Sistema baropodométrico e classificação de escoliose utilizando técnicas de machine learning
Carregando...
Data
2019-12-19
Autores
Orientador
Carvalho, Aparecido Augusto de 
Coorientador
Pós-graduação
Engenharia Elétrica - FEIS
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Tese de doutorado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
A postura do corpo humano é o resultado da junção de sistemas ósseo, muscular e nervoso; no entanto, o segmento mais importante e estudado em pesquisas posturais é a coluna vertebral. Uma postura errada pode gerar desordens vertebrais, que dependendo da deformidade, pode ser classificada como escoliose, sendo ela uma deformidade tridimensional da coluna vertebral. Numerosos estudos mostraram que existem diferenças na distribuição de forças na região plantar e dados de estabilometria entre população diagnosticada com e sem escoliose. O equipamento indicado para realizar este tipo de pesquisa é o baropodômetro, que devido ao seu elevado custo, é pouco acessível para a maioria das instituições de saúde brasileiras. Assim, neste trabalho é apresentado, por um lado, o desenvolvimento e caracterização do sistema baropodométrico LiebScan System, que utiliza uma matriz piezoresistiva com 2304 sensels e circuito para controle de crosstalk. Foram utilizadas técnicas de aprendizado de máquina para explorar a correlação entre os dados baropodométricos, biométricos e de estabilometria, com o grau de desvio lateral, possibilitando desenvolver um classificador para o diagnóstico de escoliose totalmente inovador. O LiebScan System pode realizar avaliações baropodométricas estáticas, mensurando pressões na faixa 5-300 kPa, com acurácia de 6,02 % (RMSE%). Com frequência de amostragem máxima de 40 Hz, o sistema possibilita realizar avaliações de estabilometria. O circuito de controle crosstalk mostrou ser efetivo, apresentando erro de leitura médio de 0,23 %. As características técnicas do sistema LiebScan mostraram ser competitivas quando comparadas com as características de equipamentos comerciais. Em relação às técnicas de aprendizado de máquina utilizadas, a rede neural artificial do tipo multi layer perceptron com topologia [30--44--1] e algoritmo de treinamento trainscg mostrou ter o melhor rendimento com uma acurácia geral de 75 % de classificação. Por sua vez, a técnica de aprendizado support vector machine obteve uma acurácia geral de 74,89 %. Desta forma, estabeleceu-se que existe uma correlação entre as distribuições de força na região plantar, os dados biométricos, e os dados de estabilometria, com o grau do desvio lateral da coluna vertebral. No entanto, dita correlação não representa necessariamente causalidade, podendo haver mais fatores envolvidos.
Resumo (inglês)
The posture of the human body is the result of bone, muscle and nervous systems interaction; however, the most important and studied segment in postural research is the spine. A wrong posture could cause vertebral disorders, that depending on the deformity can be classified as scoliosis, which is a three-dimensional deformity of the spine. Many researches have shown that there are differences in the forces distribution under the plantar region and data of stabilometry between population diagnosed with and without scoliosis. The equipment indicated to carry out this kind of research is the baropodometer that, due to its high cost, is not accessible for most of the Brazilian health care institutions. Thus, in this work the development and characterization of the system for baropodometry LiebScan System is shown. It uses a piezoresistive array with 2304 sensels and non-crosstalk circuit. Some machine learning techniques were used to determine the correlation between baropodometric, biometric and stabilometry data and the scoliosis degree, allowing the development of a completely innovative scoliosis classifier. The LiebScan system has been shown to have the ability to perform static baropodometric evaluations with pressure measurements in the range of 5-300 kPa and accuracy of 6.02% (RMSE%). With a maximum sampling frequency of 40 Hz, the system makes it possible to perform stabilometry evaluations. The non-crosstalk circuit proved to be effective, with a mean read error of 0.23%. LiebScan technical specifications have been shown to be competitive when compared to commercial equipment features. Related to the machine learning techniques used, the artificial neural network with multi layer perceptron, topology [30--44--1] and trainscg as training algorithm, obtained the best performance with a general classification accuracy of 75%. Similarly, the learning technique support vector machine achieved an overall accuracy of 74.89%. Thus, it is established that there is a correlation between the baropodometric, biometric, and stabilometry data, with the scoliosis; however, this correlation does not necessarily represent causality and there may be more factors involved.
Descrição
Palavras-chave
Idioma
Português