Reconhecimento de atividades humanas usando medidas estatísticas dos sensores inerciais dos smartphones

Bragança, Hendrio Luis de Souza; http://lattes.cnpq.br/7375456368369943; https://orcid.org/0000-0003-1479-1707

Dissertação

Reconhecimento de atividades humanas usando medidas estatísticas dos sensores inerciais dos smartphones

O reconhecimento de atividades humanas (RAH) tem emergido como uma tecnologia revolucionária para monitorar o estilo de vida das pessoas. Com a popularização dos smartphones essa tarefa tem sido possível através dos sensores embarcados (e.g. os sensores inerciais acelerômetro e giroscópio) que permi...

ver descrição completa

Autor principal:	Bragança, Hendrio Luis de Souza
Outros Autores:	http://lattes.cnpq.br/7375456368369943, https://orcid.org/0000-0003-1479-1707
Grau:	Dissertação
Idioma:	por
Publicado em:	Universidade Federal do Amazonas 2019
Assuntos:	Reconhecimento de atividades humanas Representação simbólica Teoria da informação Sensores inerciais Smartphone Human activity recognition Symbolic representation Information theory Inertial sensors CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
Acesso em linha:	https://tede.ufam.edu.br/handle/tede/7126

id	oai:https:--tede.ufam.edu.br-handle-:tede-7126
recordtype	dspace
spelling	oai:https:--tede.ufam.edu.br-handle-:tede-71262019-05-07T05:03:53Z Reconhecimento de atividades humanas usando medidas estatísticas dos sensores inerciais dos smartphones Human activity recognition using statistical measures of smartphone inertial sensors Bragança, Hendrio Luis de Souza Souto, Eduardo James Pereira http://lattes.cnpq.br/7375456368369943 http://lattes.cnpq.br/3875301617975895 Barreto, Raimundo da Silva http://lattes.cnpq.br/1132672107627968 Rosso, Osvaldo Anibal http://lattes.cnpq.br/2583233573401291 https://orcid.org/0000-0003-1479-1707 Reconhecimento de atividades humanas Representação simbólica Teoria da informação Sensores inerciais Smartphone Human activity recognition Symbolic representation Information theory Inertial sensors CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO O reconhecimento de atividades humanas (RAH) tem emergido como uma tecnologia revolucionária para monitorar o estilo de vida das pessoas. Com a popularização dos smartphones essa tarefa tem sido possível através dos sensores embarcados (e.g. os sensores inerciais acelerômetro e giroscópio) que permitem o reconhecimento de diferentes tipos de atividades usando técnicas de aprendizagem de máquina. Os dados coletados pelos sensores são tratados com séries temporais e devem passar por diversas etapas até que o reconhecimento de atividades seja concluído. Assim, os dados devem ser processados, segmentados e transformados em um conjunto de características que representam as atividades desenvolvidas pelos usuários. Tais características são tradicionalmente expressas a partir de medidas matemáticas como, por exemplo, média, variância e desvio padrão, extraídas dos sinais dos sensores. Essa forma de reconhecer atividades que compõe o modo mais convencional, tem obtido êxito e levado a grandes avanços neste domínio nos últimos anos. Entretanto, o emprego dessa abordagem requer que cálculos sejam definidos manualmente com o apoio de um especialista no domínio. À medida que novas atividades surgem, os modelos de classificação gerados perdem desempenho, requerendo que o especialista gere novas características para representar bem as novas atividades. Assim, a adoção dessa abordagem tem afetado a capacidade de generalização dos modelos de reconhecimento com o tempo. Por esse motivo, as pesquisas mais recentes têm direcionado seus esforços em soluções que aprendem os padrões implícitos dos sinais (feature learning) e realizam o processo de extração de características de forma automática. Exemplos desses algoritmos são as redes neurais profundas e os algoritmos de representação simbólica. Em particular, os algoritmos de representação simbólica extraem características discretas automaticamente dos dados. Nesse contexto, este trabalho apresenta o método HAR-SR (do inglês, Human Activity Recognition based on Symbolic Representation), que corresponde a uma nova abordagem para problemas envolvendo classificação de atividades humanas. O método HAR-SR realiza extração automática de características no domínio discreto utilizando quantificadores estatísticos como novas características que representam atividades. Esses quantificadores associam valores às séries temporais conforme sua natureza determinística ou estocástica. Além disso, o HAR-SR utiliza estratégias de fusão de dados para combinar os sinais dos sensores e realiza uma redução de dimensionalidade nos dados. Os resultados desta pesquisa mostram que o HAR-SR apresenta um desempenho similar aos trabalhos estado-da-arte no reconhecimento de atividades. O