Desenvolvimento de uma bengala enativa afetiva para análise e prevenção de quedas : avanços em tecnologia assistiva

Abstract

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.