CAPÍTULO 4 - RESULTADOS
4 RESULTADOS
4.4 DADOS PÓS-PROCESSADOS
Fig. 15 - Posição Sentado Relaxado Vs Sentado Erecto
4.4 DADOS PÓS-PROCESSADOS
As figuras 16, 17 e 18 mostram os dados resultantes das curvaturas pós-processados de todos os indivíduos, para cada uma das posturas. Estes gráficos permitem entender como é que as posturas variam na mesma posição entre uma postura má e uma boa.
Todas as figuras apresentam perfis normalizados para 1000 pontos, o facto de os gráficos apresentarem diferentes valores deve-se ao facto das coordenadas de X apresentarem valores decimais.
Fig. 16 – Curvatura para Posição PC vs Escrever – todos os indivíduos
Pelos gráficos apresentados percebe-se que existe uma variação na forma da curvatura, uma vez que estas posições eram muito distintas. O comportamento da curvatura na posição do PC é mais acentuado que a curvatura na posição Escrever.
De acordo com a figura 17 as curvaturas para as diferentes posições não diferem muito.
Fig. 18 - Curvatura para posição Sentado Erecto Vs Sentado Relaxado – para todos os indivíduos
A figura 18 mostra uma distinção entre as curvaturas das duas posições, o comportamento da curvatura na posição ereto é mais acentuado que a curvatura na posição relaxado.
As figuras seguintes, da 18 à 23, representam as curvaturas pós processadas de dois indivíduos, de diferentes sexos, para se perceber como varia a curvatura na mesma posição para duas pessoas distintas.
Indivíduo do sexo masculino
Fig. 19 – Curvatura Pé Erecto Vs Pé Relaxado
O comportamento da curvatura das diferentes posições parece exatamente o mesmo, não apresenta alterações muito evidentes, para a posição de Pé.
Para a posição PC vs Escrever existe uma variação distinta entre as curvaturas apresentadas.
Para a posição sentado este indivíduo apresenta uma curvatura distinta entre as duas posições.
Indivíduo do sexo feminino
Este indivíduo apresenta uma curvatura semelhante para ambas as posições.
Fig. 20-Curvatura PC Vs Escrever
Fig. 21–Curvatura Sentado Erecto Vs Sentado Relaxado
Nesta posição, à semelhança do indivíduo do sexo masculino, para esta posição existe uma variação distinta entre as curvaturas apresentadas.
Nesta posição a curvatura para a posição relaxada é mais acentuada do que na posição ereto. As curvaturas de uma forma geral, para ambos os sexos, têm uma variação semelhante.
4.4.1 DADOS DE ENTRADA DOS CLASSIFICADOR
Para a fase de teste foram utilizados 1/3 dos dados de entrada enquanto para a fase de treino foram selecionados 2/3, ambos de forma aleatória.
As seis posturas adquiridas a todos os indivíduos são os dados de entrada para qualquer um dos classificadores, para que isto fosse possível houve a aquisição de três posturas corretas (pé ereto, sentado ereto e escrever no computador) e a aquisição de três posturas menos corretas (pé relaxado, sentado relaxado e escrever numa folha de papel). Foi construída uma matriz de 0’s e 1’s que considera as posturas corretas e incorretas como 1’s e 0’s respetivamente.
Fig. 23–Curvatura PC Vs Escrever
4.5 RESULTADOS DA CLASSIFICAÇÃO 4.5.1 RESULTADOS DA CLASSIFICAÇÃO DA POSTURA QUANDO OS INDIVÍDUOS SE
ENCONTRAM DE PÉ – PONTOS ALEATÓRIOS
Começou-se por colocar a postura Pé Ereto Vs Pé Relaxado com 100 pontos, pontos estes com distância aleatória. Os pontos com distância aleatória foram escolhidos seguindo uma coerência, verificou-se qual o ponto inicial e final das colunas dos indivíduos e a partir daí fez-se uma distribuição aleatória. Todos os resultados das matrizes de confusão foram colocados em ficheiros Excel.
Para a postura de pé todos os classificadores foram testados com: 100, 50, 10, 7 e 5 pontos de forma aleatória, gerando-se assim as matrizes de confusão, como se pode verificar posteriormente pelos gráficos das figuras seguintes.
Para 100 pontos os classificadores Redes Neuronais e TreeBagger obtiveram uma taxa de percentagem superior a 75%.
Para 50 pontos os classificadores que se destacaram com uma classificação acima de 75% foram os de Redes Neuronais e Análise Discriminante.
Em ambos os casos o classificador que obtém pior desempenho é o Support Vector Machine.
