Módulo de detecção de quedas em cadeiras de rodas

(1)

DEPARTAMENTO ACAD ˆ

EMICO DE ELETR ˆ

ONICA

AUGUSTO GIACCHINI KLOTH

GABRIEL ZAMPRONI

VICTORIA BITENCOURT KUNG

M ´

ODULO DE DETECC

¸ ˜

AO DE QUEDAS EM CADEIRAS DE RODAS

TRABALHO DE CONCLUS ˜

AO DE CURSO

CURITIBA

(2)

GABRIEL ZAMPRONI

VICTORIA BITENCOURT KUNG

M ´

ODULO DE DETECC

¸ ˜

AO DE QUEDAS EM CADEIRAS DE RODAS

Trabalho de Conclusão de Curso apresentado como requisito parcial para obtenção do grau de Engenheiro.

Orientador: Prof. Dr. Andr´e Eugˆenio Lazzaretti

CURITIBA 2018

(3)

AUGUSTO GIACCHINI KLOTH GABRIEL ZAMPRONI VICTORIA BITENCOURT KUNG

MÓDULO DE DETECÇÃO DE QUEDAS EM CADEIRAS DE RODAS

Este Trabalho de Conclusão de Curso de Graduação foi apresentado como requisito parcial para obtenção do título de Engenheiro Eletrônico, do curso de Engenharia Eletrônica do Departamento Acadêmico de Eletrônica (DAELN) outorgado pela Universidade Tecnológica Federal do Paraná (UTFPR). Os alunos foram arguidos pela Banca Examinadora composta pelos professores abaixo assinados. Após deliberação, a Banca Examinadora considerou o trabalho aprovado.

Curitiba, 16 de agosto de 2018.

____________________________________ Prof. Dr. Robinson Vida Noronha

Coordenador de Curso Engenharia Eletrônica

____________________________________ Profª. Drª. Carmen Caroline Rasera

Responsável pelos Trabalhos de Conclusão de Curso de Engenharia Eletrônica do DAELN

BANCA EXAMINADORA

______________________________________ Prof. Dr. André Eugênio Lazzaretti

Universidade Tecnológica Federal do Paraná Orientador

_____________________________________ Profª. Drª. Carmen Caroline Rasera

Universidade Tecnológica Federal do Paraná

_____________________________________ Prof. Dr. Daniel Fernando Pigatto

Universidade Tecnológica Federal do Paraná

(4)

KLOTH, A.G.; ZAMPRONI, G.; KUNG, V.B.. M ÓDULO DE DETECÇ ÃO DE QUEDAS EM CADEIRAS DE RODAS. 55 f. Trabalho de Conclusão de Curso – Departamento Acadêmico de Eletrônica, Universidade Tecnológica Federal do Paraná. Curitiba, 2018.

A mobilidade sempre foi um desafio para pessoas que dependem de cadeiras de rodas para se locomover. Uma simples queda do cadeirante pode gerar danos f´ısicos irreparáveis caso não haja um socorro rápido. Visando propor uma solução capaz de facilitar a segurança na mobilidade de usuários de cadeiras de rodas, neste trabalho foi desenvolvido um protótipo capaz de detectar quedas em uma cadeira de rodas e alertar o acontecimento via mensagem de texto para um telefone celular. A detecção de quedas será feita por meio de um sistema embarcado que se comunica com sensores de acelerômetro e giroscópio, os quais terão seus dados coletados em tempo real e processados por algoritmos. As informações provenientes do sensor são tratadas por meio de um limiar de valores (threshold) a ser estabelecido e ainda por meio do algoritmo de aprendizado de máquina (machine learning) k-Nearest Neighbors. Previamente a esta implementação em tempo real, foi formada uma base de dados de queda e não-queda. Os dados desta base foram utilizados para formar o conjunto de treinamento do kNN e em seguida foi aplicado o método de validação cruzada k-folds. A bateria de testes finais do sistema foi efetuada em piso plano e em piso de paralelep´ıpedo. Os valores de acuidade obtidos foram de 96,9% para piso plano e de 93,0% para piso de paralelep´ıpedo.

(5)

KLOTH, A.G.; ZAMPRONI, G.; KUNG, V.B.. WHEELCHAIR FALL DETECTION MODULE. 55 f. Trabalho de Conclusão de Curso – Departamento Acadêmico de Eletrônica, Universidade Tecnológica Federal do Paraná. Curitiba, 2018.

Mobility has always been a challenge for people who depend on wheelchairs to get around. A simple fall of the wheelchair can cause irreparable physical damage if there is no quick rescue. Aiming to propose a solution capable of facilitating mobility safety for wheelchair users, this work presents a prototype capable of detecting falls in a wheelchair and alert the event via text message to a cell phone. The detection of falls is done by an embedded system connected to accelerometer and gyro sensors, which will have their data real-time collected and processed by algorithms. These algorithms are a threshold of values, which must be established, and also by a machine learning algorithm, which implements k-Nearest Neighbors to perform the task of detecting falls. Prior to this real-time implementation, a fall and non-fall database was formed. This database was used to build kNN training set and then k-folds method was applied to this database. System’s final tests were performed on flat floor and irregular floor. System’s accuracy values are 96.9% for flat floor and 93.0% for irregular floor.

(6)

–

FIGURA 1 Assento detector de pressão e sensor de aceleração . . . 17 –

FIGURA 2 Exemplo de algoritmo de aprendizado supervisionado . . . 19 –

FIGURA 3 Ilustrac¸˜ao do funcionamento do kNN para k = 3 . . . 21 –

FIGURA 4 Setup montado para a aquisic¸˜ao de dados . . . 26 –

FIGURA 5 Diagrama de interac¸˜ao para o setup inicial . . . 27 –

FIGURA 6 Sistema utilizado para a aquisic¸˜ao de dados . . . 29 –

FIGURA 7 Fluxograma de funcionamento do c´odigo para a an´alise por threshold . . . . 31 –

FIGURA 8 Fluxograma de funcionamento do c´odigo que implementa o kNN . . . 33 –

FIGURA 9 Ilustrac¸˜ao do funcionamento do k-folds . . . 34 –

FIGURA 10 Fluxograma do programa a ser executado no Raspberry . . . 36 –

FIGURA 11 Situac¸˜ao-teste em piso plano . . . 38 –

FIGURA 12 Situac¸˜ao-teste em piso de paralelep´ıpedos . . . 39 –

FIGURA 13 Arquivo CSV com os valores lidos do sensor . . . 41 –

FIGURA 14 Dados do acelerˆometro para um ensaio de n˜ao-queda . . . 42 –

FIGURA 15 Dados do acelerˆometro para um ensaio de queda . . . 43 –

FIGURA 16 Resultados do método de validação cruzada em função de k . . . 44 –

(7)

–

TABELA 1 Quantidade de ensaios de queda na coleta de dados . . . 28 –

TABELA 2 Quantidade de ensaios de atividade di´aria na coleta de dados . . . 28 –

TABELA 3 Quantidade de ensaios de queda nos testes finais . . . 37 –

TABELA 4 Quantidade de ensaios de atividade di´aria nos testes finais . . . 37 –

TABELA 5 Resultados do k-folds para a base de dados . . . 44 –

TABELA 6 Resultados dos ensaios do sistema de detecc¸˜ao de queda . . . 47 –

TABELA 7 Resultados dos ensaios de descida de rampa . . . 48 –

(8)

ADC Analog-to-Digital Coverter

API Application Programming Interface CSI Camera Serial Interface

CSV Comma-Separated Values DSI Display Serial Interface FIFO First In First Out

FIR Finite Impulse Response GPIO General Purpose Input/Output GPS Global Positioning System:

GSM Global System for Mobile Communication HDMI High Definition Multimedia Interface

IBGE Instituto Brasileiro de Geografia e Estat´ıstica IDE Integrated Development Environment

IMU Inertial Measurement Unit I2C Inter-Integrated Circuit IoT Internet of Things kNN k-Nearest Neighbors

LDA Linear Discriminant Analysis MPU Motion Processing Unit

PC Personal Computer

RAM Random Access Memory

SIM Subscriber Identity Module SMS Short Message Service SPI Serial Peripheral Interface SVM Support Vector Machine USB Universal Serial Bus

(9)

g Aceleração da gravidade k Número de grupos no k-folds

k N´umero de vizinhos mais pr´oximos no K-Nearest Neighbors

x Eixo do acelerômetro com mesmo sentido e direção do movimento da cadeira para frente

y Eixo do acelerˆometro que corresponde a linha transversal `a cadeira que aponta para a direita

(10)

1 INTRODUÇ ÃO . . . 10 1.1 MOTIVAÇ ÃO . . . 10 1.2 DESCRIÇ ÃO DO PROBLEMA . . . 12 1.3 OBJETIVOS . . . 13 1.3.1 Objetivo geral . . . 13 1.3.2 Objetivos espec´ıficos . . . 13 2 FUNDAMENTAÇ ÃO TE ÓRICA . . . 14 2.1 DESENVOLVIMENTOS RELACIONADOS . . . 14 2.1.1 Detecção de queda . . . 14

