Use este identificador para citar ou linkar para este item:
http://www.repositorio.ufal.br/jspui/handle/riufal/1765
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.advisor1 | Silva, Leandro Dias da | - |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/7856968264410259 | pt_BR |
dc.contributor.referee1 | Machado, Aydano Pomponet | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/9314020351211705 | pt_BR |
dc.contributor.referee2 | Fischer, Robert | - |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/2216924245011719 | pt_BR |
dc.contributor.referee3 | Gorgônio, Kyller Costa | - |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/7626416403074455 | pt_BR |
dc.creator | Silva, Gustavo José Barbosa | - |
dc.creator.Lattes | http://lattes.cnpq.br/2364732119779056 | pt_BR |
dc.date.accessioned | 2017-07-14T14:41:40Z | - |
dc.date.available | 2017-06-27 | - |
dc.date.available | 2017-07-14T14:41:40Z | - |
dc.date.issued | 2014-03-10 | - |
dc.identifier.citation | SILVA, Gustavo José Barbosa. Reconhecimento de atividades humanas através de um smartphone. 2014. 61 f. Dissertação (Mestrado em Modelagem Computacional de Conhecimento) - Instituto de Computação, Programa de Pós Graduação em Modelagem Computacional de Conhecimento, Universidade Federal de Alagoas, Maceió, 2014. | pt_BR |
dc.identifier.uri | http://www.repositorio.ufal.br/handle/riufal/1765 | - |
dc.description.abstract | Human activity recogntion is an expanding research area (ZHANG; SAWCHUK, 2013) and aims to capture the user state and its environment using heterogeneous sensors (DAVIES; SIEWIOREK; SUKTHANKAR, 2008). Through non-intrusive activities monitoring of an individual, we might infer, for instance, if he is leading a healthy lifestyle, practicing frequently dynamic activities (like walking, running, climbing and descending stairs), or if he is leading a sedentary one, spending the majority of his time static (sitting, lying or standing). Considering the health bias, the pervasive care has signi - cant potential to increase the e ciency of health care providers, but it has as one of its main problems the automatic recognition of daily human activities (ORWAT; GRAEFE; FAULWASSER, 2008). Moreover, a report with information on the activities performed by an individual during a given period can help him have a healthier and less sedentary life. It is proposed the construction of a proof of concept that can identify, with a high accuracy, common activities being performed by the user, based on data collected from a smartphone. It is also desired the generation of alerts to the user, or to other person de ned by him, when certain customizable conditions are met. And, nally, provide a history of all activities performed, including geographical information from the user, when each activity was identi ed. Before the development itself, a data set was created with 10 volunteers who performed a pre-de ned activities circuit. Three approaches were used to generate a reliable model of machine learning: impersonal, which uses data from nine users for training and one for testing, which achieved 89.4% accuracy; personal, that is focused on a single individual, training and testing the model with di erent data from him, it had the best accuracy, 98.5%; and hybrid, which uses di erent data from all ten volunteers for training and testing, and obtained 98.16% accuracy. Once generated the model, the proposed proof of concept was developed, and then tested by a volunteer in his everyday, and overall achieved satisfactory results. | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Alagoas | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Modelagem Computacional de Conhecimento | pt_BR |
dc.publisher.initials | UFAL | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Interação homem-máquina | pt_BR |
dc.subject | Smartphones | pt_BR |
dc.subject | Aprendizado do computador | pt_BR |
dc.subject | Man-machine interaction | pt_BR |
dc.subject | Computer learning | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | pt_BR |
dc.title | Reconhecimento de atividades humanas através de um smartphone | pt_BR |
dc.title.alternative | Human activity recognition using a smartphone | pt_BR |
dc.type | Dissertação | pt_BR |
dc.description.resumo | O reconhecimento de atividades humanas é uma área de pesquisa em expansão (ZHANG; SAWCHUK, 2013) e tem como objetivo capturar o estado do usuário e do seu ambiente utilizando sensores heterogêneos (DAVIES; SIEWIOREK; SUKTHANKAR, 2008). Atrav és de um monitoramento não-intrusivo das atividades de um indivíduo, pode-se aferir, por exemplo, se o mesmo está levando uma vida saudável, com prática frequente de atividades dinâmicas (andar, correr, subir e descer escadas), ou se está levando uma vida sedentária, na qual o indivíduo passa a grande maioria do seu tempo executando atividades estáticas (sentar, deitar ou car em pé). Considerando-se o viés médico, a assistência pervasiva tem um potencial signi cativo para aumentar a e ciência dos prestadores de assistência médica, mas tem como um de seus principais problemas o reconhecimento automático de atividades humanas diárias (ORWAT; GRAEFE; FAULWASSER, 2008). Além disso, um histórico com informações sobre as atividades executadas por um indiv íduo durante um dado período pode ajudá-lo a ter uma vida mais saudável e menos sedentária. Propõe-se, neste trabalho, a criação de uma prova de conceito que consiga identi car, com um grau de certeza elevado, atividades comuns sendo executadas pelo usuário, a partir de dados coletados de um smartphone qualquer. Almeja-se, também, permitir a criação de alertas para o usuário, ou para um responsável indicado, quando certas condições customizáveis forem atendidas. Por m, disponibilizar um histórico de todas as atividades executadas, inclusive com informações da posição geográ ca do usuá- rio, quando cada atividade foi identi cada. Antes do desenvolvimento propriamente dito, criou-se um conjunto de dados com 10 voluntários que realizaram um circuito de atividades pré-de nido. Em seguida, três abordagens foram utilizadas para gerar um modelo con ável de aprendizagem de máquina: impessoal, que usa dados de nove usuários para treinamento e de um para teste, que teve 89.4% de acurácia; pessoal, que é voltada para um único indivíduo, treinando e testando o modelo com dados distintos do mesmo, e que teve a melhor acurácia com 98.5%; e híbrida, que utiliza dados distintos de todos os dez voluntários para treinamento e para teste, e que obteve 98.16% de acurácia. Uma vez gerado o modelo, desenvolveu-se a prova de conceito proposta que foi testada por um voluntário no seu dia-a-dia apresentando resultados satisfatórios. | pt_BR |
Aparece nas coleções: | Dissertações e Teses defendidas na UFAL - IC |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Reconhecimento de atividades humanas através de um smartphone.pdf | 5.58 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.