Detecção de modo de transporte utilizando smartphones e redes neurais artificiais para prevenção de acidentes

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorZaghetto, Alexandre-
Autor(es): dc.creatorSilva, Mateus Mendelson Esteves da-
Data de aceite: dc.date.accessioned2024-10-23T15:02:14Z-
Data de disponibilização: dc.date.available2024-10-23T15:02:14Z-
Data de envio: dc.date.issued2018-09-21-
Data de envio: dc.date.issued2018-09-21-
Data de envio: dc.date.issued2018-09-18-
Data de envio: dc.date.issued2018-04-09-
Fonte completa do material: dc.identifierhttp://repositorio.unb.br/handle/10482/32660-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/872667-
Descrição: dc.descriptionDissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2018.-
Descrição: dc.descriptionAparelhos celulares estão se tornando cada dia mais sofisticados. As gerações mais recentes são denominadas smartphones, deixando de ser apenas dispositivos de telecomunicação verbal e tornando-se computadores portáteis com considerável capacidade de processamento e memória. Atualmente, eles são compostos por diversos e poderosos sensores, dentre eles o acelerômetro. Este trabalho apresenta um método baseado em Redes Neurais Artificiais e no descritor de texturas GLCM que, utilizando sinais capturados apenas a partir de acelerômetros de telefones celulares convencionais, é capaz de identificar situações de risco de acidentes. O método é capaz de identificar 3 modos de transporte: carro, bicicleta e a pé. Dependendo do modo de transporte, é possível identificar se o smartphone está sendo transportado em mãos, em um painel ou no bolso do usuário, identificando se ele está em movimento ou parado. Por fim, também identifica o modo de interação com o dispositivo: em ligação, olhando/digitando ou sem interação. Os testes mostram que o método proposto é capaz de identificar uma entre 18 possíveis classes de transporte com uma taxa de acerto de 94; 31% com uma janela de 14 segundos.-
Descrição: dc.descriptionMobile phones are increasingly sophisticated. The most recent generations are called smartphones. They are no longer merely communication devices; they became portable computers with significant processing power and memory. Nowadays, they are composed of several powerful sensors, among them the accelerometer. This work presents a method based in Artificial Neural Networks and in GLCM texture descriptor that, using signals captured only from the accelerometer of conventional mobile phones, is able to identify accident risk situations. This method is able to identify 3 transport modes: car, bicicle and foot. Depending on the mode of transportation, it is possible to identify whether the smartphone is being transported in the hand, in a dashboard or in the user’s pocket, and whether they are moving or stopped. Finally, it also identifies the mode of interaction with the device: in a phone call, looking/typing or with no interaction. Tests showed that the proposed method is able to identify one among 18 transport classes with a success rate of 94:31% with a window of 14 seconds.-
Descrição: dc.descriptionFaculdade de Tecnologia (FT)-
Descrição: dc.descriptionDepartamento de Engenharia Mecânica (FT ENM)-
Descrição: dc.descriptionPrograma de Pós-Graduação em Sistemas Mecatrônicos-
Formato: dc.formatapplication/pdf-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectSmartphone-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectAcidentes - fatores de risco-
Título: dc.titleDetecção de modo de transporte utilizando smartphones e redes neurais artificiais para prevenção de acidentes-
Título: dc.titleUsing artificial neural networks and smartphone accelerometers for accident prevention-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.