2.1.2 Quedas em cadeiras de rodas . . . 16

2.2 MACHINE LEARNING . . . 18 2.2.1 K-Nearest Neighbors . . . 20 2.3 SENSORES . . . 20 2.4 PLATAFORMAS DE DESENVOLVIMENTO . . . 23 2.4.1 Arduino . . . 23 2.4.2 Raspberry Pi . . . 23 3 METODOLOGIA . . . 25

3.1 SISTEMA PARA A AQUISIC¸ ˜AO DE DADOS DO SENSOR . . . 25

3.2 COLETA DE DADOS . . . 27

3.3 APLICAÇ ÃO DOS M ÉTODOS DE DETECÇ ÃO AOS DADOS . . . 28

3.3.1 M´etodo do threshold . . . 30

3.3.2 M´etodo kNN . . . 31

3.4 DESENVOLVIMENTO NO RASPBERRY PI . . . 34

3.5 TESTES FINAIS . . . 35

4 RESULTADOS . . . 40

4.1 DETECÇ ÃO DE QUEDA PELO M ÉTODO THRESHOLD . . . 40

4.2 DETECÇ ÃO DE QUEDA PELO M ÉTODO KNN . . . 43

4.3 DESENVOLVIMENTO DAS APLICAC¸ ˜OES NO RASPBERRY . . . 45

4.4 MONTAGEM FINAL . . . 46

4.5 TESTES FINAIS . . . 47

5 CONCLUS ˜AO . . . 49

5.1 TRABALHOS FUTUROS . . . 50

(11)

1 INTRODUC¸ ˜AO

1.1 MOTIVAC¸ ˜AO

Uma das diversas transformações ocorridas nas últimas décadas na sociedade é o aumento do protagonismo pol´ıtico das pessoas com deficiência. Se no in´ıcio do século elas eram de certa forma isoladas da sociedade, a partir da década de 1980 foi constru´ıda uma pauta que reivindicava os direitos das pessoas com deficiência, sejam estes sociais, civis, pol´ıticos ou econômicos. No Brasil, tais direitos são garantidos por uma legislação considerada abrangente, tanto na Constituição quanto em leis espec´ıficas e inseridos em outras leis e programas públicos (MAIOR, 2015).

Dentro desta legislação, destacam-se o Estatuto da Pessoa com Deficiência (Lei 13.146/2015) que tem base o Decreto 6949/2009. O texto de ambos os documentos tem por base o protocolo da Convenção Internacional sobre os Direitos das Pessoas com Deficiência (BRASIL, 2009, 2015). O Decreto, em seu artigo sobre acessibilidade, se inicia propondo que

“A fim de possibilitar às pessoas com deficiência viver de forma independente e participar plenamente de todos os aspectos da vida, os Estados Partes tomarão as medidas apropriadas para assegurar às pessoas com deficiência o acesso, em igualdade de oportunidades com as demais pessoas, ao meio f´ısico, ao transporte, à informação e comunicação, inclusive aos sistemas e tecnologias da informação e comunicação, bem como a outros serviços e instalações abertos ao público ou de uso público, tanto na zona urbana como na rural.” (BRASIL, 2009)

A mobilidade pessoal é mencionada no Artigo 20 do mesmo Decreto 6949, que confere ao Estado a responsabilidade de assegurá-la à pessoa com deficiência. O Estado deve facilitar a mobilidade com o máximo de independência poss´ıvel, no momento e na forma que a pessoa com deficiência preferir (BRASIL, 2009). Em seguida são citadas as tecnologias assistivas, e como o desenvolvimento destas deve ser incentivado e ampliado para todos os aspectos relativos à mobilidade.

A respeito das tecnologias assistivas, ou também tecnologias de apoio, estas podem ser definidas de várias maneiras, mas, em linhas gerais, são os produtos ou serviços que visam

(12)

melhorar as capacidades funcionais de pessoa com deficiência, aumentando sua independência (GALV ÃO FILHO, 2009). As principais tecnologias assistivas que visam melhorar a mobilidade de pessoas com deficiência f´ısica são citadas por Sartoretto e Bersch (2017) como sendo as órteses, próteses, andadores, bases móveis, além de ve´ıculos como scooters e as cadeiras de rodas, sejam manuais ou motorizadas.

Neste ponto, é importante ressaltar que uma tecnologia assistiva não precisa ser necessariamente um novo produto ou serviço. Por exemplo, o simples aumento do tempo de travessia de um semáforo de pedestres já é uma tecnologia assistiva para pessoas com mobilidade reduzida.

O exemplo acima citado se enquadra no que se denomina Universal Design, que, de acordo com o Centre for Excellence in Universal Design (2018), consiste em projetar um produto, ambiente ou sistema de forma tal que este possa ser utilizado no seu máximo potencial, da maneira mais natural e independente, no maior número de situações e sem necessidade de adaptações por qualquer pessoa, independentemente da sua idade ou tamanho, das suas habilidades ou deficiências f´ısicas, sensoriais ou intelectuais.

No Brasil, de acordo com dados da Pesquisa Nacional de Saúde, feita em 2013 pelo IBGE, 6,2% da população tem algum tipo de deficiência. A pesquisa dividiu as deficiências em quatro tipos: auditiva, visual, f´ısica e intelectual. A deficiência visual é a mais comum, acomete 3,6% da população brasileira, seguida pela f´ısica (1,3%), pela auditiva (1,1%) e por fim pela intelectual (0,8%) (Empresa Brasil de Comunicação, 2015).

A pesquisa aponta ainda que quase a metade (46,8%) das pessoas com deficiência f´ısica tem um uma limitação intensa ou muito intensa em função da deficiência. Usando as estimativas atuais de população, mais de 1,27 milhão de brasileiros têm sua vida limitada de forma intensa pela deficiência f´ısica (Instituto Brasileiro de Geografia e Estat´ıstica, 2018). Faltam estat´ısticas sobre o número de usuários de cadeiras de rodas no Brasil, entretanto Smith et al. (2016) apresenta o dado de que no Canadá em torno de 0,7% da população acima de 15 anos utiliza cadeira de rodas manual. Um dado dispon´ıvel a este respeito no Brasil é que são produzidas e comercializadas cerca de 400 mil cadeiras de rodas por ano (Revista Reação, 2018).

Apesar do número de usuários de cadeira de rodas não ser pequeno, o Brasil não trata bem os seus cidadãos que possuem esta necessidade. O IBGE analisou as ruas em torno das residências em áreas urbanas e concluiu que 4,7% dos domic´ılios possuem em seu entorno vias com rampa para cadeirantes. Nas regiões Norte e Nordeste, este número fica ainda menor: 1,6% (Portal Terra, 2012).

(13)

Outros ambientes também podem não apresentar o n´ıvel de acessibilidade suficiente, tais como residências, edif´ıcios, centros de compras, entre outros. Nestes ambientes, e até mesmo naqueles que respeitam as normas de acessibilidade, é poss´ıvel que o usuário da cadeira de rodas sofra uma queda. Nesta situação, a dificuldade de se locomover complica o pedido de socorro, especialmente se a pessoa estiver sozinha no ambiente.

Tendo em vista o contexto já exposto, um sistema que enviasse uma mensagem de texto a uma pessoa de confiança quando fosse detectada uma queda da cadeira de rodas – e por consequente, da pessoa nela sentada – seria um dispositivo que facilitaria a vida e melhoraria a mobilidade dos usuários de cadeira de rodas.

1.2 DESCRIC¸ ˜AO DO PROBLEMA

O projeto aqui tratado visa desenvolver um módulo para a detecção de quedas em cadeiras de rodas com o envio de uma mensagem de texto para uma pessoa de confiança. Esta solução deve ser de baixo custo, de simples utilização e de fácil adaptação para qualquer cadeira de rodas, de forma a maximizar o universo de usuários do dispositivo ora desenvolvido. Evidentemente que em modelos de cadeira de rodas motorizados, mais sofisticados e que já contam com sistemas eletrônicos embarcados, as funcionalidades do sistema aqui proposto poderiam ser integradas ao que já existe para controle do motor da cadeira, dependendo da compatibilidade entre os sistemas.

Do ponto de vista funcional, o sistema a ser desenvolvido necessitará de um sensor, cujos dados servirão de base para que um algoritmo de detecção rodando em um microcontrolador detecte a queda. Uma vez detectada a queda, o próprio microcontrolador poderá ter acoplado um módulo para enviar a mensagem de texto aos telefones celulares cadastrados. Outra possibilidade seria que o sistema se comunicasse com o smartphone do usuário da cadeira de rodas por meio da tecnologia Bluetooth. Neste caso, seria necessário também o desenvolvimento de uma aplicação para o smartphone.

Para o algoritmo de detecção, serão testados dois métodos: a aplicação de um limiar aos dados adquiridos, também conhecido pelo termo em inglês threshold, e a utilização de algoritmos de aprendizado de máquina, mais conhecido como machine learning, que são uma técnica avançada de reconhecimento de padrões. A avaliação do desempenho dos métodos neste sistema embarcado que será desenvolvido também é parte do projeto.

