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

• Ano de defesa: 2019
• Autor(a) principal: Lima, Wesllen Sousa
• Outros Autores: http://lattes.cnpq.br/4666827294263489, https://orcid.org/0000-0001-9669-1659
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Instituto de Computação; Brasil; UFAM; Programa de Pós-graduação em Informática
• Palavras-chave em Português: 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
• Link de acesso: https://tede.ufam.edu.br/handle/tede/7202

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.