Um protocolo para análise, transformação e classificação de dados de sons antropogênicos em ambiente doméstico, visando seu reconhecimento automático por algoritmos de inteligência artificial

Abstract

Considerando o crescimento populacional de idosos no Brasil, e a necessidade de melhorar a qualidade de vida dessa parcela da população, foi proposto um projeto de desenvolvimento de uma plataforma de saúde ubíqua para auxiliar no cotidiano dos seres humanos em ambiente doméstico. Como parte desta plataforma, este trabalho aprofunda-se em analisar e preparar dados provindos de fontes acústicas para que sejam classificados através de algoritmos de inteligência artificia, e em construir ? a partir desse desenvolvimento ? um protocolo de etapas para classificação de atividades através sinais de áudio que propicie a reprodutibilidade da pesquisa. Existem diversas abordagens e metodologias para o reconhecimento automático de eventos através de dados, no entanto, quando se refere ao reconhecimento de sons ambientais, existem peculiaridades em sua análise. Para trabalhar com esta temática, primeiramente foram obtidos sinais acústicos, referentes a atividades domésticas, em laboratório por meio de um hardware composto de multi-sensores. Após isso, foi construído um banco de dados brutos, que correspondem às características extraídas desses sinais através de uma ferramenta de código aberto desenvolvida no Instituto de Engenharia Biomédica da UFSC e que faz parte da plataforma de saúde ubíqua. Foram analisados, investigados e descritos critérios para preparação de dados, para escolha de características relevantes para classificação, para modelos de classificação e ? em seguida ? realizados testes e validações e comparação entre modelos de aprendizado de máquina. Todas essas etapas contribuíram para a composição do protocolo. Os métodos utilizados na classificação utilizados foram: Neural Network, Random Forest, kNN, Tree, Adaboost. A respectiva qualidade dos modelos foi avaliada através de matriz de confusão, método k-Means de agrupamento e análise da curva ROC, para cada atividade. As etapas do protocolo são apresentadas por meio de ferramentas de código aberto e finalizadas com uma lista de verificação(checklist), contendo as etapas a serem seguidas no processo de classificação automática de eventos.

Abstract: Considering the growth of the elderly population in Brazil, and the need to improve the quality of life of this portion of the population, a project was proposed to develop a ubiquitous health platform to assist the daily lives of human beings in the domestic environment. As part of this platform, this work focuses on analyzing and preparing data from acoustic sources so that they can be classified using artificial intelligence algorithms, and on building - from that development - a step protocol for classifying activities through audio signals. that makes the research reproducible. There are several approaches and methodologies for the automatic recognition of events through data, however, when it comes to the recognition of environmental sounds, there are peculiarities in their analysis. To deal with that, acoustic signals were, first, acquired in the laboratory through hardware composed of multi-sensors. After that, a raw database was built, which corresponds to the characteristics extracted from these signals through an open source tool developed at the Institute of Biomedical Engineering at UFSC and which is part of the ubiquitous health platform. Criteria for data preparation were analyzed, investigated and described, for choosing relevant characteristics for classificatio.The classification models and - then - tests and validations were carried out, in addition to the comparison between machine learning models. All of these steps contributed to the composition of the protocol. The methods used in the classification used were: Neural Network, Random Forest, kNN, Tree, Adaboost. The respective relevance of the models was assessed through a confusion matrix, k-Means method of grouping and analysis of the ROC curve, for each activity. The protocol steps are presented using open source tools and finished with a checklist, containing steps to be followed in the automatic event classification process.