Representação simbólica de séries temporais para reconhecimento de atividades humanas no smartphone

Quispe, Kevin Gustavo Montero; http://lattes.cnpq.br/9516011624320602; https://orcid.org/0000-0002-0550-4748

Dissertação

Representação simbólica de séries temporais para reconhecimento de atividades humanas no smartphone

O reconhecimento de atividade humanas (RAH) por meio de sensores embutidos em dispositivos vestíveis como, por exemplo, smartphones tem permitido o desenvolvimento de soluções capazes de monitorar o comportamento humano. No entanto, tais soluções têm apresentado limitações em termos de eficiência no...

ver descrição completa

Autor principal:	Quispe, Kevin Gustavo Montero
Outros Autores:	http://lattes.cnpq.br/9516011624320602, https://orcid.org/0000-0002-0550-4748
Grau:	Dissertação
Idioma:	por
Publicado em:	Universidade Federal do Amazonas 2018
Assuntos:	Atividades humanas - Reconhecimento Representação simbólica Sensores Inerciais Smartphone Human Activity Recognition Symbolic representation Inertial sensors CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
Acesso em linha:	https://tede.ufam.edu.br/handle/tede/6734

id	oai:https:--tede.ufam.edu.br-handle-:tede-6734
recordtype	dspace
spelling	oai:https:--tede.ufam.edu.br-handle-:tede-67342018-10-27T05:03:36Z Representação simbólica de séries temporais para reconhecimento de atividades humanas no smartphone Symbolic representation of time series for human activity recognition using smartphone Quispe, Kevin Gustavo Montero Souto, Eduardo James Pereira http://lattes.cnpq.br/9516011624320602 http://lattes.cnpq.br/3875301617975895 Souto, Eduardo James Pereira http://lattes.cnpq.br/3875301617975895 Cristo, Marco Antonio Pinheiro de Batista, Daniel Macêdo https://orcid.org/0000-0002-0550-4748 Atividades humanas - Reconhecimento Representação simbólica Sensores Inerciais Smartphone Human Activity Recognition Symbolic representation Inertial sensors CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO O reconhecimento de atividade humanas (RAH) por meio de sensores embutidos em dispositivos vestíveis como, por exemplo, smartphones tem permitido o desenvolvimento de soluções capazes de monitorar o comportamento humano. No entanto, tais soluções têm apresentado limitações em termos de eficiência no consumo dos recursos computacionais e na generalização para diferentes configurações de aplicação ou domínio de dados. Essas limitações são exploradas neste trabalho no processo de extração de características, na qual as soluções existentes utilizam uma abordagem manual para extrair as características dos dados de sensores. Para superar o problema, este trabalho apresenta uma abordagem automática de extração de características baseada na representação simbólica de séries temporais --- representação definida por conjuntos de símbolos discretos (palavras). Nesse contexto, este trabalho apresenta uma extensão do método de representação simbólica Bag-Of-SFA-Symbols (BOSS) para lidar com o processamento de múltiplas séries temporais, reduzir a dimensionalidade dos dados e gerar modelos de classificação compactos e eficiêntes. O método proposto, denominado Multivariate Bag-Of-SFA-Symbols (MBOSS), é avaliado para a classificação de atividades físicas a partir de dados de sensores inerciais. Experimentos são conduzidos em três bases de dados públicas e para diferentes configurações experimentais. Além disso, avalia-se a eficiência do método em aspectos como tempo de computação e espaço de dados. Os resultados, em geral, demostram uma eficácia de classificação equivalente as soluções baseadas na abordagem comun de extração manual de características, destacando os resultados obtidos na base de dados com nove classes de atividades (UniMib SHAR), onde o MBOSS obteve uma acurácia de 99% e 87% para o modelo personalizado e generalizado, respectivamente. Os resultados de eficiência do MBOSS demostram o baixo custo computacional da solução e mostram a viabilidade de aplicação em smartphones. Human activity recognition (RAH) through sensors embedded in wearable devices such as smartphones has allowed the development of solutions capable of monitoring human behavior. However, such solutions have presented limitations in terms of efficiency in the consumption of computational resources and generalization for different application or data domain configurations. These limitations are explored in this work in the feature extraction process, in which existing solutions use a manual approach to extract the characteristics of the sensor data. To overcome the problem, this work presents an automatic approach to feature extraction based on the symbolic representation of time series --- representation defined by sets of discrete symbols (words). In this context, this work presents an extension of the symbolic representation of the Bag-Of-SFA-Symbols (BOSS) method to handle the processing of multiple time series, reduce data dimensionality and generate compact and efficient classification models. The proposed method, called Multivariate Bag-Of-SFA-Symbols (MBOSS), is evaluated for the classification of physical activities from data of inertial sensors. Experiments are conducted in three public databases and for different experimental configurations. In addition, the efficiency of the method is evaluated in aspects such as computing time and data space. The results, in general, show an efficiency of classification equivalent to the solutions based on the traditional approach of manual extraction, highlighting the results obtained in the database with nine classes of activities (UniMib SHAR), where MBOSS obtained an accuracy of 99% and 87% for the custom and generalized template, respectively. The efficiency results of MBOSS demonstrate the low computational cost of the solution and show the feasibility of application in smartphones. 