Divulgação - Defesa de Doutorado Nº 1
Aluno: Yves Mendes Galvão
Título: "Modelos Híbridos para Detecção de Anomalias Relacionadas a Riscos de Saúde"
Orientador: Prof. Bruno José Torres Fernandes (PPGEC)
Corientador: Roberta Andrade de Araújo Fagundes (PPGEC)
Examinador Externo 1 : Luiz Eduardo S. Oliveira (UFPR)
Examinador Externo 2: George D. da C. Cavalcanti (UFPE)
Examinador Externo 3: Hugo Valadares Siqueira (UTFPR)
Examinador Interno: João Fausto Lorenzato de Oliveira (PPGEC)
Data-hora: 29/Novembro/2021 (9:00h) - AM
Local: Escola Politécnica de Pernambuco – Formato Híbrido
https://meet.google.com/ufb-kfqm-sjt
Resumo:
Sistemas automáticos de monitoramento têm apresentado um crescente aumento de utilização na última década e, atualmente, são capazes de identificar diversas atividades da vida diária (ADL). Dentro do contexto de monitoramento de indivíduos em uma residência, um importante campo de pesquisa é o monitoramento de riscos à saúde e a identificação de quedas. Estima-se que, a cada ano, uma em cada três pessoas com mais de 65 anos caem, sendo esse número ainda maior em um ambiente doméstico. Além disso, esses eventos também estão associados a altas taxas de mortalidade entre os idosos. Porém, identificar estas ações corretamente não é uma tarefa fácil, uma vez que existem muitas ADL semelhantes a riscos relacionados à saúde e, geralmente, os conjuntos de dados públicos disponíveis apresentam muitas atividades cotidianas e poucas relacionadas a quedas, sendo essas inclusive ações simuladas por atores. Uma alternativa bastante utilizada para construção de sistemas automáticos para monitoramento um monitoramento automático é a utilização de aprendizado de máquina. Nesse contexto, as soluções que dependem de uma estrutura de dados rotulados em seu treinamento tendem a gerar resultados enviesados e mesmo que, em alguns casos, superem o estado da arte, não são confiáveis na utilização no mundo real, visto que o treinamento com dados sintéticos não permite uma correta generalização em diferentes tipos de dados. Uma possível solução para esse problema é a utilização de múltiplas fontes de dados (imagens e acelerômetros por exemplo) em uma abordagem multimodal ou a utilização de técnicas de detecção de anomalias. Como as quedas são eventos raros de ocorrer, a utilização de detecção de anomalia é bastante útil nesse tipo de cenário, permitindo que o modelo seja treinado utilizando apenas os dados de ADL e consiga identificar um evento de queda automaticamente quando ele ocorrer. Desta forma, se suponhe que a solução não se torne enviesada pela distribuição dos dados. Este projeto de doutorado explora diferentes formas para o monitoramento automático de quedas com o intuito de identificar e reportar rapidamente tais eventos. Durante o desenvolvimento deste trabalho foram desenvolvidos três tipos diferentes de modelos: o primeiro utiliza uma abordagem multimodal, que faz uso de dados de um acelerômetro e de imagens em uma rede Convolucional (CNN) e Long-Short Term Memory (LSTM). O segundo utiliza uma rede convolucional de grafos (ST- GCN) como extrator de características em conjunto com a utilização de encoders, que treinados apenas com ADL conseguem reconstruir esse tipo de ação, identificando uma queda se o erro de reconstrução for maior que um limiar pré-estabelecido. Após os dados observados durante a análise dos projetos anteriores, foi criada a OneFall-GAN, terceira e última solução, a qual explora a utilização de Redes Adversárias Generativas (GAN) aplicadas na detecção de anomalias e técnicas de one-class. Os resultados obtidos nos conjuntos de dados utilizados sugerem que foi alcançado um melhor resultado em comparação com outros trabalhos existentes na literatura.
O Programa
