FenixEdu™

Dissertação

{en_GB=InVivo Muscle – Analysis of Functionality-related Patterns} {} EVALUATED

Detalhes: {pt=O Projecto InVivo Muscle almejava caracterizar a população idosa Portuguesa. Dois conjuntos de dados foram criados, um resultante de respostas a questionários sociodemográficos, de saúde e actividade física e de resultados de testes de funcionalidade e outro de sinais biomecânicos dos testes Andar, Subir e Descer Escadas. O objectivo desta Tese era aplicar técnicas de Reconhecimento de Padrões a esses conjuntos de dados, para discriminar populações de baixa e alta Funcionalidade e determinar as features mais nesse aspecto. Para o primeiro caso, utilizando Classificadores k-NN e Naive Bayes (Aprendizagem Supervisionada), as taxas de erro de 6,9% e 8,7% foram respectivamente obtidas. Usando Selecção de Features (FS) por Wrappers esses resultados melhoraram: 4% e 6,4%. Usando Ward’s e K-means clustering (Aprendizagem não Supervisionada) erros de 8,8% e 8,1% foram obtidos. Com FS esses resultados melhoraram: 8,2%, 6,6% (Filters), 7,6% e 4,6% (Wrappers). Nos dados biomecânicos, o erro para o k-NN foi de 4,9% e 0% (com e sem FS), resultados claramente sobreajustados. O Naive Bayes apresentou erros de 16,0% e 12,3%, respectivamente. Os erros do Ward’s foram 29,6%, 13,6% e 18,5% (sem FS, Filter e Wrapper FS) e do K-means 37%, 14,8% e 18,5%. Ward’s Lifetime alcançou níveis de consistência de 0,889. As features mais relevantes não directamente relacionadas com o cálculo dos índices de funcionalidade foram, para o primeiro conjunto, género, índice de massa corporal, actividade física, idade e viver sozinho. Para os dados biomecânicos, ângulos e momentos articulares, particularmente da bacia, anca e tornozelo, foram as features mais seleccionadas., en=InVivo Muscle project aimed to characterize the Portuguese elderly population. Two datasets were created, one resultant from answers to sociodemographic, health and physical activity questionnaires and results from functionality tests and other from biomechanical signals from Walking, Stair Ascend and Stair Descend trials. The goal of this Thesis was to apply different Pattern Recognition techniques to those datasets in order to discriminate Low and High-Functional populations and determine the most relevant features for that discrimination. For the first dataset, using k-NN and Naive Bayes Classifiers (Supervised Learning), error rates of 6.9% and 8.7% were respectively obtained. Using Wrapper Feature selection (FS) those results improved: 4% and 6.4%. Using Ward’s and K-means clustering (Unsupervised Learning) errors of 8.8% and 8.1% were obtained. With Filters and Wrappers FS those results improved to 8.2%, 6.6% (Filters), 7.6% and 4.6% (Wrappers). For the Biomechanical dataset, the error for k-NN was 4.9% and 0% (with and without FS), clearly overfitted results. Naive Bayes presented errors of 16.0% and 12.3%, respectively. Ward’s obtained errors of 29.6%, 13.6% and 18.5% (no FS, Filter and Wrapper FS) and for K-means, 37%, 14.8% and 18.5% of error were determined for the same respective cases. Ward’s lifetime achieved consistency levels of 0.889. The most relevant features non-directly related to the calculation of Functionality scores were, for the first dataset, gender, body mass index, physical activity, age and living alone. For the Biomechanical dataset joint angles and moments, especially from the Pelvis, Hip and Ankle, were the most selected features.}
Keywords: {pt=Funcionalidade, Idosos, Aprendizagem Automática, Selecção Features, en=Functionality, Elderly, Machine Learning, Feature Selection}

Discussão: novembro 27, 2014, 14:0