Compartilhamento |
![]() ![]() |
Use este identificador para citar ou linkar para este item:
http://www.bdtd.uerj.br/handle/1/17128
Tipo do documento: | Dissertação |
Título: | Detecção de risco de queda de hospitalizados através da informação do estado do canal sem-fio |
Título(s) alternativo(s): | Fall Risk detection in hospitalized through wireless channel state information |
Autor: | Chagas, Amanda de Oliveira Sabino das ![]() |
Primeiro orientador: | Lovisolo, Lisandro |
Segundo orientador: | Tcheou, Michel Pompeu |
Primeiro membro da banca: | Sztajnberg, Alexandre |
Segundo membro da banca: | Souza Filho, João Baptista de Oliveira e |
Resumo: | A Informação do Estado do Canal (CSI - Channel State Information) está disponível em redes sem fio do padrão IEEE 802.11. A CSI traz informação sobre o ambiente de propagação através da amplitude e fase das subportadoras OFDM. Neste estudo, emprega-se a CSI para a detecção de risco de queda de pacientes hospitalizados. Detecta-se a mudança no ambiente de propagação do sinal sem fio e a partir deste princípio não-intrusivo são implementados detectores de risco de queda em ambiente hospitalar. Os detectores propostos detectam o risco como anomalias no ambiente a partir da identificação de alterações no ambiente de propagação. Propomos três detectores usando diferentes algoritmos de aprendizagem de máquina: kNN (k-Nearest Neighbors), PCA (Principal Component Analysis) e Autoencoder. Para cada um deles são escolhidos os pontos de corte a partir da técnica de testes e diagnósticos da Curva ROC, obtendo acurácias de até 87,33% para o kNN, 93,00% para o PCA e 90,92% para o Autoencoder. Para esse trabalho é desenvolvido um banco de dados de situações normais e de risco de queda. Além da análise global do detector de risco de queda por anomalias, avalia-se como diferentes tipos de queda comprometem o funcionamento dos detectores de anomalias, ao usá-los para classificar as situações como de risco ou sem risco de queda. |
Abstract: | Channel Status Information (CSI) is available on IEEE 802.11 wireless networks. The CSI carries information regarding the propagation environment through the amplitude and phase of the OFDM subcarriers. In this study, CSI is used to detect the risk of falling in hospitalized patients. CSI is applied to detect changes in the wireless signal propagation environment and, regarding this non-intrusive principle, fall risk detectors are implemented in a hospital environment. The proposed detectors detect fall risk as anomalies in the environment from changes in the propagation environment. We propose three detectors using different machine learning algorithms: kNN(k-Nearest Neighbors), PCA (Principal Component Analysis) and Autoencoder. For each of them, the cutoff points are chosen based on the technique of tests and diagnostics of the ROC Curve, obtaining accuracies up to 87.33% for kNN, 93.00% for PCA and 90.92% for Autoencoder. For this work, a database of normal condition and fall risk is developed. In addition to the global analysis of the fall risk detector due to anomalies, we evaluated how different types of falls compromise the functioning of the anomaly detectors, using them to classify situations as risky or without risk of falling. |
Palavras-chave: | Engenharia eletrônica Sistemas de comunicação sem fio Algorítmos Redes locais sem fio Detectores Electronic engineering Wireless communication systems Algorithms Wireless local area networks Detectors |
Área(s) do CNPq: | ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade do Estado do Rio de Janeiro |
Sigla da instituição: | UERJ |
Departamento: | Centro de Tecnologia e Ciências::Faculdade de Engenharia |
Programa: | Programa de Pós-Graduação em Engenharia Eletrônica |
Citação: | CHAGAS, Amanda de Oliveira Sabino das. Detecção de risco de queda de hospitalizados através da informação do estado do canal sem-fio. 2021. 170 f. Dissertação (Mestrado em Engenharia Eletrônica) - Faculdade de Engenharia, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2021. |
Tipo de acesso: | Acesso Aberto |
URI: | http://www.bdtd.uerj.br/handle/1/17128 |
Data de defesa: | 13-Out-2021 |
Aparece nas coleções: | Mestrado em Engenharia Eletrônica |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertação - Amanda de Oliveira Sabino das Chagas - 2021 - Completo.pdf | 9,7 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.