diferencial do método proposto, além da boa capacidade de generalização, está relacionado ao custo computacional, que é menor no processo de extração de características, visto que utiliza um número muito menor de características para gerar o modelo de classificação. Os resultados de avaliação usando três bases de dados reais (SHOAIB, UCI, WISDM) em seis cenários mostram que é possível classificar atividades com 93% de precisão, e na média de todos os cenários, apresenta 81% de precisão utilizando a validação cruzada por indivíduo Human Activity Recognition (HAR) using different types of sensors has emerged as a revolutionary technology for monitoring people's lifestyles. With the popularization of smartphones, this task has been possible through embedded sensors (e.g. the accelerometer and gyroscope of inertial sensors) that allow recognize different types of activities using machine learning techniques. The data collected by the sensors are treated as time series and must go through several stages until the activity recognition is completed. Thus, the data must be processed, segmented and transformed into a set of features that represent the activities performed by the users. These features are traditionally expressed from mathematical measures such as mean, variance and standard deviation extracted from the sensor signals. This way of recognizing activities composes the most conventional way, has been successful and has made great strides in this field in recent years. However, using this approach requires that calculations be manually defined with the support of a domain expert. As new activities arise, the generated classification models lose performance, requiring the specialist to generate new measures to represent the new activities well. Thus, the adoption of this approach has affected the generalization capacity of recognition models over time. For this reason, more recent research has focused its efforts on solutions that learn the feature patterns and perform the feature extraction process automatically. Examples of such algorithms are deep neural networks and symbolic representation algorithms. In particular, symbolic representation algorithms automatically extract discrete data characteristics. In this context, this work presents the HAR-SR (Human Activity Recognition based on Symbolic Representation) method, which corresponds to a new approach to solve problems involving classification of human activities. The HAR-SR method performs automatic extraction of characteristics in the discrete domain using statistical quantifiers as new characteristics that represent activities. These quantifiers associate values to the time series according to their deterministic or stochastic nature. In addition, the HAR-SR uses data fusion strategies to combine the signals from the sensors and perform a dimensionality reduction in the data. The results of this research show that HAR-SR performs similarly to state-of-the-art researches in activity recognition. The differential of the proposed method, besides the good generalization capacity, is related to the computational cost, which is smaller in the process of feature extraction, since it uses a smaller number of characteristics to generate the classification model. Evaluation results using three real databases (SHOAIB, UCI, WISDM) in five scenarios show that it is possible to classify activities with 93% accuracy, and on average for all scenarios, presents 81% accuracy using leave-one-subject-out cross-validation. CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior O sistema poderia listar os pesquisadores e professores já cadastrados enquanto estamos preenchendo os campos sobre informações dos professores. 2019-05-06T12:32:48Z 2019-03-01 Dissertação BRAGANÇA, Hendrio Luis de Souza. Reconhecimento de atividades humanas usando medidas estatísticas dos sensores inerciais dos smartphones. 2019. 253 f. Dissertação (Mestrado em Informática) - Universidade Federal do Amazonas, Manaus, 2019. https://tede.ufam.edu.br/handle/tede/7126 por Acesso Aberto http://creativecommons.org/licenses/by/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	Reconhecimento de atividades humanas Representação simbólica Teoria da informação Sensores inerciais Smartphone Human activity recognition Symbolic representation Information theory Inertial sensors CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
spellingShingle	Reconhecimento de atividades humanas Representação simbólica Teoria da informação Sensores inerciais Smartphone Human activity recognition Symbolic representation Information theory Inertial sensors CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO Bragança, Hendrio Luis de Souza Reconhecimento de atividades humanas usando medidas estatísticas dos sensores inerciais dos smartphones
