Reconhecimento de atividades humanas baseado na análise de fluxo contínuo de dados simbólicos

Lima, Wesllen Sousa; http://lattes.cnpq.br/4666827294263489; https://orcid.org/0000-0001-9669-1659

Tese

Reconhecimento de atividades humanas baseado na análise de fluxo contínuo de dados simbólicos

A capacidade de sensoriamento dos smartphones tem permitido o desenvolvimento de soluções para reconhecimento de atividades humanas (do inglês, Human Activity Recognition - HAR) com o propósito de entender melhor o comportamento humano por meio de técnicas computacionais. No entanto, tais soluções t...

ver descrição completa

Autor principal:	Lima, Wesllen Sousa
Outros Autores:	http://lattes.cnpq.br/4666827294263489, https://orcid.org/0000-0001-9669-1659
Grau:	Tese
Idioma:	por
Publicado em:	Universidade Federal do Amazonas 2019
Assuntos:	Smartphones - Tecnologia Smartphones - Detectores Reconhecimento de padrões Algorítmos computacionais Framework (Arquivo de computador) CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO: METODOLOGIA E TÉCNICAS DA COMPUTAÇÃO
Acesso em linha:	https://tede.ufam.edu.br/handle/tede/7202

id	oai:https:--tede.ufam.edu.br-handle-:tede-7202
recordtype	dspace
spelling	oai:https:--tede.ufam.edu.br-handle-:tede-72022019-06-12T05:03:49Z Reconhecimento de atividades humanas baseado na análise de fluxo contínuo de dados simbólicos Human activities recognition based on the symbolic data streaming Lima, Wesllen Sousa Souto, Eduardo James Pereira http://lattes.cnpq.br/4666827294263489 http://lattes.cnpq.br/3875301617975895 Cristo, Marco Antonio Pinheiro de http://lattes.cnpq.br/6261175351521953 Barreto, Raimundo da Silva http://lattes.cnpq.br/1132672107627968 Loureiro, Antonio Alfredo Ferreira http://lattes.cnpq.br/8886634592087842 https://orcid.org/0000-0001-9669-1659 Smartphones - Tecnologia Smartphones - Detectores Reconhecimento de padrões Algorítmos computacionais Framework (Arquivo de computador) CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO: METODOLOGIA E TÉCNICAS DA COMPUTAÇÃO A capacidade de sensoriamento dos smartphones tem permitido o desenvolvimento de soluções para reconhecimento de atividades humanas (do inglês, Human Activity Recognition - HAR) com o propósito de entender melhor o comportamento humano por meio de técnicas computacionais. No entanto, tais soluções têm tido dificuldades para atuar em cenários dinâmicos por não observarem a evolução dos dados ao longo do tempo e pelo alto consumo de recursos computacionais, como memória, processamento e energia das baterias. Isso ocorre porque o problema de HAR para smartphones têm sido resolvidos por meio de modelos de classificação gerados por algoritmos de aprendizagem de máquina offline que, nesse caso, são limitados por um histórico de dados com poucas informações sobre às atividades humanas. O problema dessa abordagem é que as atividades humanas mudam constantemente ao longo do tempo e são fortemente influenciadas pelo ambiente físico e pelo perfil dos usuários. Para superar esses problemas esta tese de doutorado propõe uma nova abordagem para reconhecimento de atividades humanas baseada na análise do fluxo contínuo de dados simbólicos. Nossa abordagem permite o desenvolvimento de sistemas HAR de baixo custo, escaláveis e capazes de se adaptarem a mudanças ao longo do tempo. Neste contexto, esta tese propõe um framework, denominado DISTAR (DIscrete STream learning for Activity Recognition), responsável por padronizar o processo de análise do fluxo contínuo de dados e geração de modelos adaptativos que observam a evolução dos dados ao longo do tempo sem a necessidade de armazenar um histórico de dados. O framework DISTAR utiliza como base os algoritmos de representação simbólica que são conhecidos na literatura por reduzirem a dimensionalidade e a numerosidade dos dados. Além disso, esta tese também propõe um novo algoritmo online adaptativo, denominado NOHAR (NOvelty discrete data stream for Human Activity Recognition), que utiliza como base o framework DISTAR. Os resultados experimentais usando três