Fig. 25–Performance dos classificadores para a identificação da postura quando o indivíduo se encontra de pé com: A-100 pontos; B-50 pontos
Para 10 pontos o classificador que obtém uma percentagem acima de 75% é o TreeBagger.
Para 5 pontos os classificadores que obtiveram pior classificação foram o de Redes Neuronais, Análise Discriminante e K-Nearest Neighbors, o que obteve uma melhor classificação foi o de Árvores de Decisão.
Para 5 pontos não houve nenhum classificador que obtivesse uma taxa de classificação superior a 75%, no entanto o que mais se aproximou foi o Análise Discriminante.
4.5.2 RESULTADOS DA CLASSIFICAÇÃO DA POSTURA QUANDO OS INDIVÍDUOS SE ENCONTRAM SENTADOS – PONTOS ALEATÓRIOS
Passou-se então à comparação dos classificadores utilizando agora diferentes dados de entrada,
A B
Fig. 26-Performance dos classificadores para a identificação da postura quando o indivíduo se encontra de pé com: A-10 pontos; B-7 pontos
Fig. 27 - Performance dos classificadores para a identificação da postura quando o indivíduo se encontra de pé com 5 pontos
Sentado Ereto Vs Sentado Relaxado, aqui também com o número de pontos com distância aleatória. De forma a não serem colocadas várias imagens opta-se por colocar só os gráficos referidos a um baixo número de pontos, 7 e 5, respetivamente.
Observando os dois gráficos anteriores, para 7 pontos os classificadores que conseguem uma taxa superior a 75% são os de Redes Neuronais, Support Vector Machine e Treebagger. Para 5 pontos destaca-se também o de Redes Neuronais e Treebagger.
Para 7 pontos o classificador com pior desempenho é o K-Nearest Neighbors, enquanto para 5 pontos é o de Redes Neuronais.
4.5.3 RESULTADOS DA CLASSIFICAÇÃO DA POSTURA QUANDO OS INDIVÍDUOS SE ENCONTRAM A ESCREVER E NO PC – PONTOS ALEATÓRIOS
Posteriormente passou-se então a uma comparação entre os classificadores utilizando agora os últimos dados de entrada, Escrever no PC vs Escrever numa folha, aqui também com o número de pontos com distância aleatória.
A B
Fig. 28-Performance dos classificadores para a identificação da postura quando o indivíduo se encontra sentado com: A-7 pontos; B-5 pontos
Com 7 pontos os classificadores que obtêm um desempenho superior a 75% são: Redes Neuronais, Análise Discriminante, SVM e Treebagger. O que obtém pior desempenho é o Naíve Bayes.
Para 5 pontos os que obtêm melhor desempenho são: Rede Neuronais, Análise Discriminante, Naíve Bayes, SVM e Treebagger, enquanto o K-Nearest Neighbors obtém pior desempenho.
4.5.4 RESULTADOS DA CLASSIFICAÇÃO DA POSTURA QUANDO OS INDIVÍDUOS SE ENCONTRAM DE PÉ – PONTOS IGUALMENTE ESPAÇADOS ENTRE SI
Até agora foram apresentados os resultados com pontos aleatórios ao longo da coluna, a fase que se seguiu foi a escolha de pontos igualmente espaçados entre si e por isso são repetidos todos os processos novamente.
A B
Fig. 29-Performance dos classificadores para a identificação da postura quando o indivíduo se encontra a escrever e no pc: A-7 pontos; B-5 pontos
A B
Fig. 30-Performance dos classificadores para a identificação da postura quando o indivíduo se encontra de pé: A -7 pontos; B-5 pontos
Com 7 pontos o classificador que se destacou com uma percentagem superior a 75% foi o de árvores de decisão, enquanto o pior foi o de Redes Neuronais.
Para 5 pontos o melhor classificador foi o de Redes Neuronais e Análise Discriminante, enquanto o pior foi o TreeBagger.
4.5.6 RESULTADOS DA CLASSIFICAÇÃO DA POSTURA QUANDO OS INDIVÍDUOS SE ENCONTRAM SENTADOS – PONTOS IGUALMENTE ESPAÇADOS ENTRE SI
Apresenta-se a comparação dos classificadores utilizando agora diferentes dados de entrada, Sentado Ereto Vs Sentado Relaxado, com número de pontos igualmente espaçados entre si.
Para 7 pontos os classificadores com melhor performance são o Treebagger e Árvores de Decisão enquanto o pior é o de Redes Neuronais.
Com 5 pontos o classificador que obtém melhor percentagem é o Treebagger, enquanto o pior é de Redes Neuronais.