Os sensores e demais componentes utilizados no projeto deverão, além de obedecerem aos requisitos para este projeto, ser de fácil aquisição e baixo custo, visando facilitar a produção,

(14)

a comercialização e a manutenção de um produto que venha a se originar deste projeto.

1.3 OBJETIVOS

Os objetivos deste projeto podem ser divididos em gerais e espec´ıficos e s˜ao enumerados a seguir.

1.3.1 OBJETIVO GERAL

Desenvolver o módulo de detecção de quedas em cadeiras de rodas com o envio de uma mensagem de texto para uma pessoa de confiança e, através de sua utilização, elevar a qualidade de vida e a sensação de segurança dos usuários de cadeira de rodas ao se locomover.

1.3.2 OBJETIVOS ESPEC´IFICOS

• Compreender o contexto no qual se enquadra o projeto e estudar projetos semelhantes;

• Escolher um sensor e uma plataforma que atendam aos requisitos do projeto;

• Formar uma base de dados para aplicar os métodos de detecção;

• Avaliar a eficácia dos métodos de threshold e machine learning para a detecção das quedas;

• Definir a melhor solução para a detecção de quedas (um dos métodos ou ambos combinados);

• Analisar, do ponto de vista do hardware empregado, eventuais limitações para a implementação em tempo real de algum dos métodos;

• Estudar a documentação dos componentes envolvidos bem como bibliotecas que possam auxiliar na elaboração do projeto;

• Desenvolver o programa que realizará a comunicação com o sensor, a detecção de queda e o envio da mensagem;

(15)

2 FUNDAMENTAÇ ÃO TE ÓRICA

2.1 DESENVOLVIMENTOS RELACIONADOS

2.1.1 DETECC¸ ˜AO DE QUEDA

A detecção de quedas é uma necessidade recorrente quando do desenvolvimento de dispositivos que atuem como tecnologias assistivas. Em Belomo (2015), Chien-Liang et al. (2010), Quadros (2017) e Tianjiao et al. (2016), o objeto de desenvolvimento é um sistema de detecção de quedas para pessoas idosas, que são mais sujeitas a quedas que adultos e crianças, seja andando em casa ou na rua.

Nestes trabalhos são propostos diversos métodos e dispositivos para detecção das quedas, Belomo (2015) e Tianjiao et al. (2016) propõem utilizar um smartphone para este fim. Chien-Liang et al. (2010) utiliza as imagens de câmeras de segurança para identificar quedas e Quadros (2017) propõe um dispositivo para ser utilizado no pulso.

Nesta seção, serão analisados os algoritmos empregados e os resultados obtidos em tais desenvolvimentos. Os conceitos de sensibilidade, especificidade e acuidade são utilizados por estes autores e serão empregados também neste trabalho. A sensibilidade é uma medida da habilidade do sistema de detectar todas as quedas que de fato ocorreram e, a especificidade, uma medida da habilidade de detectar somente as quedas reais, ou seja, de não haver falsos-positivos. Estes valores são expressos normalmente em percentual e a acuidade é calculada obtendo o valor médio entre sensibilidade e especificidade.

No trabalho de Belomo (2015), são utilizados os dados de acelerômetro do smartphone. A detecção a partir destes dados é complexa, pois, além do celular ter de estar obrigatoriamente no bolso da calça do usuário, há diversas atividades do dia-a-dia que geram grande aceleração sobre o smartphone, tais como subir escadas, correr e pular. Por esta razão, o algoritmo proposto calcula e analisa diversos parâmetros a partir das amostras do acelerômetro, e dependendo destes é feita a classificação como queda ou atividade diária.

(16)

um desempenho melhor do que os outros em diversas situações, mas ainda assim ocorrem falsos-positivos e algumas quedas não são detectadas em algumas situações. Vale ressaltar que foi prevista uma funcionalidade que espera alguns segundos antes de enviar a mensagem. Neste per´ıodo fica dispon´ıvel um botão, para que o usuário comunique que ocorreu um falso-positivo e, sendo assim, não gere a mensagem. A mensagem a ser enviada conterá ainda a localização na qual a pessoa se encontra.

A solução proposta por Tianjiao et al. (2016) utiliza o mesmo tipo de hardware, um smartphonecom acelerômetros nos três eixos. A análise se baseia no módulo da aceleração medida, se esta estiver acima de um threshold por um determinado per´ıodo, é verificada a velocidade do usuário. Se estiver baixa, é uma provável queda. Por fim, é verificada a aceleração vertical, se estiver dentro de um critério é constatada a queda.

Como cada um destes autores utilizou bases de dados diferentes, não é poss´ıvel comparar os métodos, entretanto os valores de especificidade e sensibilidade estiveram sempre acima de 80%, com exceção da atividade de entrar no carro de Belomo (2015), onde foi obtido 79%.

Quadros (2017) e Chien-Liang et al. (2010) se destacam em relação aos trabalhos anteriormente citados por utilizarem o kNN como forma de classificação dos dados de entrada. O funcionamento do método será detalhado em uma seção espec´ıfica.

No caso de Chien-Liang et al. (2010), o kNN é utilizado para detectar a silhueta da pessoa na imagem. Nesta detecção já é feita a classificação da posição da pessoa dentre os estados em pé, posição temporária e deitada. Os autores consideraram o desempenho desta detecção bom, mesmo em situações que alteram a silhueta da pessoa, como abrir os braços.

Chien-Liang et al. (2010) utiliza, entretanto, um threshold para detectar se a pessoa está deitada por opção ou se houve um evento de queda. Se a mudança de em pé para deitado for muito rápida, então a pessoa caiu e não deitou intencionalmente. Esse threshold detectou corretamente 82% das quedas e 84% das situações em que a pessoa deitou propositalmente. Para obter o valor de threshold, foi medido em 30 amostras o tempo que uma pessoa leva para se deitar.

Quadros (2017) se destaca por utilizar um sistema com uma IMU e comparar diversos métodos de threshold e machine learning. A primeira análise realizada foi utilizando threshold, para haver uma queda é necessário detectar uma elevada velocidade vertical e em seguida o impacto com o chão. A velocidade é obtida pela integração da aceleração. Foram utilizadas diversas combinações de parâmetros, a que obteve os melhores resultados empregou apenas os

(17)

valores em módulo de aceleração e velocidade, obtendo 98,8% de sensibilidade e 82,5% de especificidade. O critério utilizado para definir o melhor método foi a acuidade.

Com o intuito de melhorar a acuidade do sistema, Quadros (2017) adiciona ao thresholdanteriormente utilizado o Método de Madgwick. Este método supostamente melhora a decomposição do movimento nos eixos cartesianos, ao utilizar os dados de aceleração, giroscópio e magnetômetro. De fato, houve uma elevação da acuidade para 91,1%.

Insatisfeito com o threshold aliado ao Método de Madgwick, Quadros (2017) aplicou à sua base de dados técnicas de machine learning visando melhorar a detecção de quedas de idosos. Foram utilizados cinco métodos: kNN, LDA, SVM, Logistic Regression e Decision Trees. O desempenho destes métodos foi avaliado seguindo os mesmos parâmetros de especificidade e sensibilidade usados no threshold e considerando as hipóteses de se utilizar os valores apenas da aceleração, da aceleração e do giroscópio ou os três dispon´ıveis (aceleração, giroscópio e magnetômetro).

Na primeira análise, utilizando apenas os dados do acelerômetro sem decompor as componentes, para quatro dos cinco métodos os melhores resultados foram obtidos quando os parâmetros analisados foram média e valor máximo de aceleração, velocidade e deslocamento. Para o SVM, entretanto, mostrou-se mais vantajoso desprezar os valores referentes à velocidade. Os valores de acuidade variaram de 92,7% (Decision Trees) a 96,9% (Logistic Regression).

Em seguida, analisou-se apenas a componente vertical decomposta (proveniente dos dados do acelerômetro e do giroscópio), nesta etapa todos os métodos apresentaram desempenho inferior em relação à situação anterior. O autor justificou este fato afirmando que a decomposição da componente vertical remove caracter´ısticas dos dados originais que são importantes para os métodos de machine learning (QUADROS, 2017).

As últimas baterias de testes utilizaram todos os dados dispon´ıveis: de aceleração, do giroscópio e do magnetômetro. Com estes dados, foi feita a análise pelo Método de Madgwick e também uma análise dos valores de seno e cosseno da orientação espacial do dispositivo. Em ambos os casos, o método cujo desempenho foi considerado melhor é o kNN, com 96,4% e 99,0% de acuidade, respectivamente, sendo que, na segunda análise, a sensibilidade encontrada foi 100%, ou seja, todas as quedas foram detectadas (QUADROS, 2017).

2.1.2 QUEDAS EM CADEIRAS DE RODAS

O presente desenvolvimento não é inédito no mundo. Tendo em vista a já discutida importância deste tema, outros pesquisadores já desenvolveram sistemas semelhantes, os quais

(18)

serão discutidos nesta seção. Infelizmente, nenhum destes autores traz dados de desempenho de seus sistemas. Alguns desenvolvimentos são mais simples, como o proposto neste trabalho pretende ser, outros propõem uma solução mais completa.

