Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/40134
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2023_DiegoMartinsDeOliveira_tcc.pdf5,31 MBAdobe PDFver/abrir
Título: Desenvolvimento de uma bengala enativa afetiva para análise e prevenção de quedas : avanços em tecnologia assistiva
Autor(es): Oliveira, Diego Martins de
Orientador(es): Rocha, Adson Ferreira da
Assunto: Sistemas enativos afetivos
Aprendizado de máquina
Idosos - quedas
Data de apresentação: 27-Jul-2023
Data de publicação: 10-Out-2024
Referência: OLIVEIRA, Diego Martins de. Desenvolvimento de uma bengala enativa afetiva para análise e prevenção de quedas: avanços em tecnologia assistiva. 2023. 47 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia de Redes de Comunicação) — Universidade de Brasília, Brasília, 2023.
Resumo: Os conceitos dos sistemas enativos afetivos investigam a interação entre seres humanos, tecnologias e ambiente, com o objetivo de aprimorar a mobilidade e a saúde por meio da cognição incorporada, compre endendo como o ser humano afeta e é afetado pelo mundo. Hoje, o Brasil tem uma das maiores populações idosas do mundo e o processo de envelhecimento causa diminuição da capacidade de caminhar, o que pode aumentar o risco de quedas. O uso de um dispositivo auxiliar de marcha visa proporcionar maior segurança e autonomia para a população idosa, reduzindo a ocorrência de quedas e, por isso, foi escolhida uma bengala como objeto para desenvolvimento deste projeto. Utilizar dados deste sistema para aumentar a percepção do usuário e gerar a chamada cognição incorporada, confere a qualidade de sistema enativo afetivo, transformando este objeto na Bengala Enativa Afetiva. Neste trabalho multidisciplinar são apresentados o desenvolvimento de dois protótipos da bengala ena tiva afetiva. Bengalas comuns, de alumínio e ajustáveis, foram instrumentadas com microcontroladores e diferentes sensores. Além disso, foram discutidas diferentes formas de captura e armazenamento dos dados para processamento. Alguns testes foram propostos para avaliar risco de queda de idosos e testes pilotos do tipo Timed Up and Go foram executados com três voluntários hígidos. Seis algoritmos de aprendizado de máquina foram comparados em termos de performance na classificação de padrões de marcha. As análises dos modelos de aprendizado de máquina para detecção de caminhada rápida e lenta reve laram resultados distintos. A regressão logística falhou ao classificar corretamente ambas as atividades, enquanto o vetor de suporte teve dificuldades na identificação da caminhada rápida. A floresta randômica obteve desempenho moderado, e o vizinho mais próximo foi o segundo melhor em desempenho geral. O Naive Bayes apresentou limitações na detecção da caminhada rápida, com resultados insatisfatórios. A árvore de decisão destacou-se como o melhor algoritmo.
Abstract: The concepts of affective enactive systems investigate the interaction between human beings, techno logy, and the environment, aiming to enhance mobility and health through embodied cognition, unders tanding how humans affect and are affected by the world. Today, Brazil has one of the largest elderly populations in the world, and the aging process leads to a decrease in walking capacity, which can increase the risk of falls. The use of an assistive walking device aims to provide greater safety and autonomy for the elderly population, reducing the occurrence of falls. Therefore, a cane was chosen as the object for the development of this project. Using data from this system to enhance user perception and generate what is known as embodied cognition bestows the quality of an affective enactive system, transforming this object into the Affective Enactive Cane. In this multidisciplinary work, the development of two prototypes of the affective enactive cane is pre sented. Common aluminum adjustable canes were instrumented with microcontrollers and various sensors. In addition, different methods of data capture and storage for processing were discussed. Several tests were proposed to assess the risk of falls in the elderly, and pilot Timed Up and Go tests were conducted with three healthy volunteers. Six machine learning algorithms were compared in terms of their performance in classifying gait patterns. The analyses of the machine learning models for detecting fast and slow walking revealed distinct results. Logistic regression failed to correctly classify both activities, while the support vector machine had difficulty identifying fast walking. Random forest achieved moderate performance, and k-nearest neighbors ranked second in overall performance. Naive Bayes showed limitations in detecting fast walking, with unsatisfactory results. Decision tree emerged as the best-performing algorithm.
Informações adicionais: Trabalho de conclusão de curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2023.
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.
Aparece na Coleção:Engenharia de Redes de Comunicação



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.