Método não invasivo utilizando acelerômetro para classificar movimentos normais e anormais de humanos

O objetivo desta pesquisa é a captura, detecção e classificação de movimentos humanos anormais (tremores, vibrações, espasmos e contrações musculares) e movimentos normais do cotidiano. Um dispositivo não invasivo, desenvolvido pelos alunos de iniciação científica do CPGEI-UTFPR, baseado no componente integrado eletrônico acelerômetro, foi colocado no pulso de voluntários para a captura dos movimentos objetos de estudo. Todos os experimentos foram realizados no laboratório Biota da UTFPR. Os movimentos andando, correndo, aceno de tchau, batendo palmas e tremores foram capturados de 5 voluntários adultos. Um pré-processamento off-line é efetuado por um programa desenvolvido na linguagem Matlab 6.5, o qual extrai as principais características que devem refletir a amplitude, intensidade e frequência de cada movimento e fornecer um arquivo contendo os padrões supervisionados. Utilizou-se uma rede neural fuzzy do tipo FAN (Free Associative Neuron) e uma rede neural MLP (Multi-Layer Perceptron), para classificar um banco de dados contendo um total de 375 padrões, dos quais 250 padrões (50 de cada movimento) para a fase de treinamento e 125 padrões (25 de cada movimento) para a fase de validação dos dados. Os percentuais de acerto médio obtidos na classificação dos dados capturados de 5 indivíduos foram de 81,6% para a rede neural FAN e 72,6% para a rede MLP. Outro experimento foi realizado para capturar os mesmos movimentos do estudo anterior, provenientes de um único indivíduo. De um total de 2100 padrões, 1500 foram utilizados para treinamento (300 de cada movimento) e 600 padrões (120 de cada movimento) para a validação dos dados. Os percentuais de acerto médio na classificação dos dados foram de 98,2% para a rede neural FAN e 96,7% para a rede neural MLP observando-se uma melhora significativa nos resultados. Um último experimento foi realizado acrescentando ao banco de dados mais alguns movimentos executados por um único indivíduo: penteando, aparafusando, círculos, socos no ar e coçando a perna. Os percentuais de acerto médio obtidos na classificação dos dados foram de 99,3% para a rede neural FAN e 99,1% para a rede neural MLP. Os resultados da classificação dos dados para um total de 10 movimentos e padrões elaborados com 13 características foram obtidos baseando-se em um banco de dados contendo um total de 4200 padrões, dos quais 3000 padrões (300 de cada movimento) para a fase de treinamento e 1200 padrões (120 de cada movimento) para a fase de validação dos dados. Neste experimento houve uma melhora ainda mais significativa na classificação dos dados, tendo em vista o acréscimo de 3 novas características aos padrões de treinamento: valores posturais (offset) extraídos dos sinais referentes aos eixos x, y e z do acelerômetro.The aim of this research is the capture, detection and classification of abnormal human movements (tremors, vibrations, spasms and muscle contractions) and normal movements of everyday life. A non-invasive device, developed by undergraduate students of UTFPR, based on integrated electronic accelerometer, was placed on the wrist of volunteers to capture the movements. All experiments were performed in the laboratory Biota of CPGEI-UTFPR. The movement of walking, running, waving a goodbye, clapping and shaking, were captured in 5 adult volunteers. A pre-processing was done off-line by a program developed using Matlab 6.5, which extracts key features that should reflect the breadth, intensity and frequency of each movement and provide a file containing the standard supervised. We used a fuzzy neural network-type FAN (Free Associative Neuron) and a neural network MLP (Multi-Layer Perceptron) to classify a database containing a total of 375 patterns, of which 250 patterns (50 of each movement) for the training phase and 125 patterns (25 of each movement) to data validation. The average percentage of correct classification of data obtained from 5 individuals, were captured from 81.6% for the neural network FAN and 72.6% for MLP. Another experiment was conducted to capture the same movements in the previous study from a single individual. From a total of 2100 patterns, 1500 were used for training (300 for each movement) and 600 patterns (120 for each movement) for validation. The average percentage of correct classification of the data were 98.2% for the neural network FAN, 96.7% for MLP neural network, observing a significant improvement in the results. A final experiment was performed adding to the database some more movements performed by a single individual: combing, bolting, circles, punching the air and scratching his leg. The average percentage of correct classification of the data obtained were 99.3% for the neural network FAN and 99.1% for MLP neural network. The results of the classification of data for a total of 10 movements and elaborate patterns with 13 features were obtained based on a database containing a total of 4200 patterns, of which 3000 patterns (300 for each movement) for the training and 1200 patterns (120 for each movement) to data validation. In this experiment there was a further improvement in data classification, considering the addition of three new features to the training patterns, postural values (offset) extracted from the signals related to the axes x, y and z of the accelerometer