O sistema proposto por Seung-Hun et al. (2016) consiste em um sensor de aceleração para determinar o ângulo que a cadeira forma com o chão e com a perpendicular. Os valores provenientes do sensor passam por um Filtro de Kalman, devido ao ru´ıdo existente na medição. O filtro torna a resposta do sistema mais lenta, porém muito mais precisa. O método utilizado para a detecção é um threshold. Entretanto, neste trabalho o intuito é prevenir a queda (alertando o risco iminente) e não detectá-la para depois agir.

Uma solução mais complexa é apresentada por Yang et al. (2014). Além desta ser integrada através de IoT, a Internet das Coisas, esta solução é um sistema completo de monitoramento de saúde, com medição de sinais vitais e das condições ambientais, como pressão, temperatura e poluição.

A parte do sistema que concerne à cadeira de rodas é composta de dois sensores. Um deles é o assento detector de pressão, que detecta se o corpo caiu da cadeira ou não. Este assento foi desenvolvido pela Wuhan University of Technology e já possui um algoritmo testado. O sensor de aceleração utilizado é do fabricante Freescale, modelo MMA7260. O assento montado na cadeira e o sensor são mostrados na Figura 1. Infelizmente não são dados detalhes com relação a como foi implementada a detecção de quedas (YANG et al., 2014).

Figura 1: Assento detector de pressão montado na cadeira e sensor de aceleração Freescale MMA7260.

Fonte: (YANG et al., 2014).

(19)

projeto, cuja aplicabilidade seria principalmente o ambiente hospitalar, são utilizados sensores para pacientes que se encontram sentados (em cadeiras comuns ou de rodas), mas que apresentam a intenção de se levantar, o que poderia ocasionar uma queda em função de estarem debilitados. Os sensores de pressão e de distância (capacitivos) instalados no assento e nos apoios de braço e para as costas da cadeira informam suas medições para um sistema de reconhecimento de gestos, que detecta a possibilidade do paciente de estar se levantando.

O dispositivo de Knight et al. (2008) se conecta através da rede de Internet sem fio do hospital com um computador central a partir do qual seriam geradas as notificações para os enfermeiros. Além disso, inclui um sintetizador de voz para transmitir mensagens ao pacientes (por exemplo, que um enfermeiro está chegando ou que ele não deve tentar se levantar sozinho). Sabe-se apenas que a técnica utilizada para o reconhecimento de gestos é uma análise probabil´ıstica.

Shyla e Megha (2017) propõem um sistema que poderia ser adaptado a qualquer cadeira de rodas, manual ou motorizada. Este sistema incluiria detecção de obstáculos e um localizador, além de v´ıdeo ao vivo das câmeras instaladas na cadeira se houver um telefone celular conectado. Um sistema semelhante a uma detecção de quedas também existe, é denominado de monitoramento de emergência e aplica um threshold no valor lido do acelerômetro.

O hardware deste projeto consiste em sensores ultrassônicos para a detecção de obstáculos, um módulo GSM para o envio de mensagens, motores para movimentar a cadeira, um display, um módulo de GPS para localização, um acelerômetro ADXL335 e o microcontrolador NXP LPC21488. Para as funcionalidades da câmera, é necessário um celular com Android e um computador para reproduzir os v´ıdeos gravados (SHYLA; MEGHA, 2017).

2.2 MACHINE LEARNING

O reconhecimento de padrões está presente desde o in´ıcio do desenvolvimento cient´ıfico e tecnológico. Um exemplo disso foram as observações astronômicas e seus padrões por Tycho Brae no Século XVI, que permitiram mais tarde a elaboração das leis de movimentações planetárias por Johannes Kepler. Atualmente o reconhecimento de padrões está ligado ao uso de algoritmos capazes de reconhecer caracter´ısticas recorrentes em um grupo de dados e usar tais caracter´ısticas reconhecidas para classificar essas informações em categorias (BISHOP, 2006).

(20)

ser obtidos utilizando o machine learning. Esta ferramenta é, na verdade, um conjunto de técnicas matemáticas, aplicadas através de recursos computacionais, que permitem a extração de informações a partir de uma base de dados, bem como o reconhecimento de padrões e a realização de inferências sobre o que foi descoberto (CHIO; FREEMAN, 2018).

Bishop (2006) evidencia ainda que, em machine learning é usual que um vasto conjunto de amostras com suas caracter´ısticas já reconhecidas e normalmente rotuladas manualmente seja chamado de conjunto de treinamento. Por sua vez, outro conjunto de dados cujas caracter´ısticas não foram ainda enquadradas em uma classificação é chamado de conjunto de teste.

O machine learning pode ser dividido em duas formas de operação: o aprendizado supervisionado e não-supervisionado. O objetivo do aprendizado supervisionado é realizar predições corretas baseadas em evidências, utilizando um conjunto de treinamento com informações de estrutura, rótulos e resultados já conhecidos e com base nesses dados gerar previsões a cada nova entrada do conjunto de teste (Mathworks Inc., 2016). Na Figura 2 é ilustrado um algoritmo que emprega o aprendizado supervisionado, onde também é poss´ıvel notar a existência de labels no conjunto de treinamento.

Figura 2: Exemplo de algoritmo que emprega o aprendizado supervisionado. Fonte: (GERON, 2017).

Em contrapartida, o aprendizado não supervisionado é caracterizado pela ausência de rótulos no conjunto de treinamento. Isso ocorre pois o objetivo do aprendizado é procurar os padrões nos quais o conjunto será dividido dentro do próprio conjunto. Posteriormente serão inclu´ıdas nas divisões as novas amostras de teste, conforme as suas caracter´ısticas (CHIO; FREEMAN, 2018).

(21)

2.2.1 K-NEAREST NEIGHBORS

O k-Nearest Neighbors (kNN) é, de acordo com Weinberger e Saul (2009), um dos mais simples e antigos algoritmos de machine learning. Trata-se de um algoritmo de aprendizado supervisionado cuja caracter´ıstica é classificar novas instâncias não-identificadas de acordo com as k instâncias vizinhas identificadas em um conjunto de treinamento.

O algoritmo é baseado em instâncias representadas por pontos em um espaço multidimensional Rm para um conjunto de treinamento. Cada instância do conjunto de treinamento é um vetor cujas posições contêm caracter´ısticas da instância. Para atuar como um classificador de uma nova instância de um conjunto de teste presente em um espaço multidimensional de vetores, o kNN irá determinar a distância desta instância para cada instância do conjunto de treinamento, obtendo assim os k vizinhos mais próximos no espaço Rm, onde k é um valor inteiro (GARCIA et al., 2008).

A busca pelos k vizinhos de maior proximidade da instância a ser classificada é normalmente implementada se iniciando pelo cálculo da distância euclidiana entre a instância de teste e cada elemento conjunto de treinamento. Na Figura 3 é ilustrada a relação de distância para o valor k = 3. Após o cálculo, os resultados das distâncias são ordenados e os k menores valores escolhidos. Por fim, a instância é classificada com base na maioria dos rótulos de seus k vizinhos escolhidos, ou seja, analisando os rótulos das k instâncias mais próximas, o rótulo que for maioria entre as mesmas será atribu´ıdo a instância de teste (JAMES et al., 2013).

A distância euclidiana entre dois vetores é definida por ANTON e RORRES (2001) como sendo a norma da subtração de um vetor do outro. Para um espaço com m dimensões, tem-se a distância euclidiana d entre u = (u1, u2, · · · , um) e v = (v1, v2, · · · , vm) apresentada na equação (1). No caso do kNN, os vetores cuja distância será calculada serão o vetor a ser classificado e cada um dos vetores do conjunto de teste.

d= q

(u1− v1)2+ (u2− v2)2+ · · · + (um− vm)2 (1)

2.3 SENSORES

Os sensores mais utilizados para a detecção de queda são aqueles que conseguem medir grandezas derivadas ou relacionadas com posição. Dentre estes destacam-se o acelerômetro, o magnetômetro e o giroscópio, que serão objeto de estudo dessa seção.

(22)

Figura 3: Ilustrac¸˜ao do funcionamento do algoritmo kNN considerando k = 3. Fonte: (GARCIA et al., 2008).

O tipo de acelerômetro mais comum é o piezoelétrico, que utiliza em sua construção um cristal piezoelétrico. Este cristal tem a propriedade de fornecer uma tensão que varia de acordo com o esforço sofrido pelo cristal. A aceleração do sensor gera uma força sobre a massa s´ısmica interna do acelerômetro, estressando o cristal piezoelétrico e resultando em uma carga elétrica de alta impedância proporcional à força aplicada, que é proporcional também à aceleração, pela Segunda Lei de Newton (National Instruments, 2017). Em seguida, é necessário transformar essa impedância para um valor adequado para o circuito seguinte, que terá tipicamente uma impedância menor (AZOSENSORS, 2014).

