Repository logo

ESTCB - Dissertações de Mestrado

Permanent URI for this collection

http://hdl.handle.net/10400.11/56

Browse

Browsing ESTCB - Dissertações de Mestrado by Author "André Carvalho Serra"

Now showing 1 - 1 of 1
  • Análise e avaliação de algoritmos para reconhecimento de posturas com base em matrizes de pressão
    Publication . André Carvalho Serra; Ribeiro, Fernando Reinaldo Silva Garcia Ribeiro; Metrôlho, José Carlos Meireles Monteiro2025
    O processo de controlar e monitorizar o estado do paciente durante as suas horas de sono tem vindo a ajudar no estudo de diminuição de riscos de saúde, nomeadamente em situações nas quais os maus hábitos noturnos ou mau posicionamento do corpo causam diferentes tipos de problemas no seu respetivo bem-estar. Vários estudos têm sido feitos neste âmbito, nomeadamente para a classificação de posturas das pessoas que se encontram acamadas, cada um deles seguindo diferentes abordagens. Por exemplo, técnicas que utilizam matrizes de pressão obtidas de sensores posicionados sobre o colchão, juntamente com algoritmos de machine learning (ML), têm alcançado precisões de até 99% (e.g., [1]) na classificação das posturas principais (virado para cima, virado para baixo, lateral esquerdo e lateral direito). Este trabalho centra-se na utilização de algoritmos de ML aplicados a dados obtidos por uma matriz de sensores de pressão posicionada por baixo do colchão, de forma a minimizar o desconforto para o paciente monitorado. Usando este conjunto de dados, são aplicados e avaliados algoritmos para a classificação das posturas principais e as suas variações, com o objetivo de desenvolver uma solução eficaz e menos invasiva para monitorização da postura. Os experimentos incluíram 10 algoritmos de ML, que alcançaram uma accuracy média entre 79,14% e 98,93% com validação Group K-Fold e entre 80,03% e 97,14% com a técnica Leave-One-Group-Out (LOGO) para classificar as quatro posturas principais. O estudo também expandiu a classificação para 28 variações de postura (7 variações para cada postura principal), com o algoritmo SVM alcançando uma accuracy de 65,18% na validação Group K-Fold. Isso representa uma melhoria significativa em relação a estudos anteriores, especialmente ao considerar o maior número de posturas. Comparações com outras abordagens que utilizam sensores de pressão mostram que esta solução, com sensores posicionados por baixo do colchão, oferece uma accuracy comparável e, em alguns casos, superior. Esses resultados sugerem que o uso de sensores por baixo do colchão é uma alternativa eficaz e menos intrusiva para a classificação de posturas.
    2025Master thesis Open access Show more