bases de dados mostram que o NOHAR é mais rápido, em média, 13 vezes comparado ao estado da arte e é capaz reduzir o consumo de memória, em média, 99,97%. Em termos de precisão, o NOHAR é similar ao estado da arte. A principal contribuição desta tese consiste na abertura de um novo ramo de pesquisa na área de HAR o qual utiliza dados simbólicos para o desenvolvimento de soluções de baixo custo, escaláveis e adaptativas. Além disso, o framework DISTAR e o algoritmo adaptativo NOHAR são propostas inéditas para a área de processamento de fluxo contínuo de dados (do inglês, Data Streaming) que podem ser exploradas em outros domínios e problemas. Smartphones sensing capabilities have enabled the development of Human Activity Recognition (HAR) solutions for better understanding human behavior through computational techniques. However, these solutions have been difficult to perform in dynamic scenarios because they do not observe data evolution over time and the high consumption of computational resources, such as memory, processing and energy. This occurs because the HAR problem for smartphones has been solved through classification models generated by offline machine learning algorithms that, in this case, are limited by a data history with little information about human activities. The problem with this approach is that human activities change constantly over time and are strongly influenced by the physical environment and the user’s profile. To overcome these problems this doctoral thesis proposes a new approach to recognize human activities based on the symbolic data streaming analysis. Our approach enables the development of low-cost, scalable HAR systems capable of adapting to data change over time. In this context, this thesis proposes a framework called DISTAR (DIscrete STream learning for Activity Recognition), responsible for standardizing the analysis of data stream process and generation of adaptive models that observe the data evolution over time without storing a data history. The DISTAR framework uses the symbolic representation algorithms known for reducing the dimensionality and numerosity of the data. In addition, this thesis also proposes a new adaptive online algorithm, called NOHAR (NOvelty discrete data stream for Human Activity Recognition), which uses as basis the DISTAR framework. Experimental results using three databases show that NOHAR is 13 times faster compared to the state of the art and is able to reduce memory consumption by an average of 99.97%. In terms of accuracy, NOHAR is similar to the state of the art. The main contribution of this thesis is the opening of a new research branch in the HAR area which uses symbolic data for the development of low cost, scalable and adaptive solutions. In addition, the DISTAR framework and the adaptive algorithm NOHAR are unprecedented proposals for the data streaming area that can be explored in other domains and problems. FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas 2019-06-11T15:42:51Z 2019-04-05 Tese LIMA, Wesllen Sousa. Reconhecimento de atividades humanas baseado na análise de fluxo contínuo de dados simbólicos. 2019. 162 f. Tese (Doutorado em Informática) - Universidade Federal do Amazonas, Manaus, 2019. https://tede.ufam.edu.br/handle/tede/7202 por Acesso Aberto http://creativecommons.org/licenses/by-nc-nd/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	Smartphones - Tecnologia Smartphones - Detectores Reconhecimento de padrões Algorítmos computacionais Framework (Arquivo de computador) CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO: METODOLOGIA E TÉCNICAS DA COMPUTAÇÃO
spellingShingle	Smartphones - Tecnologia Smartphones - Detectores Reconhecimento de padrões Algorítmos computacionais Framework (Arquivo de computador) CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO: METODOLOGIA E TÉCNICAS DA COMPUTAÇÃO Lima, Wesllen Sousa Reconhecimento de atividades humanas baseado na análise de fluxo contínuo de dados simbólicos