Quando é medida a aceleração estática de acordo com a gravidade, consegue-se descobrir qual é o ângulo que o dispositivo forma com relação à Terra. Por outro lado, ao medir dados de aceleração dinâmica, é poss´ıvel analisar como dispositivo está se movendo (Dimension Engineering LLC, 2018).

O giroscópio, por sua vez, é utilizado para obter dados em relação à sua própria inclinação com a Terra (KAUR, 2013). Dentre estes dados, o principal é a velocidade angular, obtida através da força de Coriolis, que atua nos braços da unidade (a parte móvel do giroscópio), produzindo vibração vertical. A parte estacionária dobra devido à vibração do braço acionador na vertical, produzindo um movimento de detecção nos braços sensores. O movimento do par de braços sensores produz uma diferença de potencial a partir da qual a velocidade angular é detectada (Seiko Epson Corp., 2018).

(23)

Algumas aplicações dos sensores de giroscópio são os sistemas de detecção de tremido em câmeras fotográficas e de v´ıdeo, a detecção de movimento para videogames e o controle eletrônico de estabilidade de ve´ıculos. No futuro, espera-se utilizar estes dispositivos para aplicações em sistemas de suporte e segurança de direção de ve´ıculos e também em controles de movimento robótico (Seiko Epson Corp., 2018).

O magnetômetro é um instrumento utilizado para realização de medições de intensidade de campo magnético. Sensores magnetômetros embarcados existentes em smartphonee tablets são capazes de medir o campo magnético em três eixos perpendiculares (VIEIRA; AGUIAR, 2013). Os magnetômetros mais comuns medem o campo magnético através de sensores de Efeito Hall (Texas Instruments Inc., 2018).

No campo da medição de posição e direção, o magnetômetro constitui uma solução por funcionar como uma bússola. Através do campo magnético da Terra, é poss´ıvel determinar para qual direção um dispositivo está apontado (NIELD, 2017).

Dentre os dispositivos existentes no mercado, a série MPU-60X0 da Invensense destaca-se por ter sido o primeiro sistema integrado de rastreamento de movimento de seis eixos, combinando os três eixos de giroscópio com os três de acelerômetro, juntamente com uma técnica de processamento digital dos sinais de movimento. O dispositivo tem um tamanho diminuto (apenas 4x4x0.9mm) e se comunica através de um barramento de I2C dedicado (InvenSense Inc., 2013b).

Os sensores da série MPU-60X0 utilizam, para a conversão dos sinais analógicos para digitais, seis ADCs de 16 bits. Este sensor apresenta um range do giroscópio programável entre 250, 500, 1000, e 2000◦/s e um range do acelerômetro também programável entre as escalas de 2g, 4g, 8g, e 16g. Ao se escolher um range menor, o ru´ıdo de quantização do ADC é reduzido em termos absolutos. Um buffer FIFO de 1024 bytes ajuda a reduzir o consumo de energia do sistema, ao permitir que o processador do sistema leia os dados do sensor em rajadas.

O acelerômetro utilizado por Yang et al. (2014), modelo MMA7260 do fabricante Freescale, apresenta range programável de 1,5g, 2g, 4g e 6g. Além disso, suas sa´ıdas são analógicas, o que obriga o uso de um ADC externo (NXP, 2008). Já o sensor utilizado por Shyla e Megha (2017), o ADXL335, conta com o ADC integrado, podendo se comunicar via I2C ou SPI. Entretanto, seu fator de escala é fixo, de forma que o ru´ıdo de quantização do ADC de 10 bits não é reduzido ao se reduzir a escala. Um recurso interessante do ADXL335 é o sensor de queda livre (Analog Devices Inc., 2009).

(24)

2.4 PLATAFORMAS DE DESENVOLVIMENTO

2.4.1 ARDUINO

O Arduino é um ecossistema de hardware e software de código aberto. Existe uma variedade de ferramentas de software e de plataformas de hardware assim como de documentação. Todos estes recursos facilitam o uso ao consumidor final. Por isso o Arduino é atualmente uma ferramenta bastante popular para o desenvolvimento de produtos IoT, assim como uma ferramenta de sucesso para a educação de Ciência, Tecnologia, Engenharia e Matemática (Arduino, 2018).

O Arduino se iniciou como um projeto de pesquisa no Instituto de Design de Interação de Ivrea no in´ıcio dos anos 2000. Os desenvolvedores utilizaram como base o projeto Processing, uma linguagem utilizada para aprendizado de codificação na área de artes visuais. A primeira placa do Arduino foi lançada em 2005 com o intuito de auxiliar estudantes de Design, que não possu´ıam experiência anterior em eletrônica ou programação de microcontroladores, a criar protótipos de trabalho (COSTA, 2018).

O Arduino Software IDE permite ao usuário escrever programas e enviá-los diretamente à placa. Para o desenvolvimento do código, a plataforma permite o uso de bibliotecas em linguagem C++, o que facilita o uso para projetos mais complexos. Há uma gama de produtos do Arduino, como placas, módulos em formatos menores de placas clássicas, shields(elementos que podem ser conectados à placa e oferecer recursos extras) e kits. Para todos esses produtos, tutoriais e bibliotecas prontas estão dispon´ıveis no site oficial e em fóruns alimentados pela comunidade que utiliza o Arduino (Arduino, 2018; CHAVIER, 2018).

2.4.2 RASPBERRY PI

A Fundação Raspberry Pi é uma instituição de caridade que tem sua base no Reino Unido. O objetivo dessa fundação é estimular cada vez mais pessoas para a área de produção digital por todo o mundo para que, a partir deste est´ımulo, as pessoas possam ser capazes de compreender e modelar o mundo cada vez mas digital, permitindo resolver problemas e que estejam preparados para os empregos do futuro. Ela é fornecedora de computadores de baixo custo e alto desempenho, permitindo que o usuário possa aprender, resolver problemas e se divertir (Raspberry Pi Foundation, 2018b).

A finalidade que o usuário pode ter para seu hardware Raspberry Pi é bastante variada. Provavelmente o usuário, ao acessar o site da Fundação, encontrará tutoriais que possam

(25)

auxiliá-lo na criação de seu projeto. A placa é comumente utilizada em conjunto com o sistema operacional Raspbian Desktop, o que permite com que o usuário utilize inúmeras bibliotecas de código livre para seu projeto, assim como que ele programe diretamente na placa (Raspberry Pi Foundation, 2018c).

O Raspbian é uma variação do sistema operacional Debian otimizada para o uso em Raspberry Pi. Um ponto interessante é o fato de que o Raspbian não foi desenvolvido pela Fundação Raspberry Pi, mas sim por um grupo de entusiastas dos projetos Debian e Raspberry Pi (Raspbian Project, 2018).

Há diversos modelos de Raspberry sendo comercializados, dentre estes destaca-se por ser dos mais completos o Raspberry Pi 3, que utiliza um processador quad-core de 1,2 GHz e possui 1 GB de memória RAM. Dentre as opções de conectividade destacam-se os módulos de Internet sem fio e de Bluetooth de baixo uso de energia e a porta Ethernet que também pode ser utilizada para conexão com a Internet. Para a sa´ıda de v´ıdeo, há uma porta HDMI dispon´ıvel. Além disso, há 40 pinos GPIO de entrada e sa´ıda de dados, quatro portas USB, além de portas CSI e DSI para câmeras e telas touchscreen. O armazenamento não-volátil, que em um PC é responsabilidade do disco r´ıgido, no Raspberry ocorre em um cartão de memória (Raspberry Pi Foundation, 2018a).

(26)

3 METODOLOGIA

O desenvolvimento do presente projeto possui cinco etapas bastante definidas, para cada uma destas foi reservada uma sec¸˜ao dentro deste cap´ıtulo.

Na primeira destas, foi montado um dispositivo empregando o sensor escolhido, o que permitiu a coleta dos dados do sensor. Em seguida, foi definido um procedimento para obtenção das amostras de dados e utilizando este procedimento foram coletados os dados. A terceira etapa consistiu em aplicar os métodos de detecção de queda de maneira offline em um computador pessoal. Em seguida, foi montado e programado o dispositivo final com as funcionalidades previstas e por fim foram realizados os testes finais.

3.1 SISTEMA PARA A AQUISIC¸ ˜AO DE DADOS DO SENSOR

Para a aquisição de amostras de valores de giroscópio e acelerômetro em movimentos convencionais e de quedas da cadeira de rodas foi escolhido o sensor MPU-6050 do fabricante Invensense. Os principais fatores que motivaram a escolha deste sensor foram o fato de incorporar acelerômetro, giroscópio e ADC e suas caracter´ısticas tais como range, resolução e precisão, que foram julgados adequados às tarefas ora propostas. Importante ressaltar que anteriormente a qualquer medição é necessário proceder com a calibração do sensor, realizada pelo firmware no momento da escolha da escala a ser utilizada, conforme previsto na documentação (InvenSense Inc., 2013a).