4.5.7 RESULTADOS DA CLASSIFICAÇÃO DA POSTURA QUANDO OS INDIVÍDUOS SE ENCONTRAM A ESCREVER E NO PC – PONTOS IGUALMENTE ESPAÇADOS ENTRE SI
Por fim, passou-se à comparação entre os classificadores utilizando agora os últimos dados de entrada, Escrever no PC vs Escrever numa folha, com o número de pontos igualmente espaçados entre si.
Fig. 31-Performance dos classificadores para a identificação da postura quando o indivíduo se encontra sentado: A-7 pontos; B-5 pontos
Com 7 pontos de uma forma geral todos os classificadores obtêm um bom desempenho, acontecendo o mesmo para 5 pontos. No entanto, os resulados mostram que o classificador treebagger será o classificador a utilizar para implementação da postura corporal com 5 pontos igualmente espaçados entre si.
De seguida apresenta-se a matriz de confusão para o classificador Treebagger com 5 pontos igualmente espaçados entre si.
Tabela 3 - Matriz Confusão Treebagger
Matriz Confusão TreeBagger True Positive 93,333% False Negative 6,6667% False Positive 3,8462% True Negative 96,1538%
Como os resultados mostram que o classificador a usar é o Treebagger apresentam-se agora duas tabelas globais com os valores deste mesmo classificador para as diferentes posturas: para 5 pontos aleatórios e igualmente espaçados entre si, respetivamente.
Tabela 4 - Percentagens do classificador treebagger com 5 pontos aleatórios
Fig. 32-Performance dos classificadores para a identificação da postura quando o indivíduo se encontra a escrever e no pc: A-7 pontos; B-5 pontos
Posição de Escrever e PC
Posição de Pé Posição Sentado
True Positive 73,56% False Negative 26,44% True Positive 75% False Negative 25% True Positive 65,385% False Negative 34,6151% False Positive 12,211% True Negative 87,789% False Positive 37,5% True Negative 62,5% False Positive 25,926% True Negative 74,04%
Tabela 5 - Percentagens do classificador treebagger com 5 pontos igualmente espaçados entre si
Posição de Escrever e PC
Posição de Pé Posição Sentado
True Positive 93,333% False Negative 6,6667% True Positive 60,8696% False Negative 39,1304% True Positive 76,9231% False Negative 23,0769% False Positive 3,8462% True Negative 96,1538% False Positive 27,5862% True Negative 72,4138% False Positive 29,6296% True Negative 70,3704%
A postura escrever é a postura que obtém uma performance mais elevada.
4.6 TREEBAGGER – OTIMIZAÇÃO DOS PARÂMETROS
Treebagger também conhecido como Random Forest foi o classificador escolhido para a classificação da postura corporal. Este algoritmo é uma metodologia útil para problemas de previsão, neste caso, prever a postura corporal.
Este algoritmo foi desenvolvido por Leo Breiman aplicando-se à agregação de inicialização da classificação e seleção de recursos aleatórios (Breiman & Cutler, n.d.). TreeBagger tem sido alvo
de várias comparações com outros classificadores, nomeadamente support vector machine e redes neuronais. Nestas comparações este algoritmo apresenta tipicamente um desempenho comparável ou até melhor (Xu, 2013).Sendo este algorítmo uma técnica eficiente computacionalmente que pode operar rapidamente em grandes conjuntos de dados. No entanto, na literatura não é analisado se existe um número ideal de árvores, ou seja, um limiar a partir do qual o aumento do número de árvores traria algum ganho significativo de desempenho ou se só iria aumentar o custo computacional. É possívil deduzir-se que um aumento de número de árvores não significa que o desempenho seja significativamente melhor do que com um menor número de árvores (Breiman & Cutler, n.d.).
Quando o número de dados é muito pequeno são utilizadas entre 10 a 100 árvores, 300 árvores são usadas quando existe uma enorme quantidade de dados. Também é verificado que com o aumento do número de árvores o benefício do desempenho de diminuí uma vez que existe um aumento do tempo de custo de computação (Livingston, 2005)(Xu, 2013).
Para este estudo como existe um grande número de dados foram utilizadas 100 e 300 árvores; os resultados eram muito próximos, no entanto com 300 árvores o custo computacional era demasiado elevado demorando alguns minutos a ser processado. Apresenta-se na tabela seguinte a matriz de confusão para este classificador com 300 árvores e com 5 pontos igualmente espaçados entre si.
