensibilidade, especificidade e eficiência (matriz de confusão) por tipo de pisada; apresentando os mínimos e máximos respectivamente: 99,7% e 100% em acurácia (neutra, supinada e pronada), 99,7% e 100% em sensibilidade (neutra e pronada), 99,8% e 100% em especificidade (supinada e pronada), e por último, 99,7% e 100% em eficiência (neutra e pronada). Baseando-se nesses valores é possível afirmar que a RNA possui maior dificuldade de distinguir a pisada supinada da neutra. Com isso, conclui-se que é possível utilizar o protótipo desenvolvido para medição de pressão plantar, assim como a MLP projetada para classificar o tipo de pisada de um indivíduo. |
publishDate |
2018 |
dc.date.issued.fl_str_mv |
2018-09-21 |
dc.date.accessioned.fl_str_mv |
2019-04-05T17:25:50Z |
dc.date.available.fl_str_mv |
2019-04-05T17:25:50Z |
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.citation.fl_str_mv |
VIEIRA, Mário Elias Marinho. Protótipo para auxílio de identificação do tipo de pisada baseada em sensores piezoelétricos e redes neurais artificiais. 2018. 84 f. Dissertação (Mestrado em Engenharia Eletrônica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2018. |
dc.identifier.uri.fl_str_mv |
http://repositorio.utfpr.edu.br/jspui/handle/1/3990 |
identifier_str_mv |
VIEIRA, Mário Elias Marinho. Protótipo para auxílio de identificação do tipo de pisada baseada em sensores piezoelétricos e redes neurais artificiais. 2018. 84 f. Dissertação (Mestrado em Engenharia Eletrônica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2018. |
url |
http://repositorio.utfpr.edu.br/jspui/handle/1/3990 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Ponta Grossa |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UTFPR |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Ponta Grossa |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) instname:Universidade Tecnológica Federal do Paraná (UTFPR) instacron:UTFPR |
instname_str |
Universidade Tecnológica Federal do Paraná (UTFPR) |
instacron_str |
UTFPR |
institution |
UTFPR |
reponame_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
collection |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
bitstream.url.fl_str_mv |
http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/3990/1/PG_PPGEE_M_Vieira%2c%20Mario%20Elias%20Marinho_2018.pdf http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/3990/2/license.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/3990/3/PG_PPGEE_M_Vieira%2c%20Mario%20Elias%20Marinho_2018.pdf.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/3990/4/PG_PPGEE_M_Vieira%2c%20Mario%20Elias%20Marinho_2018.pdf.jpg |
bitstream.checksum.fl_str_mv |
fb91f88fa20c7b78afd46f34bffbecda b9d82215ab23456fa2d8b49c5df1b95b 4e88a71642c56b96dcf43664ed30c4f0 a9037e7bb42142baa6c220bb64a90b1d |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1805923082598088704 |