Os ranges utilizados foram de 2g para o acelerômetro e de 250◦/s para o giroscópio. Com isso, a aceleração era medida em passos de ₁₆₃₈₄1 ge o giroscópio em passos de ₁₃₁1 ◦/s.

Nesta situação também se definiu que o eixo x teria o mesmo sentido e direção do movimento da cadeira para frente e que o eixo z teria a mesma direção e sentido da força gravitacional. Portanto, o eixo y é uma linha transversal à cadeira e que aponta para a direita.

Este sensor teve como primeiro objetivo neste projeto compor a base de dados para ser aplicada posteriormente no conjunto de treinamento do kNN e para o desenvolvimento do

(27)

mecanismo de threshold. Para tal, um setup foi montado junto de uma cadeira de rodas a fim de obter as informações desejadas de acordo com diferentes tipos de posição e movimentos.

A montagem deste setup de aquisição de dados utilizou uma cadeira de rodas convencional com o sensor MPU-6050 e uma placa Arduino Mega presos no apoio de braço direito do assento conforme mostrada na Figura 4. A placa Arduino foi ligada a um computador pessoal para onde os dados aquistados pela MPU eram recebidos e salvos. A placa poderia ser ligada ao computador tanto através de um cabo USB quanto por meio do módulo sem fio HC-06 que utiliza o protocolo Bluetooth e é compat´ıvel com o Arduino (Guangzhou HC, 2011).

Figura 4: Setup montado para a aquisição de dados. Fonte: Autoria própria.

Os sensores (giroscópio e acelerômetro) da MPU se comunicam com a placa Arduino utilizando o protocolo I2C como interface. O recebimento e tratamento dos dados recebidos foi feito por meio de um programa escrito em linguagem C, o qual recebia as informações do sensor e apresentava tais valores em um terminal de monitor serial. Este programa utilizou como base, além do datasheet da MPU, dispon´ıvel em InvenSense Inc. (2013a), também o trabalho de Romanov (2016a) e o código dispon´ıvel em Romanov (2016b).

(28)

Em seguida, competia ao computador pessoal agrupar, após cada ensaio, os valores provenientes do terminal e posteriormente salvá-los em arquivos no formato CSV. Este formato foi escolhido por facilitar a importação para os aplicativos que seriam utilizados futuramente na análise dos dados. A interação entre os equipamentos é mostrada na Figura 5.

Figura 5: Diagrama de interação para o setup inicial. Fonte: Autoria própria.

3.2 COLETA DE DADOS

A primeira definição referente à metodologia de coleta de dados foi a taxa de amostragem, que foi definida como sendo de 5 Hz, ou seja, uma amostra a cada 200 ms. Em seguida, definiu-se quantas e quais seriam as situações de queda e não-queda (atividades cotidianas) a serem ensaiadas para a obtenção da base de dados.

Com a utilização de métodos de machine learning, foi necessário formar o conjunto de treinamento do método. Para isto foram utilizados os dados coletados nesta etapa. O conjunto de treinamento deve ser grande o suficiente para cobrir diversas situações, porém caso seja muito grande há problemas de convergência. Sendo assim, definiu-se 80 amostras como o tamanho do conjunto de treinamento e por consequência da base de dados a ser inicialmente obtida. Ainda, definiu-se que 80% dos dados seriam provenientes de quedas e os 20% restantes de não-quedas.

A Tabela 1 mostra as situações de queda definidas e o número de experimentos por situação. A direção da queda pode ser para frente, para trás ou para cada um dos lados. Já a direção do movimento anterior à queda é a mesma da cadeira, que pode ser apenas para frente ou para trás, pois o sensor está sempre na mesma direção das rodas traseiras (grandes) da cadeira, que não esterçam.

(29)

Tabela 1: Quantidade de ensaios de queda realizados na coleta de dados.

Movimento da cadeira Direc¸˜ao da queda Quantidade de ensaios Em movimento para frente Para a direita 3

Em movimento para frente Para a esquerda 3

Em movimento para frente Para frente 4

Em movimento para frente Para tr´as 4

Em movimento para tr´as Para a direita 2 Em movimento para tr´as Para a esquerda 2

Em movimento para tr´as Para frente 2

Em movimento para tr´as Para tr´as 2

Parado Para a direita 10

Parado Para a esquerda 10

Parado Para frente 11

Parado Para tr´as 11

Fonte: Autoria pr´opria.

realizar pequenas variações, seja variando o per´ıodo da queda ou a aceleração durante a queda. Dessa maneira, visa-se obter uma base de dados menos viciada, o que cobriria um rol maior de situações que poderiam ocorrer no mundo real.

De maneira semelhante, definiu-se o protocolo para ensaio das situações cotidianas, as que devem ser classificadas como não-queda. A Tabela 2 mostra as situações definidas e o número de experimentos por situação.

Tabela 2: Quantidade de ensaios de atividade di´aria realizados na coleta de dados.

Movimento da cadeira Quantidade de ensaios

Cont´ınuo para frente 4

Cont´ınuo para tr´as 2

Curto e intermitente 10

Na Tabela 2, os movimentos classificados como curtos e intermitentes seriam aqueles quando não há intenção de movimento do usuário. Exemplos deste tipo de movimento seriam estar sentado em frente a um computador ou televisão ou ainda em uma roda de conversas.

A Figura 6 mostra o sistema utilizado para a aquisic¸˜ao de dados durante esta etapa.

3.3 APLICAÇ ÃO DOS M ÉTODOS DE DETECÇ ÃO AOS DADOS

Uma vez formada a base de dados, a elaboração de um método para a detecção de quedas seguirá de forma diferente para cada um dos tipos de algoritmos, justamente em função

(30)

Figura 6: Sistema utilizado para a aquisição de dados. Fonte: Autoria própria.

das diferenças entre eles. Enquanto os métodos de machine learning permitem uma abordagem mais formal, com base em técnicas de validação, os métodos baseados em threshold são em geral tratados de maneira mais emp´ırica.

Com relação aos métodos de machine learning, optou-se por avaliar inicialmente apenas o método dos k-Nearest Neighbors. Tal escolha justifica-se no fato deste método estar entre os mais simples e de ter apresentado um desempenho próximo aos demais na análise efetuada por Quadros (2017). Sendo assim, esperou-se do kNN desempenho aceitável para esta situação, de forma neste trabalho que não fosse necessária a implementação de outros métodos de machine learning.

Ressalta-se que, nesta etapa de análise inicial dos dados, todo o processamento foi feito de maneira offline em computadores pessoais. Foram utilizados programas e scripts para implantar os métodos de detecção e realizar o processamento das amostras.

(31)

3.3.1 M ´ETODO DO THRESHOLD

No método do threshold, que é baseado em um valor-limiar para a detecção de queda, o desenvolvimento do método se dá em função deste valor a ser determinado. Sendo assim, inicialmente é necessário determinar qual ou quais valores podem ser de interesse para a implementação do método.

Tanto para a aceleração quanto para os valores lidos do giroscópio, pode-se analisar as componentes correspondentes aos eixos x, y e z. Outro valor de interesse em um vetor (como é o caso da aceleração e do valor do giroscópio) é o módulo (ou valor absoluto), definido pela Equação (2) (ANTON; RORRES, 2001).

|v| = q

(vx)2+ (vy)2+ (vz)2 (2)

O comportamento esperado era que a análise apenas da média das componentes já fosse suficiente para nortear o desenvolvimento do threshold, sendo que uma análise estat´ıstica mais avançada poderia ser empregada caso necessário.

Esperava-se que a sa´ıda do acelerômetro não tivesse variações bruscas em seus valores, quando do uso normal, pois a maior aceleração sobre a cadeira é a gravitacional, as acelerações necessárias para colocar a cadeira em movimento são tipicamente muito menores. Ou seja, esperava-se poder medir a aceleração estática da cadeira de rodas. Uma forma de refinar os resultados da detecção de aceleração estática seria utilizar filtros visando suprimir ruido.

Para realizar esta análise, os dados em formato CSV gerados pelo setup de aquisição de dados foram importados para o software Octave, onde cada ensaio foi tratado como uma matriz, cujas colunas são os valores correspondentes aos eixos x, y e z de aceleração e giroscópio e as linhas são as leituras efetuadas na taxa de amostragem definida. O Octave é um software livre, planejado para ser utilizado em cálculos matemáticos, tendo sua linguagem bastante próxima com a do software MATLAB, o que traz diversas vantagens para o cálculo com matrizes como o que foi executado (EATON, 2018).

O fluxograma da Figura 7 mostra o funcionamento do c´odigo previsto para a an´alise por threshold.

Na implementação definitiva no sistema embarcado, esta análise deve ser realizada, a princ´ıpio, a cada vez que houver uma nova amostra. Ou seja, a cada vez que houver uma nova leitura da MPU, será executado o algoritmo que determinará por threshold se houve queda ou não. Os parâmetros deste algoritmo serão os valores atuais lidos do sensor e alguns valores

(32)

Figura 7: Fluxograma de funcionamento do código previsto para a análise por threshold. Fonte: Autoria própria.

anteriores, caso seja utilizada alguma t´ecnica estat´ıstica ou filtro.