Tabela 6 - Percentagens do classificador treebagger com 5 pontos igualmente espaçados entre si (300 árvores) para todas as posturas
Posição de Escrever e PC
Posição de Pé Posição Sentado
True Positive 93% False Negative 7% True Positive 41,3793% False Negative 58,6207% True Positive 68,5714% False Negative 31,4286% False Positive 3,2258% True Negative 96,7742% False Positive 47,8261% True Negative 52,1739% False Positive 33,333% True Negative 66,6667%
Como o classificador irá ser utilizado para implementar num microcontrolador STM32F4 o custo de treino é ainda mais elevado com 300 árvores, então optou-se por usar o parâmetro com 100 árvores.
4.6.1 IMPLEMENTAÇÃO DO CLASSIFICADOR NO MICROCONTROLADOR
A implementação do classificador no microcontrolador tem de ser feita consoante as árvores obtidas no software Matlab. Uma árvore do classificador é apresentada na imagem seguinte, para se poder fazer esta implementação no STM32F4 tivemos de ter em conta os parâmetros que o classificador utiliza para desenhar a árvore, parâmetros esses designados por “CutPoint”, “CutPredictor” e “ClassProbability”.
O “CutPoint” representa os pontos médios do intervalo entre os valores ordenados dos ângulos (39,226), o “CutPredictor” representa o número de pontos que são usados, 5 pontos (x1, x2, x3, x4 e x5) e “ClassProbability” é representado por 1’s e 0’s - boa e má postura, respetivamente.
Fig. 33 - Árvore exemplificativa do classificador TreeBagger
Todos estes dados foram guardados numa variável designada tb_100árvores.mat para que possam ser carregados no microcontrolador.
A implementação do classificador no microcontrolador foi efetuada por outro colega de mestrado.
5 DISCUSSÃO
5.1 CARACTERIZAÇÃO DA AMOSTRA
O estudo começou com a participação de 100 pessoas (59 homens e 41 mulheres): estudantes, investigadores e trabalhadores; 5 Pessoas foram excluídas, devido a problemas na aquisição dos scans. As principais razões de exclusão estão relacionadas com o excesso de tempo gasto a adquirir a mesma região, o que conduziu a uma captura excessiva na malha 3D. A incidência da luz de forma imprópria foi uma dificuldade para este procedimento pois o excesso de reflexão de luz prejudicou a aquisição de superfícies.
Ao longo da recolha das posturas, os indivíduos do sexo feminino colocaram as mãos no peito de forma a preservar a intimidade. Esta forma prejudica a recolha dos dados, uma vez que a forma como se colocavam não era a mais correta, constatou-se sobretudo durante as posturas erectas em que tinham de ficar o mais corretas possíveis e não conseguiam porque tinham receio de não manter a intimidade. No entanto, para a posição em que tinham que escrever conseguiam agir de uma forma mais natural.
5.2 POSTURAS ADQUIRIDAS AO LONGO DO ESTUDO
As posturas de pé e sentado que foram adquiridas ao longo do estudo podem não ter sido as mais adequadas para a realização desta análise. Alguns indivíduos ao alternarem entre a posição de pé ereto e relaxado apenas modificavam ligeiramente a posição dos ombros, levantando ou descendo os mesmos, não havendo assim uma grande modificação ao nível das curvaturas. Por esta razão, os gráficos das curvaturas apresentados na secção 4.3, para a posição de pé, não apresentam uma grande distinção entre a postura erecta e relaxada.
Na posição escrever e no PC, já não se verificou tanto este problema uma vez que esta é a ferramenta de trabalho da maior parte das pessoas que participaram no estudo, permitindo assim um movimento de forma natural.
Para a posição sentado também se observou o mesmo comportamento que na posição de pé, apesar de não se ter notado de uma forma tão acentuada.
5.3 TREINO E ESCOLHA DO CLASSIFICADOR
Durante o treino do classificador com pontos aleatórios a percentagem de classificadores variava muito de postura para postura o que não permitiu obter uma conclusão inicial quanto ao tipo de classificador a escolher ou qual o comportamento que iriam adotar.
Ao longo das aquisições houve indivíduos que ao colocarem uma postura relaxada por vezes ficavam com uma postura parecida ao pé ereto o que fez com que os valores para esta postura não fossem os mais adequados.
Durante a postura sentada começa a existir uma percentagem mais elevada pois os
classificadores conseguem obter uma melhor distinção entre as posturas quando comparado com a postura de pé, os indivíduos conseguiam colocar-se mais corretamente em função da posição pedida. No entanto, nesta fase ainda não era possível encontrar um classificador ideal.
Há um classificador Redes Neuronais que começou a não ser tido em conta pois tinha um custo de computação mais elevado, cerca de 2/3 minutos, enquanto todos os outros classificadores faziam o seu treino entre 10 a 30 segundos. O tempo de computação era um fator determinante uma vez que o classificador irá ser usado para implementar num microcontrolador STM32F4 e quanto mais elevado o custo computacional mais demorada é a sua implementação.
