PredicaoFOG

Modelo para detectar e prever episódios de FOG de Parkinson com base em dados de séries temporais registrados para cada paciente durante a execução de um protocolo específico, além de algumas características fornecidas do paciente. Utilizou-se a metodologia de fatorial 2k para avaliar desempenho a depender dos fatores.

Algoritmo 1: Análise Estatística e Visualização de Interação

Descrição

O algoritmo perform_analysis_and_plot_interaction realiza uma análise estatística de fatores e suas interações usando dados tabulares. Ele utiliza técnicas estatísticas como cálculo de soma dos quadrados, erros e efeitos dos fatores. Além disso, gera um gráfico de interação entre os dois fatores mais influentes.

Uso

perform_analysis_and_plot_interaction(df, factor_columns, response_columns)

Dependências

• pandas
• numpy
• scipy.stats
• seaborn

Exemplo de Uso

# Exemplo de uso
perform_analysis_and_plot_interaction(df, ['Factor1', 'Factor2'], ['Response'])

Algoritmo 2: Previsão FOG

Este projeto tem como objetivo detectar episódios de "Freezing of Gait" (FOG) em dados de movimento utilizando um modelo de aprendizado de máquina. O script utiliza a biblioteca joblib para salvar e carregar o modelo treinado.

Estrutura do Código

Parâmetros

• WINDOW_SIZE: Tamanho da janela para o cálculo de características.
• SAMPLE_FRAC: Fração dos dados a serem amostrados durante o carregamento.
• CALC_TYPE: Tipo de cálculo a ser realizado (não utilizado neste código).

Funções

1. load_and_preprocess_data(path, sample_frac=None)
   Carrega e processa dados de arquivos CSV de um diretório ou de um único arquivo. Adiciona uma coluna que indica se houve FOG.

2. add_rolling_window_features(data, window_size)
   Adiciona características de janela móvel para os eixos de aceleração (AccV, AccML, AccAP). Calcula kurtosis, skewness, variância e média.

3. run_model()

   • Carrega e processa os dados de treino e teste.
   • Treina um modelo LGBMClassifier para detectar FOG.
   • Salva o modelo treinado em um arquivo.
   • Realiza previsões no conjunto de teste e calcula métricas de desempenho como precisão, recall e F1 Score.

Dependências

• pandas
• joblib
• lightgbm
• sklearn

Uso

1. Certifique-se de que todas as dependências estão instaladas.
2. Ajuste o caminho dos dados de treinamento e teste nas chamadas da função load_and_preprocess_data.
3. Execute o script para treinar o modelo e avaliar seu desempenho.

run_model()

Resultados

O script exibirá a precisão, precisão, recall e F1 Score do modelo nos dados de teste.