Abordagem atividade-intensidade para o reconhecimento de atividades

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCopetti, Alessandro-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4797961850809786-
Autor(es): dc.contributorBertini, Luciano-
Autor(es): dc.contributorhttp://lattes.cnpq.br/3709633136002980-
Autor(es): dc.contributorSobral, Ana Paula Barbosa-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4370410680845541-
Autor(es): dc.contributorCarvalho, Sérgio Teixeira de-
Autor(es): dc.contributorhttp://lattes.cnpq.br/2721053239592051-
Autor(es): dc.contributorhttp://lattes.cnpq.br/2278252675894818-
Autor(es): dc.creatorGomes, Eduardo Soares-
Data de aceite: dc.date.accessioned2024-07-11T18:36:17Z-
Data de disponibilização: dc.date.available2024-07-11T18:36:17Z-
Data de envio: dc.date.issued2023-10-11-
Data de envio: dc.date.issued2023-10-11-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/30781-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/773761-
Descrição: dc.descriptionNo monitoramento de saúde pervasivo, o reconhecimento de atividades é uma informação crítica para o correto gerenciamento de doenças ou potenciais situações de risco para um paciente. Apesar do grande número de estudos nessa área, a contextualização de um parâmetro importante que vem recebendo menos atenção é o reconhecimento de intensidade. No presente trabalho, foi investigado a potencial vantagem de agrupar a atividade com a sua intensidade, nomeada, Atividade-Intensidade, utilizando dados de acelerômetro para melhorar a descrição de atividades cotidianas dos indivíduos. Posteriormente foram testadas duas alternativas para a classificação supervisionada. Na primeira alternativa, a atividade e a intensidade são inferidas em conjunto aplicando um único algoritmo classificador. Para a segunda alternativa a atividade e a intensidade são classificadas separadamente. Em ambos os casos, os algoritmos utilizados para a classificação são: k Nearest Neighbors (KNN), Support Vector Machine (SVM) e Random Forest (RF). A boa acurácia obtida mostrou a viabilidade da classificação da Atividade-Intensidade. A melhor abordagem foi implementando o KNN utilizando um único classificador, que resultou em uma acurácia de 79%. Utilizando dois classificadores o resultado foi de 97% de acurácia para o reconhecimento da atividade (Random Forest), 80\% para o reconhecimento da intensidade (KNN), que resultou em uma acurácia de 78% para o reconhecimento da Atividade-Intensidade. Por fim, foi feita a escolha da melhor alternativa considerando a que oferece o desempenho mais eficiente, incluindo, acurácia, tempo de execução e espaço em memória para execução em um smartphone. Os resultados obtidos possuem potencial para melhorar diversas aplicações no contexto do reconhecimento de movimentos para profissionais de saúde na forma de um sistema de decisão com regras criadas por especialistas, por exemplo, monitoramento de idosos, monitoramento do sono e identificação de movimentos que podem representar algum tipo de risco para determinados pacientes-
Descrição: dc.descriptionIn pervasive healthcare monitoring, activity recognition is critical information for adequate management of the patient. Despite the great number of studies on this topic, a contextually relevant parameter that has received less attention is intensity recognition. In the present study, we investigated the potential advantage of coupling activity and intensity, namely, Activity-Intensity, in accelerometer data to improve the description of daily activities of individuals. We further tested two alternatives for supervised classification. In the first alternative, the activity and intensity are inferred together by applying a single classifier algorithm. In the other alternative, the activity and intensity are classified separately. In both cases, the algorithms used for classification are k Nearest Neighbors, Support Vector Machine, and Random Forest. The results showed the viability of the classification with good accuracy for Activity-Intensity recognition. The best approach was KNN implemented in the single classifier alternative, which resulted in 79% of accuracy. Using two classifiers, the result was 97% accuracy for activity recognition (Random Forest), 80% for intensity recognition (KNN), which resulted in 78% for activity-intensity coupled. Finally, we defined the best alternative considering an efficient performance, including, runtime and memory usage for use on a smartphone. These findings have potential applications to improve the contextualized evaluation of movement by health professionals in the form of a decision system with expert rules-
Descrição: dc.description68 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectReconhecimento de atividades e intensidades-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectComputação pervasiva-
Palavras-chave: dc.subjectAcelerômetros-
Palavras-chave: dc.subjectComputação móvel-
Palavras-chave: dc.subjectPervasive healthcare monitoring-
Palavras-chave: dc.subjectActivity and intensity recognition-
Palavras-chave: dc.subjectMobile computing-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectAccelerometers-
Título: dc.titleAbordagem atividade-intensidade para o reconhecimento de atividades-
Tipo de arquivo: dc.typeDissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.