Adaptação para o PyTorch do trabalho original : https://AILAB-CEFET-RJ/falldetection

Baseado no artigo (não publicado) - A Machine Learning Approach to Automatic Fall Detection of Soldiers: https://arxiv.org/abs/2501.15655v2

Além da adaptação, K-Fold Cross Validation e o modelo LSTM foi implementado e testado junto aos demais.

Os sensores no trabalho original não são combinados (left, chest, right), por motivos de "escolher o melhor".

Suporta 3 arquiteturas de redes neurais, CNN1D, MLP e LSTM, com otimização bayesiana de hiperparâmetros via Optuna.

Também foi implementado o Early Stopping e o Median Pruning do Optuna.

• 3 Arquiteturas de Redes Neurais: CNN1D, MLP, LSTM
• Otimização Bayesiana: Via Optuna com Early Stopping
• Análise de Importância: Permutation Feature Importance
• Explicabilidade: Análise SHAP para interpretabilidade
• Curvas de Aprendizado: Análise de performance vs dados
• Validação Cruzada: K-Fold Cross Validation
• Pipeline Automatizado: Script all.sh para execução completa
• Análise Global: Comparações entre modelos e cenários

pip install -r requirements.txt

Disponível em: https://zenodo.org/records/12760391

python generate_datasets.py chest
python generate_datasets.py left
python generate_datasets.py right

python validate_datasets.py

O arquivo config.py centraliza todas as configurações do projeto:

• Dispositivo: Configuração automática de GPU/CPU
• Seeds: Reprodutibilidade dos experimentos
• Diretórios: Caminhos para dados e saídas
• Cenários: Configurações dos diferentes cenários de dados
• Hiperparâmetros: Ranges para otimização
• Treinamento: Configurações de treinamento

# Executar pipeline completo para múltiplas configurações
bash all.sh

O script all.sh executa automaticamente:

1. Validação dos datasets
2. Busca de hiperparâmetros (se necessário)
3. Treinamento final (se necessário)
4. Permutation Feature Importance
5. Curvas de aprendizado
6. Análise SHAP
7. Análise global

• Sc1_acc_T: Acelerômetro magnitude, domínio temporal
• Sc1_gyr_T: Giroscópio magnitude, domínio temporal
• Sc1_acc_F: Acelerômetro magnitude, domínio frequência
• Sc1_gyr_F: Giroscópio magnitude, domínio frequência
• Sc_2_acc_T: Acelerômetro 3 eixos, domínio temporal
• Sc_2_gyr_T: Giroscópio 3 eixos, domínio temporal
• Sc_2_acc_F: Acelerômetro 3 eixos, domínio frequência
• Sc_2_gyr_F: Giroscópio 3 eixos, domínio frequência
• Sc_3_T: Acelerômetro + Giroscópio magnitude, domínio temporal
• Sc_3_F: Acelerômetro + Giroscópio magnitude, domínio frequência
• Sc_4_T: Acelerômetro + Giroscópio 3 eixos, domínio temporal (Recomendado)
• Sc_4_F: Acelerômetro + Giroscópio 3 eixos, domínio frequência

Nota: Sc_4_T é o cenário mais informativo e recomendado para análise.

O mais indicado seria um cenário 5, com:

• Sc_5_T: Acelerômetro + Giroscópio 3 eixos, + Magnitudes, domínio temporal

• chest: Dados do peito (1020 samples) (Recomendado)
• left: Dados do lado esquerdo (450 samples)
• right: Dados do lado direito (450 samples)

• binary_one: Classificação binária (2 classes)
• binary_two: Classificação binária alternativa (2 classes) (Recomendado)

• CNN1D: Rede neural convolucional 1D
• MLP: Multi-layer perceptron
• LSTM: Long short-term memory

fall-detect/
├── config.py                 # Configurações centralizadas
├── hyperparameter_search.py  # Script para busca de hiperparâmetros
├── post_trials.py           # Processamento pós-trials do Optuna
├── final_training.py         # Script para treinamento final + análise
├── utils.py                  # Funções utilitárias organizadas
├── neural_networks.py        # Arquiteturas das redes neurais
├── requirements.txt          # Dependências
├── all.sh                    # Pipeline automatizado completo
├── analysis.py               # Análise global dos resultados
├── learning_curve.py         # Geração de curva de aprendizado
├── permutation_importance.py # Permutation Feature Importance
├── shap_importance.py        # Análise SHAP para explicabilidade
├── validate_datasets.py      # Validação dos datasets gerados
├── generate_datasets.py      # Geração de datasets
├── builders/                 # Builders para dados
├── labels_and_data/          # Dados e labels
├── database/                 # Base de dados
├── analise_global/           # Resultados agregados e gráficos
└── README.md                 # Este arquivo

• best_hyperparameters.json: Melhores hiperparâmetros encontrados
• test_data.npz: Dados de treino/validação e teste salvos
• optuna_trials.csv: Resultados de todos os trials
• param_importance.png/.html: Importância dos hiperparâmetros
• Diretórios trial_X/: Resultados de cada trial do Optuna

• Diretórios model_X/: Resultados de cada modelo treinado
  • model_X.pt: Modelo salvo
  • metrics_model_X.csv/.txt: Métricas do modelo
  • loss_curve_model_X.png: Curva de loss
  • confusion_matrix_model_X.png: Matriz de confusão
  • roc_curve_model_X.png: Curva ROC
  • classification_report_model_X.txt: Relatório de classificação
• Análise automática:
  • all_metrics.csv: Métricas de todos os modelos
  • summary_metrics.csv: Estatísticas resumidas
  • metrics_boxplot.png: Boxplot das métricas
  • best_models/: Diretório com cópias dos melhores modelos

• permutation_importance.csv: Importância das features via permutação
• permutation_importance.png: Gráfico de importância das features

• learning_curve.csv: Dados da curva de aprendizado
• learning_curve_metrics.csv: Métricas por fração de dados
• learning_curve.png: Gráfico da curva de aprendizado

• shap_values_*.npy: Valores SHAP salvos
• shap_importance_*.csv: Importância das features via SHAP
• shap_importance_*.png: Gráficos de importância SHAP
• shap_importance_class*_*.csv/png: Análise por classe

• Boxplots: Comparações entre modelos e métricas
• Curvas ROC: Comparações de performance
• Matrizes de Confusão: Agregadas por modelo
• Curvas de Aprendizado: Comparações de learning curves
• Importância de Features: Permutation e SHAP
• Análise Optuna: Convergência e importância de parâmetros
• Relatórios de Classificação: Métricas detalhadas

Aqui, focamos em gerar o melhor modelo, são dispositivos diferentes com frequências diferentes, além de que precisariamos das 3 entradas para funcionar, então foi usado para análise o dataset do peito.

# Pipeline completo para o cenário mais informativo
bash all.sh

# 1. Validar datasets
python validate_datasets.py

# 2. Buscar hiperparâmetros para LSTM
python hyperparameter_search.py -scenario Sc_4_T -position chest -label_type binary_two --nn LSTM

# 3. Treinar modelos finais
python final_training.py -scenario Sc_4_T -position chest -label_type binary_two --nn LSTM --num_models 20

# 4. Análise de importância
python permutation_importance.py -scenario Sc_4_T -position chest -label_type binary_two --nn LSTM

# 5. Curva de aprendizado
python learning_curve.py -scenario Sc_4_T -position chest -label_type binary_two --nn LSTM

# 6. Análise SHAP
python shap_importance.py -scenario Sc_4_T -position chest -label_type binary_two --nn LSTM

# 7. Análise global
python analysis.py