3.3.2 M ´ETODO KNN

A aplicação do algoritmo de machine learning k-Nearest Neighbors foi implementada de forma a classificar os valores obtidos em tempo real pelos sensores da MPU em dois grupos distintos, o de queda e não-queda.

O conjunto de treinamento é composto pelos dados obtidos a partir dos ensaios do setupinicial e o conjunto de teste é formado pelos dados obtidos em tempo real dos sensores acoplados à cadeira de rodas. As amostras de ambos os conjuntos são compostas por vetores que seguirão a estrutura de doze componentes por vetor, sendo as seis primeiras posições o valor máximo dentre cinco amostras consecutivas dos valores obtidos no giroscópio e acelerômetro. As seis últimas posições correspondem à média aritmética simples entre as mesmas cinco amostras consecutivas de valores enviados pelos sensores. Esta é uma técnica semelhante à

(33)

utilizada por Quadros (2017).

De maneira semelhante ao que se efetuou com o método do threshold, a análise inicial do desempenho do kNN foi realizada de forma offline, em um computador pessoal, onde a quantidade de processamento não era um limitante. Foi escrito um código na linguagem de programação Python versão 2.7, na IDE Microsoft Visual Studio 2017, versão Community. A escolha desta linguagem visou possibilitar o reaproveitamento do código no sistema embarcado a ser desenvolvido. O fluxograma da Figura 8 apresenta o funcionamento deste código que implementa o kNN.

Visando estimar a precisão do conjunto de treinamento montado foi utilizado o método de validação cruzada k-Folds, que permite obter a precisão do modelo para outros conjuntos de dados. Além disso, através deste é poss´ıvel estimar o melhor valor de k interações para o método kNN, parâmetro este de suma importância para o método (JAMES et al., 2013).

O k-Folds primeiramente divide o conjunto de dados em k grupos (Folds) de mesmo tamanho, sendo um desses considerado como o grupo de validação e os demais como grupos de teste. A partir dessa divisão, o valor do erro quadrático médio é calculado para cada grupo de teste em relação ao grupo de validação. Esse procedimento de cálculo é repetido k vezes, sendo que em cada rodada o grupo de validação é substitu´ıdo por um outro grupo do conjunto de testes. Após as k rodadas terem sido calculadas é realizada a média simples entre os valores de erros médios quadráticos de cada rodada. A Figura 9 ilustra o funcionamento do k-folds para o valor de cinco rodadas (JAMES et al., 2013).

Neste ponto, cabe uma consideração a respeito do s´ımbolo k, utilizado tanto pelo kNN quanto pelo k-folds. Muito embora ambos utilizem o s´ımbolo k em suas nomenclaturas, o k em cada método se refere a parâmetros distintos. No kNN o k se refere ao número de vizinhos a terem sua distância medida, já no k-folds se refere a quantidade de grupos (folds) que serão divididos.

Como já foi citado, outra aplicação do k-folds é determinar o melhor valor do número de vizinhos a serem computados pelo kNN. Esta determinação se dá pela análise do erro quadrático médio para cada valor de k no método k-folds. O k que obtiver o menor valor de erro ou ainda, o menor valor a partir de qual o erro permaneça constante será o melhor número de vizinhos no kNN. Em outras palavras, determinar o k ideal para o kNN consiste em testar diferentes quantidades de rodadas (divisões de grupos, o k do k-folds) na validação cruzada e comparar seus resultados finais em busca de um valor que traga os melhores resultados (JAMES et al., 2013).

(34)

Figura 8: Fluxograma de funcionamento do c´odigo que implementa o kNN. Fonte: Autoria pr´opria.

(35)

Figura 9: Ilustrac¸˜ao do funcionamento do k-folds para cinco rodadas. Fonte: (JAMES et al., 2013).

O Sklearn1é uma biblioteca open source que possui diversas ferramentas para machine learning, dentre essas a função cross val score(), a qual retorna os valores dos erros médios quadráticos de cada rodada em um vetor. Um de seus parâmetros de entrada é o número de interações. Com o aux´ılio desta biblioteca foi poss´ıvel simplificar e agilizar o processo de validação cruzada de uma base de dados (PEDREGOSA et al., 2011).

3.4 DESENVOLVIMENTO NO RASPBERRY PI

Uma vez obtidos os resultados dos testes com os métodos de threshold e kNN, foi escrito o código final, que gerou um aplicativo a ser executado no Raspberry Pi 3. Este código foi escrito na linguagem de programação Python, para que os desenvolvimentos já existentes neste trabalho referentes ao kNN pudessem ser aproveitados com o m´ınimo de complicação.

A escolha do Raspberry Pi para esta etapa se deu em função de ser um hardware compacto, porém com grande capacidade de processamento. Além disso, os pinos de GPIO facilitam a comunicação com o sensor e com os demais módulos que viessem a ser necessários.

Outro desafio desta etapa foi definir como os métodos de detecção trabalhariam em conjunto. Esta definição dependeu essencialmente do desempenho de cada método em relação à detecção de queda. Por exemplo, se um método detectasse todas as quedas, porém tivesse

(36)

alto ´ındice de falso-positivo, este método seria interessante para uma análise inicial. Caso os métodos apresentassem desempenho semelhante, seria interessante avaliar a possibilidade de combinar através de uma disjunção ou de uma conjunção os resultados de cada método.

O fator desempenho também teve papel importante nesta etapa. Como se trata de um sistema embarcado, as amostras são processadas em tempo real, sendo assim há um per´ıodo definido no qual o método deve decidir se houve queda ou não. Esta é uma preocupação maior com respeito ao kNN, que consome mais recursos de processamento na sua execução e que, portanto, deve ter seu código o mais otimizado poss´ıvel.

O desenvolvimento da aplicac¸˜ao teve como requisitos os enumerados a seguir.

• Implementar os métodos de detecção de queda kNN e threshold;

• Enviar a mensagem SMS para o n´umero de telefone cadastrado;

• Sinalizar quando h´a falha do envio do SMS por um motivo qualquer;

• Limitar o n´umero de SMS enviados a uma a cada 90 segundos, de maneira a n˜ao lotar a caixa de mensagens do receptor destas.

O fluxograma da Figura 10 mostra a implementação de todo o código para o caso do thresholdfazer a análise inicial e o KNN tomar a decisão final.

3.5 TESTES FINAIS

Após a solução estar totalmente implementada, esta foi submetida a uma bateria de testes para que o seu desempenho fosse validado. Nesta bateria de testes objetivou-se tanto verificar o desempenho em situações reais, o que não havia sido feito com os métodos trabalhando separadamente, quanto verificar se a associação dos métodos não trouxe nenhum tipo de preju´ızo.

Esta verificação consiste em fazer novamente ensaios de queda e não queda, da mesma forma e na mesma quantidade que foi efetuado para a obtenção dos dados utilizados no kNN. As Tabelas 3 e 4 mostram quais e quantos ensaios foram realizados.

Por fim, o teste de uso diário foi feito na rua, percorrendo duas quadras em uma calçada com trechos lisos, de paralelep´ıpedo, com buracos e com imperfeições. Além disso, foram realizados testes em pequenos degraus e rampas. As rampas testadas são as existentes junto a faixas de pedestres, na entrada de edif´ıcios e também uma rampa de garagem de

(37)

Figura 10: Fluxograma do funcionamento do programa a ser executado no Raspberry. Fonte: Autoria pr´opria.

paralelep´ıpedos. As Figuras 11 e 12 ilustram, respectivamente, uma situac¸˜ao de teste em piso plano e outra em piso de paralelep´ıpedos.

Como nem todos os testes foram realizados, por uma razão de segurança, com uma pessoa na cadeira, a aceleração a que a cadeira de rodas foi submetida durante os testes é superior àquelas encontradas durante o uso do produto. Quando a cadeira estiver com o peso

(38)

Tabela 3: Quantidade de ensaios de queda realizados nos testes finais.

Movimento da cadeira Direc¸˜ao da queda Quantidade de ensaios Em movimento para frente Para a direita 3

Em movimento para frente Para a esquerda 3

Em movimento para frente Para frente 4

Em movimento para frente Para tr´as 4

Em movimento para tr´as Para a direita 2 Em movimento para tr´as Para a esquerda 2

Em movimento para tr´as Para frente 2

Em movimento para tr´as Para tr´as 2

Parado Para a direita 10

Parado Para a esquerda 10

Parado Para frente 11

Parado Para tr´as 11

Tabela 4: Quantidade de ensaios de atividade di´aria realizados nos testes finais.

Movimento da cadeira Quantidade de ensaios

Cont´ınuo para frente 4

Cont´ınuo para tr´as 2

Curto e intermitente 10

do usuário, este constitui uma inércia para o movimento e, com isso, a cadeira não deverá se acelerar tanto quanto durante os ensaios. Vale ressaltar que também foram efetuados testes com uma pessoa na cadeira de rodas, visando simular uma situação mais real.

(39)

Figura 11: Situação-teste em piso plano. Fonte: Autoria própria.

