Please use this identifier to cite or link to this item:
https://repositorio.ufu.br/handle/123456789/36808
ORCID: | http://orcid.org/0000-0002-4487-5728 |
Document type: | Tese |
Access type: | Acesso Aberto |
Title: | Application of neural network to assess wheelchair driving abilities by power mobility road test |
Alternate title (s): | Aplicação de rede neural para avaliar habilidades de condução de cadeira de rodas motorizadas pelo power mobility road test |
Author: | Martins, Felipe Roque |
First Advisor: | Naves, Eduardo Lázaro Martins |
First member of the Committee: | Sá, Angela Abreu Rosa de |
Second member of the Committee: | Mello, Maria Aparecida Ferreira de |
Third member of the Committee: | Miguel, Guilherme Fernandes de Souza |
Fourth member of the Committee: | Caetano, Daniel Stefany Duarte |
Summary: | O procedimento padrão de prescrição de cadeiras de rodas motorizadas para pessoas com deficiência físicas envolve diversas etapas, incluindo avaliação das habilidades de condução da cadeira de rodas por parte de um profissional da área da saúde. Tal profissional utiliza ferramentas clínicas desenvolvidas por pesquisadores para auxiliar no processo de avaliação. Porém, um dos principais problemas é que a maior parte de tais ferramentas dependem do julgamento e da experiência do profissional, podendo portanto ser subjetivas. Existem estudos que avaliam a possibilidade de utilizar métricas objetivas para determinar se o indivíduo possui as habilidades necessárias para usar a cadeira de rodas. O uso de tecnologias de realidade virtual permite a obtenção de tais métricas, que de outra forma poderiam ser complexas de serem obtidas em uma situação com uma cadeira de rodas real, ou até mesmo oferecer riscos à segurança do usuário. Os dados obtidos necessitam então de processo de tomada de decisão, e embora tais análises possam ser feitas pelo profissional da saúde, elas requerem conhecimento e entendimento do significado de tais métricas. Dessa forma, algoritmos de machine learning (aprendizado de máquina) vem com o intuito de automatizar o processo de avaliação pela utilização de redes neurais com treinamento supervisionado. O objetivo da presente tese é desenvolver e avaliar um sistema estruturado a partir de redes neurais, utilizando quatro métricas obtidas através do simulador de cadeira de rodas EWATS, modelado de acordo com as tarefas fornecidas pelo Power Mobility Road Test para avaliar as habilidades de condução do usuário. As métricas selecionadas foram: tempo de execução da tarefa, número de comandos enviados ao joystick que controla a cadeira de rodas motorizada, número de colisões apresentado durante o percurso, e o valor da raiz do erro médio quadrático (RMSE, que avalia a distância da trajetória de um dado objeto em relação à menor trajetória ou trajeto otimizado). Foram feitos experimentos usando dois grupos distintos, um para obtenção de dados para treinar a rede neural no processo de avaliação da tarefa e outro para testar a rede neural após treinada, ambos supervisionados por um profissional da saúde. Três modelos de classificadores foram comparados através de um teste dos postos sinalizados de Wilcoxon: um Multi-layer Perceptron (MLP), um SVM (Support Vector Machine) e um KNN (k-Nearest Neighbors). Verificou-se com significância estatística que o SVM obteve melhor precisão que os outros dois modelos (80%), mas vários atributos podem ser explorados no design da MLP para melhorar sua precisão. Além disso, mais testes com uma amostra maior e com maior representatividade dos dados também são necessários para se obter um melhor resultado de classificação. |
Abstract: | The standard procedure for prescribing electric-powered wheelchairs for people with physical disabilities involves several steps, including the assessment of wheelchair driving skills by a healthcare professional who uses clinical tools developed by a researcher to assist in the evaluation process. However, one of the main problems found in the clinical setting is that these tools are generally dependent on the professional's judgment and experience, and can therefore be subjective. There are studies that evaluate the possibility of using objective metrics to determine whether an individual has the necessary skills to use a wheelchair. The use of virtual reality technologies allows obtaining such parameters; collecting this data could otherwise be too complex while using a real wheelchair, or may even present risks to the user's safety. The data obtained can then be used to aid the process of decision-making, and although such analyses may be performed by the health professional, it demands knowledge and an understanding of their meaning. Machine learning algorithms are presented as an alternative to automate the evaluation process by using neural networks with supervised training. The objective of the present thesis is the development and assessment of a system created using neural networks, using four objective metrics obtained through the EWATS wheelchair simulator, which was modeled according to tasks provided by the Power Mobility Road Test to evaluate the driving skills of the user. The selected metrics were: time elapsed during the task execution, number of commands sent to the joystick that controls the motorized wheelchair, number of collisions that occurred during the task, and the value of the root-mean-square error (RMSE, which evaluates the distance of the trajectory of a given object relative to the shortest or optimized trajectory). Experiments were carried out using two different groups, the first to provide data to train the neural network in the task evaluation process and the second to test the neural network post-training. Both groups were supervised by a health professional. Three classifier models were compared using a Wilcoxon Signed-Rank test: Multi-layer Perceptron (MLP), SVM (Support Vector Machine) and KNN (k-Nearest Neighbors). It was verified with statistical significance that the under the testing conditions the SVM obtained better prediction accuracy than both other models (80%), but several attributes could be explored in the design of the MLP to improve its accuracy. Further tests with a larger sample size and with greater representativity of the data are also necessary to obtain better classification results. |
Keywords: | Redes neurais Neural networks Cadeira de rodas motorizada Electric-powered wheelchair Realidade virtual Virtual reality Ferramentas de avaliação Assessment tools |
Area (s) of CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA::ENGENHARIA MEDICA |
Subject: | Engenharia elétrica Redes neurais (Computação) Cadeiras de rodas Realidade virtual |
Language: | eng |
Country: | Brasil |
Publisher: | Universidade Federal de Uberlândia |
Program: | Programa de Pós-graduação em Engenharia Elétrica |
Quote: | MARTINS, Felipe Roque. Application of neural network to assess wheelchair driving abilities by power mobility road test. 2022. 69 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Federal de Uberlândia, Uberlândia, 2022. DOI https://doi.org/10.14393/ufu.te.2022.679. |
Document identifier: | https://doi.org/10.14393/ufu.te.2022.679 |
URI: | https://repositorio.ufu.br/handle/123456789/36808 |
Date of defense: | 22-Dec-2022 |
Appears in Collections: | TESE - Engenharia Elétrica |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
ApplicationNeuralNetwork.pdf | Tese | 2.43 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License