Aquando o treino dos classificadores para a postura “escrever no computador da forma mais correta vs escrever numa folha da forma mais incorreta”, pelos resultados obtidos começa-se a perceber que é nesta postura que os classificadores conseguem uma melhor distinção obtendo os valores mais elevados até então e que o classificador que mantém um comportamento mais estável é o treebagger.
Como os valores não eram os mais ideais uma vez que as percentagens eram distantes dos 100%, houve a necessidade de implementar pontos igualmente espaçados entre si.
Com pontos igualmente espaçados entre si, a postura de pé não era a postura mais indicada para treino do classificador uma vez que a performance dos classificadores ainda se encontrava longe dos 100%. O mesmo aconteceu para a posição sentado em que se verifica que nesta postura, tal como nos pontos aleatórios, existe uma performance mais elevada principalmente para o classificador treebagger.
É no treino da última postura que se conseguem os valores pretendidos, os classificadores de uma forma geral conseguiram performances mais elevadas entre os 80% a 96%, no entanto o melhor foi o treebagger, sendo este o que conseguiu também uma conduta mais consistente ao longo das posturas.
Este classificador é caracterizado por ser uma combinação de árvores de decisão, em que cada árvore depende dos valores de vetores aleatórios amostrados de forma independente e distribuídos igualmente para todas as árvores. O número de árvores inicialmente utilizadas foi de 300 mas como o custo computacional era elevado, como já referido, optou-se por utilizar 100 árvores.
Como se conseguiu uma performance perto dos 100% com 5 pontos espaçados igualmente entre si, serão 5 sensores a serem colocados com igual distância entre si.
CAPÍTULO 6 - CONCLUSÃO
6 CONCLUSÃO E TRABALHO FUTURO
Esta dissertação tem como envolvente a área da saúde, sendo esta muito exigente, a que requer mais recursos e mais equipamentos para as diversas patologias. A saúde física dos trabalhadores é de extrema importância para as empresas pois, segundo estudos já realizados, fatores como a boa postura corporal são a chave para melhorar o rendimento e produtividade, aumentando assim a competitividade das empresas.
Os problemas causados pela má postura corporal são muitos, dentre eles, está a algia da coluna vertebral, conhecida como dor nas costas. De acordo com a Organização Mundial de Saúde (OMS), 85% da população mundial sofrem de dores na coluna sendo que uma das principais causas é a má postura corporal (Dossier informativo - Doenças da Coluna, 2008).
Com o presente trabalho pretendeu-se o desenvolvimento de um classificador para postura corporal, tendo sido atingidos objetivos para esse fim, nomeadamente a aquisição da postura da espinha em 6 momentos diferentes para que se conseguisse encontrar um melhor resultado possível.
Através do estudo do projeto prático foi possível atingir o objetivo principal, o desenvolvimento do classificador para ser implementado no microcontrolador com uma performance superior a 95%. O escolhido foi o classificador Treebagger, este que tem sido alvo de várias comparações com outros classificadores, nomeadamente support vector machine e redes neuronais. Nestas comparações este algoritmo apresenta tipicamente um desempenho comparável ou até melhor (Xu, 2013). Sendo este algorítmo uma técnica eficiente computacionalmente que pode operar rapidamente em grandes conjuntos de dados. No entanto, na literatura não é analisado se existe um número ideal de árvores, ou seja, um limiar a partir do qual o aumento do número de árvores traria algum ganho significativo de desempenho ou se só iria aumentar o custo computacional (Breiman & Cutler, n.d.). Como já foi referido ao longo do documento, foram utilizadas 100 árvores pois alcançam-se bons resultados e o tempo de computação no STM32F4 não é muito elevado.
Outro fator importante foi a escolha do número e local de sensores a serem colocados no colete instrumentado; serão 5 sensores a serem colocados com igual distância entre si.
Em termos de trabalho futuro ao longo destas aquisições foi percebido que seria interessante uma maior aquisição de posturas pois quantos mais dados sejam inferidos no classificador melhor, pois o resultado do seu treino será sempre melhorado. Nas novas aquisições também é interessante que haja um aumento do número de mulheres, de forma a equilibrar o estudo, as posturas também terão de ser ajustadas, especialmente as consideradas más posturas.
Futuramente será também interessante a implementação do classificador no controlador do colete e a realização de um novo estudo que permita avaliar o colete em contextos de trabalhos diferentes: secretariado, salas de aula, bancos, serviços de saúde entre outros.