Bessa, Pedro Maria de Oliveira Martins dos Santos2024-11-282024-11-282024http://hdl.handle.net/10437/14764Neste 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 ProgrammingAnalysis 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 Programmingapplication/pdfporopenAccessCOMPUTER SCIENCEARTIFICIAL INTELLIGENCEEMBEDDED SYSTEMSCOMPUTER PROGRAMMINGFALLSELDERLYMESTRADO EM ENGENHARIA DE SOFTWARE E SISTEMAS DE INFORMAÇÃOINFORMÁTICAINTELIGÊNCIA ARTIFICIALSISTEMAS EMBUTIDOSPROGRAMAÇÃO DE COMPUTADORESQUEDASIDOSOSMestrado em Engenharia Informática e Sistemas de InformaçãomasterThesis203595068