Artificial Intelligence for recognizing school and training sports activities from sensorised vests
Year: 2025
Type: dissertation
Abstract: O Reconhecimento de Atividade Humana (HAR) é uma área de estudo com crescente importância, impactando diferentes setores como saúde, desporto e educação.Esta foca-se sobretudo em acompanhar e avaliar movimentos do corpo de forma autónoma.O foco do presente trabalho recai precisamente no âmbito do HAR, tendo como principais objetivos a avaliação da performance de diferentes modelos de machine learning, bem com a classificação de movimentos primários relativos a atividades de desporto.Para tal, é utilizada uma unidade de medida inercial (IMU) composta por um acelerómetro e um giroscópio.Este projeto está integrado na solução do TexP@ct, um colete inteligente capaz de quantificar métricas para aferir a performance de estudantes através de um único IMU e um sensor de ECG na região superior do tronco.De forma a recorrer-se a apenas um sensor localizado nesta região, é necessário que toda a informação relevante para o reconhecimento motor consiga ser captada, aspeto que se torna particularmente importante para movimentos realizados por extremidades do corpo.Esta dissertação avalia diferentes metodologias descritas na literatura para a construção de uma pipeline de processamento.De forma a desenvolver os algoritmos de classificação, foram utilizadas duas bases de dados publicas: PAMAP2 e RWHAR.Ambas as bibliotecas apresentam dados de um IMU na região do tronco com atividades fundamentais como andar, saltar, e correr.Na fase de pré-processamento, foram utilizadas técnicas para a remoção da gravidade e filtragem de sinal.Depois, foram implementadas dois algoritmos de extração de parâmetros.Foi estabelecido um modelo base de referêcia para análises posteriores.Primeiramente, foram testadas três alternativas de redução de dimensionalidade de parâmetros: PCA, RFE e SelectKBest.Foi ainda realizada a aprimoração de híper parâmetros nos 5 melhores modelos, utilizando diferentes configurações de otimização de performance.De todos os modelos testados (LightGBM, GBC, KNN, RF, ExtraTrees), o melhor classificador foi o LightGBM com exatidão de 94.24% para a biblioteca PAMAP2 e 90.92% para a RWHAR.As técnicas de redução de dimensão de parâmetros, mais concretamente a SelectKBest, não só permitiu aumentar a performance do algoritmo, como também diminuiu os custos computacionais.Para além disso, a aprimoração de parâmetros permitiu obter ganhos adicionais de performance.Curiosamente, para ambas as bibliotecas, os híper parâmetros com melhor classificação foram idênticos, permitindo concluir que este modelo pode ser generalizado para outras bases de dados, no âmbito do HAR.Em sumário, os resultados demonstram que, mesmo com a limitação do uso de apenas um IMU colocado no tronco, é possível atingir classificações com elevada exatidão para movimentos fundamentais dentro do desporto.Esta metodologia valida o potencial da integração destes algoritmos na plataforma da solução do TexP@ct, e aplicações relacionadas com saúde e reabilitação, assim como avaliação de performance profissional desportiva.
Author: Francisco Maria Ferreira de Melo Sá Couto
Language: English
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
Funder: European Commission
OpenAlex ID: W7112662874