topic_facet	Reconhecimento de atividades humanas Representação simbólica Teoria da informação Sensores inerciais Smartphone Human activity recognition Symbolic representation Information theory Inertial sensors CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO
description	O reconhecimento de atividades humanas (RAH) tem emergido como uma tecnologia revolucionária para monitorar o estilo de vida das pessoas. Com a popularização dos smartphones essa tarefa tem sido possível através dos sensores embarcados (e.g. os sensores inerciais acelerômetro e giroscópio) que permitem o reconhecimento de diferentes tipos de atividades usando técnicas de aprendizagem de máquina. Os dados coletados pelos sensores são tratados com séries temporais e devem passar por diversas etapas até que o reconhecimento de atividades seja concluído. Assim, os dados devem ser processados, segmentados e transformados em um conjunto de características que representam as atividades desenvolvidas pelos usuários. Tais características são tradicionalmente expressas a partir de medidas matemáticas como, por exemplo, média, variância e desvio padrão, extraídas dos sinais dos sensores. Essa forma de reconhecer atividades que compõe o modo mais convencional, tem obtido êxito e levado a grandes avanços neste domínio nos últimos anos. Entretanto, o emprego dessa abordagem requer que cálculos sejam definidos manualmente com o apoio de um especialista no domínio. À medida que novas atividades surgem, os modelos de classificação gerados perdem desempenho, requerendo que o especialista gere novas características para representar bem as novas atividades. Assim, a adoção dessa abordagem tem afetado a capacidade de generalização dos modelos de reconhecimento com o tempo. Por esse motivo, as pesquisas mais recentes têm direcionado seus esforços em soluções que aprendem os padrões implícitos dos sinais (feature learning) e realizam o processo de extração de características de forma automática. Exemplos desses algoritmos são as redes neurais profundas e os algoritmos de representação simbólica. Em particular, os algoritmos de representação simbólica extraem características discretas automaticamente dos dados. Nesse contexto, este trabalho apresenta o método HAR-SR (do inglês, Human Activity Recognition based on Symbolic Representation), que corresponde a uma nova abordagem para problemas envolvendo classificação de atividades humanas. O método HAR-SR realiza extração automática de características no domínio discreto utilizando quantificadores estatísticos como novas características que representam atividades. Esses quantificadores associam valores às séries temporais conforme sua natureza determinística ou estocástica. Além disso, o HAR-SR utiliza estratégias de fusão de dados para combinar os sinais dos sensores e realiza uma redução de dimensionalidade nos dados. Os resultados desta pesquisa mostram que o HAR-SR apresenta um desempenho similar aos trabalhos estado-da-arte no reconhecimento de atividades. O diferencial do método proposto, além da boa capacidade de generalização, está relacionado ao custo computacional, que é menor no processo de extração de características, visto que utiliza um número muito menor de características para gerar o modelo de classificação. Os resultados de avaliação usando três bases de dados reais (SHOAIB, UCI, WISDM) em seis cenários mostram que é possível classificar atividades com 93% de precisão, e na média de todos os cenários, apresenta 81% de precisão utilizando a validação cruzada por indivíduo
author_additional	Souto, Eduardo James Pereira
author_additionalStr	Souto, Eduardo James Pereira
format	Dissertação
author	Bragança, Hendrio Luis de Souza
author2	http://lattes.cnpq.br/7375456368369943 https://orcid.org/0000-0003-1479-1707
author2Str	http://lattes.cnpq.br/7375456368369943 https://orcid.org/0000-0003-1479-1707
title	Reconhecimento de atividades humanas usando medidas estatísticas dos sensores inerciais dos smartphones
title_short	Reconhecimento de atividades humanas usando medidas estatísticas dos sensores inerciais dos smartphones
title_full	Reconhecimento de atividades humanas usando medidas estatísticas dos sensores inerciais dos smartphones
title_fullStr	Reconhecimento de atividades humanas usando medidas estatísticas dos sensores inerciais dos smartphones
title_full_unstemmed	Reconhecimento de atividades humanas usando medidas estatísticas dos sensores inerciais dos smartphones
title_sort	reconhecimento de atividades humanas usando medidas estatísticas dos sensores inerciais dos smartphones
publisher	Universidade Federal do Amazonas
publishDate	2019
url	https://tede.ufam.edu.br/handle/tede/7126
_version_	1831969750077407232
score	11.753735

Reconhecimento de atividades humanas usando medidas estatísticas dos sensores inerciais dos smartphones

Registros relacionados