Um modelo de reconhecimento de atividades humanas em ambientes domiciliares assistidos
Year: 2017
Type: dissertation
Abstract: Primeiramente gostaria de agradecer ao meu professor e orientador, Dr. Mario Dantas, que esteve sempre disponível quando precisei de auxílio.O conhecimento que me foi passado durante todos nossos encontros são de valor inestimável.A toda equipe do SeTIC, em especial ao meu supervisor Alexandre Gava Menezes, pela compreensão e apoio durante toda essa jornada.Gostaria de ressaltar e agradecer o apoio incondicional que recebi dos meus pais, Jair Batista do Amaral e Rita Daufenbach do Amaral, e da minha irmã, Thais Daufenbach do Amaral, que, de forma especial e da forma deles, sempre confiaram em mim.A minha namorada, María Gabriela López Peralta, que esteve ao meu lado nos melhores e nos piores momentos, sempre me apoiando e me dando forças.Agradeço também a todos meus amigos, que de uma forma ou outra, direta ou indiretamente, contribuíram para o resultado final deste trabalho.Seria injusto citar nomes, correndo o risco de esquecer pessoas que em muito contribuíram em minha formação. RESUMOCom o crescimento da população de idosos, torna-se necessária a criação de condições que garantam a eles uma vida com qualidade e independência.A partir deste cenário, surgem os ambientes domiciliares assistidos, onde sensores corporais e de ambiente monitoram a saúde destes indivíduos.Com a finalidade de compreender a rotina individual de indivíduos monitorados, para prever de forma mais precisa anomalias na saúde dos mesmos, este trabalho apresenta um modelo para inferir as atividades realizadas pelos indivíduos, a partir de dados de localização e movimentação, gerados a partir de um acelerômetro.Foram monitoradas as atividades de 5 indivíduos, de diferentes faixas etárias, utilizando as atividades de 4 destes indivíduos para treinar o modelo e as atividades do indivíduo restante para dados de teste.Para a predição das atividades foi utilizado o algoritmo Extra Trees, onde foram obtidos os resultados de 81,16% de precisão quando utilizados apenas dados de movimentação, 92,59% quando utilizados tanto dados de movimentação quanto localização, e 97,56% quando utilizados dados de movimentação e dados sintéticos de localização.
Author: Amaral, Wagner Daufenbach do
Institution: Universidade Federal de Santa Catarina
Language: Portuguese
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W6997077694