(40)

Figura 12: Situação-teste em piso de paralelep´ıpedos. Fonte: Autoria própria.

(41)

4 RESULTADOS

Os resultados a serem apresentados nesse cap´ıtulo permitirão obter uma visão geral de todo o sistema final desenvolvido e de seu funcionamento. Para isso, serão mostrados os resultados para a detecção de queda da cadeira de rodas, empregando os métodos do threshold e k-Nearest Neighbors.

Além disso, serão apresentadas a arquitetura final do software desenvolvido, o seu processo de implementação e também detalhes do hardware que faz parte da solução. Ainda, serão abordadas a eficiência e a precisão na detecção de quedas em situações de movimento cotidianas, tais como quedas laterais e frontais por meio dos testes descritos na metodologia.

Com relação ao setup inicial para a obtenção de dados, que utilizou o Arduino em seu desenvolvimento, o funcionamento ocorreu dentro do esperado. A única observação negativa vem do módulo de Bluetooth, que ficava perdendo o pareamento com frequência durante as quedas. Sendo assim, a aquisição dos dados foi feita com o Arduino conectado ao PC por meio de um cabo USB suficientemente longo a ponto de não atrapalhar o movimento da cadeira de rodas.

A Figura 13 mostra um exemplo de arquivo CSV com os valores lidos do sensor durante um dos ensaios.

4.1 DETECÇ ÃO DE QUEDA PELO M ÉTODO THRESHOLD

Uma vez obtidos os dados utilizando o sensor e o Arduino, a primeira tentativa de implementar o threshold consistiu em aplicar apenas um limiar ao módulo da aceleração medida pelo sensor. Entretanto, notou-se que em algumas quedas o valor da aceleração ficava praticamente constante em torno da aceleração da gravidade g. Em outras quedas, este valor variava bastante, assim como em algumas atividades diárias também era notada esta variação. Ou seja, apenas o módulo da aceleração não proporcionaria uma detecção correta das quedas.

(42)

Figura 13: Arquivo CSV com os dados provenientes do ensaio e lidos do MPU. Fonte: Autoria pr´opria.

analisando cada eixo separadamente e também o valor do módulo. Nesta análise pôde-se perceber o padrão de queda e não-queda, através da variação do valor da componente da aceleração no eixo z. Este é um resultado bastante lógico, uma vez que a cadeira ca´ıda muda sua posição e a aceleração gravitacional passa a atuar sobre outros eixos do sensor. As Figuras 14 e 15 mostram, respectivamente, um exemplo de situação de não-queda e de queda da cadeira.

Com isso, implantou-se o threshold com base na razão entre o valor do aceleração no eixo z az e o módulo da aceleração |a|. Foram efetuados testes com vários valores de limiar, visando obter o valor ideal desta razão. Quando a razão estava muito próxima de 1, ocorriam alguns falsos-positivos. Importante ressaltar que o falso positivo desaparecia quando o valor da razão era diminu´ıdo.

Por outro lado, a diminuição do valor de limiar gerava também uma redução da sensibilidade. Sendo assim, em situações nas quais a cadeira não deitasse totalmente, seria

(43)

Figura 14: Dados do acelerômetro para um ensaio de não-queda Fonte: Autoria própria.

poss´ıvel que um sistema com baixa sensibilidade não detectasse a queda. Tal situação, entretanto, não se verificou nos testes ora efetuados.

Em situações como a da Figura 14, pode-se notar que alguns pontos têm seu valor muito diferente do seu antecessor e do seu sucessor. Uma das razões para este comportamento seria ru´ıdo na comunicação com o sensor. Outra possibilidade seriam impactos na cadeira que não resultassem em queda, mas que, entretanto, imprimissem uma aceleração curta e intensa à cadeira. Para resolver este problema foi implementado um filtro FIR do tipo média móvel.

Através da implementação do filtro eliminou-se, sem preju´ızo da detecção das quedas, este efeito descrito no parágrafo anterior, que geraria falsos-positivos. A especificidade do sistema passou de 81,2% para 100%. Indiferentemente à existência ou não do filtro, após a definição de um valor ótimo para a razão entre az e |a| a sensibilidade foi calculada em 92,2%.

Tendo em vista o bom desempenho do threshold utilizando os dados do acelerômetro, optou-se por não implementar uma análise dos dados provenientes do giroscópio por threshold. Em uma análise simplificada, concluiu-se que utilizar os dados do giroscópio para detectar a queda da cadeira seria mais complicado, pois os movimentos cotidianos da cadeira influenciam

(44)

Figura 15: Dados do acelerˆometro para um ensaio de queda Fonte: Autoria pr´opria.

mais o giroscópio do que o acelerômetro. Entretanto, estes dados do giroscópio foram utilizados pelo método kNN para compor a sua análise.

4.2 DETECÇ ÃO DE QUEDA PELO M ÉTODO KNN

Como previsto na metodologia, desenvolveu-se um programa em Python que implementa o kNN para o tipo de dado proposto na metodologia. Os dados que serviram de base para esta etapa tamb´em foram os mesmos utilizados para o m´etodo de threshold.

Em seguida, aplicou-se o método de validação cruzada k-folds para um valor de k = 10 foldse foram obtidos os valores de erros médios quadráticos para cada rodada. Os resultados retornados da validação são apresentados na Tabela 5.

Além do valor de generalização do conjunto de treinamento o k-folds foi usado para obter um valor otimizado de k para o método do kNN. Na Figura 16 são mostrados em forma de gráfico os resultados finais do método de validação cruzada para diferentes quantidades de rodadas, ou seja, cada valor de k no gráfico representa a quantidade de grupos (folds) que foram utilizados. No eixo vertical é ilustrada a acuidade do resultado em uma escala de 0 até 1 e no

(45)

Tabela 5: Resultados do k-folds para a base de dados. Rodada Probabilidade 1 81,25% 2 87,5% 3 87,5% 4 81,25% 5 81,25% 6 87,5% 7 93,75% 8 75% 9 87,5% 10 81,25% M´edia 84,37%

eixo horizontal ´e mostrado o valor da quantidade de grupos.

Figura 16: Resultados finais do método de validação cruzada em função de k. Fonte: Autoria própria.

Analisando o gráfico é poss´ıvel constatar que a partir de sete folds o valor de erro se estabiliza, ou seja, a partir do valor de k = 7 o resultado do método k-folds se torna constante em torno de 84% de precisão para o modelo apresentado. Dessa forma, o valor de otimização para a quantidade de vizinhos a serem empregados no kNN foi estabelecido como sendo sete.

(46)

4.3 DESENVOLVIMENTO DAS APLICAC¸ ˜OES NO RASPBERRY

De maneira a implementar os métodos de threshold e kNN apresentados anteriormente, foi criado um software na linguagem de programação Python versão 2.7. O principal objetivo dessa implementação foi unificar os códigos de ambos os métodos citados anteriormente e obter o seu funcionamento final em um Raspberry Pi 3, que foi a plataforma escolhida para implementar o sistema embarcado.

A implementação do programa, por questões de melhor depuração de erros e testes no software, foi realizada inicialmente em um computador pessoal com o sistema operacional Microsoft Windows 10 e utilizando a ferramenta de desenvolvimento Microsoft Visual Studio 2017 versão Community. Após a parte de implementação do algoritmo do kNN estar completa no PC, o código foi migrado para o Raspberry Pi 3. O desenvolvimento do código prosseguiu na placa utilizando a própria ferramenta nativa de desenvolvimento do Python 2.7.

Ainda no Raspberry, foi implementado o código responsável pelo interfaceamento com os sensores da MPU6050 por meio do protocolo de comunicação I2C, visando a aquisição dos valores em tempo real.

Em seguida, foi utilizada a API da Twilio1 para o desenvolvimento do mecanismo de alerta via SMS sobre o acontecimento de acidentes (Twilio Inc., 2018). A escolha pela utilização desta API teve como objetivo simplificar o desenvolvimento da parte de envio da mensagem. Como vantagem desta solução tem-se o fato de não ser necessário um módulo de GSM para o Raspberry nem um smartphone conectado por Bluetooth, a desvantagem é a necessidade do Raspberry estar sempre conectado à Internet.

A identificação de quedas pela solução utiliza o threshold e kNN de forma sequencial, ou seja, primeiramente os valores de entrada passam pela análise do threshold. Caso o threshold não considere como queda o kNN não será acionado e novas amostras serão coletadas e analisadas. Caso seja indicada uma situação de queda pelo threshold, as informações oriundas do vetor de teste seguirão para a análise pelo método kNN, caso confirmada a queda um SMS será enviado, notificando a ocorrência da queda. Este código foi implementado conforme o fluxograma da Figura 10.

A opção por utilizar o threshold como critério inicial para detecção da queda se deu principalmente pela alta carga experimentada pelo processador quando do cálculo do método do kNN. Sendo assim, utilizar o kNN a cada nova amostragem, ainda mais em sistema embarcado com sistema operacional, poderia levar o Raspberry a um comportamento inesperado devido à