Sistema de classificação de movimentos de higienização das mãos por meio de sensores inerciais e inteligência artificial

• Ano de defesa: 2024
• Autor(a) principal: Garcia, Halisson Araújo [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Acelerometros; Giroscopios; Inteligência artificial; Ordenação (Computadores); Redes neurais (Computação)
• Link de acesso: https://hdl.handle.net/11449/259684

Durante a pandemia de COVID-19, evidenciou-se a importância da higienização adequada das mãos como uma medida preventiva para conter a propagação do vírus. Essa prática desempenha um papel fundamental na prevenção de Infecções Relacionadas à Assistência à Saúde (IRAS). Estima-se que a adesão correta a essa técnica poderia prevenir até 30% dos casos de IRAS, conforme indicado pelo Departamento de Saúde e Serviços Humanos dos Estados Unidos em 2015. Estudos demonstraram que a aplicação correta de técnicas de higienização das mãos, como os métodos de seis e três passos recomendados pela Organização Mundial da Saúde (OMS), pode eliminar até 99,9% da colonização transitória das mãos de profissionais de saúde. Nesse contexto, foi desenvolvido neste trabalho um algoritmo para a classificação de movimentos de higienização das mãos por meio de sensores inerciais (acelerômetros e giroscópios) e técnica de inteligência artificial. O processo metodológico foi dividido em cinco etapas principais: coleta de dados, pré-processamento, segmentação, extração de características e classificação. A coleta de dados foi realizada em parceria com o Departamento de Enfermagem da Universidade Federal de Mato Grosso (UFMT), utilizando uma Unidade de Medição Inercial (IMU) fixada no punho direito dos participantes para capturar os movimentos durante a higienização das mãos. Durante o pré-processamento, os sinais foram filtrados para remover ruídos, utilizando técnicas como o filtro Butterworth de quinta ordem. Além disso, foi realizada a aumentação de dados, com o objetivo de equilibrar a quantidade de amostras em cada classe e melhorar a robustez do modelo. Técnicas como rotações aleatórias foram aplicadas para gerar novas amostras sintéticas. Na fase de segmentação, os dados contínuos foram divididos em janelas de tempo, e foram extraídas características tanto no domínio do tempo, como a raiz quadrada média (RMS), quanto no domínio da frequência, como a energia total das wavelets. Essas características alimentaram a fase de classificação, realizada por meio de uma Rede Neural Artificial (RNA). Os resultados obtidos demonstraram uma acurácia de 89,3% para os dados de teste, indicando a viabilidade do modelo para a correta identificação dos movimentos de higienização das mãos.