topic_facet	Smartphones - Tecnologia Smartphones - Detectores Reconhecimento de padrões Algorítmos computacionais Framework (Arquivo de computador) CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO: METODOLOGIA E TÉCNICAS DA COMPUTAÇÃO
description	A capacidade de sensoriamento dos smartphones tem permitido o desenvolvimento de soluções para reconhecimento de atividades humanas (do inglês, Human Activity Recognition - HAR) com o propósito de entender melhor o comportamento humano por meio de técnicas computacionais. No entanto, tais soluções têm tido dificuldades para atuar em cenários dinâmicos por não observarem a evolução dos dados ao longo do tempo e pelo alto consumo de recursos computacionais, como memória, processamento e energia das baterias. Isso ocorre porque o problema de HAR para smartphones têm sido resolvidos por meio de modelos de classificação gerados por algoritmos de aprendizagem de máquina offline que, nesse caso, são limitados por um histórico de dados com poucas informações sobre às atividades humanas. O problema dessa abordagem é que as atividades humanas mudam constantemente ao longo do tempo e são fortemente influenciadas pelo ambiente físico e pelo perfil dos usuários. Para superar esses problemas esta tese de doutorado propõe uma nova abordagem para reconhecimento de atividades humanas baseada na análise do fluxo contínuo de dados simbólicos. Nossa abordagem permite o desenvolvimento de sistemas HAR de baixo custo, escaláveis e capazes de se adaptarem a mudanças ao longo do tempo. Neste contexto, esta tese propõe um framework, denominado DISTAR (DIscrete STream learning for Activity Recognition), responsável por padronizar o processo de análise do fluxo contínuo de dados e geração de modelos adaptativos que observam a evolução dos dados ao longo do tempo sem a necessidade de armazenar um histórico de dados. O framework DISTAR utiliza como base os algoritmos de representação simbólica que são conhecidos na literatura por reduzirem a dimensionalidade e a numerosidade dos dados. Além disso, esta tese também propõe um novo algoritmo online adaptativo, denominado NOHAR (NOvelty discrete data stream for Human Activity Recognition), que utiliza como base o framework DISTAR. Os resultados experimentais usando três bases de dados mostram que o NOHAR é mais rápido, em média, 13 vezes comparado ao estado da arte e é capaz reduzir o consumo de memória, em média, 99,97%. Em termos de precisão, o NOHAR é similar ao estado da arte. A principal contribuição desta tese consiste na abertura de um novo ramo de pesquisa na área de HAR o qual utiliza dados simbólicos para o desenvolvimento de soluções de baixo custo, escaláveis e adaptativas. Além disso, o framework DISTAR e o algoritmo adaptativo NOHAR são propostas inéditas para a área de processamento de fluxo contínuo de dados (do inglês, Data Streaming) que podem ser exploradas em outros domínios e problemas.
author_additional	Souto, Eduardo James Pereira
author_additionalStr	Souto, Eduardo James Pereira
format	Tese
author	Lima, Wesllen Sousa
author2	http://lattes.cnpq.br/4666827294263489 https://orcid.org/0000-0001-9669-1659
author2Str	http://lattes.cnpq.br/4666827294263489 https://orcid.org/0000-0001-9669-1659
title	Reconhecimento de atividades humanas baseado na análise de fluxo contínuo de dados simbólicos
title_short	Reconhecimento de atividades humanas baseado na análise de fluxo contínuo de dados simbólicos
title_full	Reconhecimento de atividades humanas baseado na análise de fluxo contínuo de dados simbólicos
title_fullStr	Reconhecimento de atividades humanas baseado na análise de fluxo contínuo de dados simbólicos
title_full_unstemmed	Reconhecimento de atividades humanas baseado na análise de fluxo contínuo de dados simbólicos
title_sort	reconhecimento de atividades humanas baseado na análise de fluxo contínuo de dados simbólicos
publisher	Universidade Federal do Amazonas
publishDate	2019
url	https://tede.ufam.edu.br/handle/tede/7202
_version_	1831969765023809536
score	11.753735

Reconhecimento de atividades humanas baseado na análise de fluxo contínuo de dados simbólicos

Registros relacionados