2018-10-26T19:15:25Z 2018-08-14 Dissertação QUISPE, Kevin Gustavo Montero. Representação simbólica de séries temporais para reconhecimento de atividades humanas no smartphone. 2018. 102 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus, 2018. https://tede.ufam.edu.br/handle/tede/6734 por Acesso Aberto http://creativecommons.org/licenses/by-nc/4.0/ application/pdf Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática
institution	TEDE - Universidade Federal do Amazonas
collection	TEDE-UFAM
language	por
topic	Atividades humanas - Reconhecimento Representação simbólica Sensores Inerciais Smartphone Human Activity Recognition Symbolic representation Inertial sensors CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
spellingShingle	Atividades humanas - Reconhecimento Representação simbólica Sensores Inerciais Smartphone Human Activity Recognition Symbolic representation Inertial sensors CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO Quispe, Kevin Gustavo Montero Representação simbólica de séries temporais para reconhecimento de atividades humanas no smartphone
topic_facet	Atividades humanas - Reconhecimento Representação simbólica Sensores Inerciais Smartphone Human Activity Recognition Symbolic representation Inertial sensors CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
description	O reconhecimento de atividade humanas (RAH) por meio de sensores embutidos em dispositivos vestíveis como, por exemplo, smartphones tem permitido o desenvolvimento de soluções capazes de monitorar o comportamento humano. No entanto, tais soluções têm apresentado limitações em termos de eficiência no consumo dos recursos computacionais e na generalização para diferentes configurações de aplicação ou domínio de dados. Essas limitações são exploradas neste trabalho no processo de extração de características, na qual as soluções existentes utilizam uma abordagem manual para extrair as características dos dados de sensores. Para superar o problema, este trabalho apresenta uma abordagem automática de extração de características baseada na representação simbólica de séries temporais --- representação definida por conjuntos de símbolos discretos (palavras). Nesse contexto, este trabalho apresenta uma extensão do método de representação simbólica Bag-Of-SFA-Symbols (BOSS) para lidar com o processamento de múltiplas séries temporais, reduzir a dimensionalidade dos dados e gerar modelos de classificação compactos e eficiêntes. O método proposto, denominado Multivariate Bag-Of-SFA-Symbols (MBOSS), é avaliado para a classificação de atividades físicas a partir de dados de sensores inerciais. Experimentos são conduzidos em três bases de dados públicas e para diferentes configurações experimentais. Além disso, avalia-se a eficiência do método em aspectos como tempo de computação e espaço de dados. Os resultados, em geral, demostram uma eficácia de classificação equivalente as soluções baseadas na abordagem comun de extração manual de características, destacando os resultados obtidos na base de dados com nove classes de atividades (UniMib SHAR), onde o MBOSS obteve uma acurácia de 99% e 87% para o modelo personalizado e generalizado, respectivamente. Os resultados de eficiência do MBOSS demostram o baixo custo computacional da solução e mostram a viabilidade de aplicação em smartphones.
author_additional	Souto, Eduardo James Pereira
author_additionalStr	Souto, Eduardo James Pereira
format	Dissertação
author	Quispe, Kevin Gustavo Montero
author2	http://lattes.cnpq.br/9516011624320602 https://orcid.org/0000-0002-0550-4748
author2Str	http://lattes.cnpq.br/9516011624320602 https://orcid.org/0000-0002-0550-4748
title	Representação simbólica de séries temporais para reconhecimento de atividades humanas no smartphone
title_short	Representação simbólica de séries temporais para reconhecimento de atividades humanas no smartphone
title_full	Representação simbólica de séries temporais para reconhecimento de atividades humanas no smartphone
title_fullStr	Representação simbólica de séries temporais para reconhecimento de atividades humanas no smartphone
title_full_unstemmed	Representação simbólica de séries temporais para reconhecimento de atividades humanas no smartphone
title_sort	representação simbólica de séries temporais para reconhecimento de atividades humanas no smartphone
publisher	Universidade Federal do Amazonas
publishDate	2018
url	https://tede.ufam.edu.br/handle/tede/6734
_version_	1831969672844541952
score	11.753735

Representação simbólica de séries temporais para reconhecimento de atividades humanas no smartphone

Registros relacionados