Algoritmos de inteligência artificial para deteção de quedas em dispositivos

Ver registo simples
dc.contributor.authorBessa, Pedro Maria de Oliveira Martins dos Santos
dc.contributor.institutionEscola de Comunicação, Arquitetura, Artes e Tecnologias da Informação
dc.date.accessioned2024-11-28T11:34:49Z
dc.date.available2024-11-28T11:34:49Z
dc.date.issued2024
dc.description.abstractNeste documento serão executadas atividades de análise e implementação de algoritmos de inteligência artificial para a deteção de quedas em idosos com base na medição de aceleração, considerando a sua implementação futura em equipamentos de baixo poder de computação. Considerando o caráter temporal dos sinais, serão analisadas e implementadas redes recursivas com memória de curto prazo ou Long Short-term Memory, as LSTM. Os trabalhos terão em conta: a análise do atual estado da arte e a implementação e análise de performance das topologias de rede consideradas mais promissoras. É estudada uma rede neuronal baseada em LSTM, sobre a qual são aplicadas técnicas no sentido de melhorar o desempenho dos sistemas visados. São testadas múltiplas camadas LSTM considerando janelas temporais mais alargadas, que na sua dimensão conseguem manter uma performance acima dos sistemas de referência. Tendo em conta o modelo de classificação com três dimensões, os resultados apurados nesta abordagem demonstram-se satisfatórios, com métricas aperfeiçoadas relativamente ao modelo clássico de dados Sisfall e com níveis de probabilidade de acerto, sensibilidade e especificidade em linha com os melhores resultados dos sistemas em análise. O modelo atingiu um máximo de probabilidade de acerto no treino de 94,93% e 0,14% de valor de perda, sendo os valores finais de validação de 93,11% e 0,19% respetivamente, tendo-se verificado que o modelo tem evolução em todas as dimensões. Palavras-chave: Artificial Intelligence, Wearables, Fall Detection, Embedded Programmingpt
dc.description.abstractAnalysis and implementation of artificial intelligence algorithms for detecting falls in the elderly based on the measurement of acceleration and/or angular velocity and taking into account their future implementation in equipment with low computing power. Considering temporal nature of the signals, recursive networks with short-term memory or LSTM will be considered. This dissertation will focus on: analysing the current state of the art, implementing and analysing the performance of the most promising network topologies. This dissertation studies a neural network based on LSTM, on which techniques are applied to improve the performance of the proposed systems. Multiple LSTM layers are tested considering wider time frames, which in their processing dimension manage to maintain a higher performance than the analysed systems. Considering the non-binary classification model with multiple dimensions, the results of this approach are promising, with improved metrics compared to the classic Sisfall data model and with levels of accuracy, sensitivity, and specificity in line with the best results of the proposed systems. This model achieved a maximum training accuracy of 94.93% and a 0.14% loss value, with final validation values of 93.11% and 0.19% respectively. It can be verified that the model has evolved in all its dimensions. Keywords: Artificial Intelligence, Wearables, Fall Detection, Embedded Programmingen
dc.formatapplication/pdf
dc.identifier.tid203595068
dc.identifier.urihttp://hdl.handle.net/10437/14764
dc.language.isopor
dc.rightsopenAccess
dc.subjectCOMPUTER SCIENCE
dc.subjectARTIFICIAL INTELLIGENCE
dc.subjectEMBEDDED SYSTEMS
dc.subjectCOMPUTER PROGRAMMING
dc.subjectFALLS
dc.subjectELDERLY
dc.subjectMESTRADO EM ENGENHARIA DE SOFTWARE E SISTEMAS DE INFORMAÇÃO
dc.subjectINFORMÁTICA
dc.subjectINTELIGÊNCIA ARTIFICIAL
dc.subjectSISTEMAS EMBUTIDOS
dc.subjectPROGRAMAÇÃO DE COMPUTADORES
dc.subjectQUEDAS
dc.subjectIDOSOS
dc.subjectMestrado em Engenharia Informática e Sistemas de Informação
dc.titleAlgoritmos de inteligência artificial para deteção de quedas em dispositivospt
dc.typemasterThesis

Ficheiros

Principais
A mostrar 1 - 1 de 1
Miniatura indisponível
Nome:
dissertacao-pedro-bessa.pdf
Tamanho:
2.71 MB
Formato:
Adobe Portable Document Format
Ver/Abrir

Coleções

pure-collection
Biblioteca - Dissertações de Mestrado
Mestrado em Engenharia Informática e Sistemas de Informação