Para mais detalhes, verifique nosso artigo: https://arxiv.org/abs/2110.06139
Caso nosso dataset seja utilizado, por favor, nos cite utilizando a seguinte referência:
@misc{sa2021classification,
title={Classification of anomalous gait using Machine Learning techniques and embedded sensors},
author={T. R. D. Sa and C. M. S. Figueiredo},
year={2021},
eprint={2110.06139},
archivePrefix={arXiv},
primaryClass={eess.SP}
}
Link para o dataset: https://drive.google.com/drive/folders/1B0GRPU912k93h7YRrBrzX0vYdbw2wq_Z?usp=sharing
Este repositório, em síntese, viabiliza o acesso aos três módulos que implementam o projeto proposto. Os módulos são:
1. Módulo da Aplicação Embarcada;
- Modelagem do esquemático e layout do hardware embarcado;
- Integração do sensor MPU-6050 ao microcontrolador ESP32 DevKit C;
- Integração dos dados coletados para um servidor Broker MQTT (Internet das Coisas);
Tecnologias utilizadas:
- Linguagens de programação C e C++ (implementação do software embarcado);
- KiCAD para modelagem da PCB;
2. Módulo da Aplicação Web;
- Implementação de uma interface para inserção de dados;
- Integração ao ESP32 DevKit C e servidor Broker MQTT para testes de conexão;
- Rotulação automática dos dados coletados para alimentar o dataset;
Tecnologias utilizadas:
- Servidor Linux (Ubuntu 20.04) hospedando Node-RED e um servidor Broker MQTT Eclipse Mosquitto.
3. Módulo da Aplicação IA;
- Implementação de diferentes modelos baseados em Machine Learning com a biblioteca scikit learn;
- Implementação de diferentes modelos baseados em arquiteturas de Deep Learning com as bibliotecas Keras e Tensorflow;
Tecnologias utilizadas:
- Servidor Linux com GPU para treinamento de modelos de Deep Learning e Machine Learning;
- Linguagem de programação Python para implementação dos modelos IA e rotinas de rotulagem automática do dataset;
Para cada módulo, há um diretório com o respectivo nome de referência. Neles há os arquivos de implementação e entre outros detalhes.