Aviso de cookies

Neste site utilizamos cookies analíticos. Os cookies analíticos são utilizados para compreender como os visitantes interagem com o site. Eles ajudam a fornecer informações sobre métricas como número de visitantes, taxa de rejeição, origem do tráfego, etc.

  • Portal do Governo Brasileiro
    • português (Brasil)
    • English
    • español
  • English 
    • Português (Brasil)
    • English
    • Español
  • Login
          AJUDA
Pesquisa
avançada
     
View Item 
  •   RIUFF
  • Produção Científica
  • Instituto de Ciência e Tecnologia - RCT
  • PCT - Programa de Pós-graduação em Engenharia de Produção e Sistemas Computacionais - Rio das Ostras
  • MESC - Mestrado Profissional - Rio das Ostras
  • MESC - Dissertações - Rio das Ostras
  • View Item
  •   RIUFF
  • Produção Científica
  • Instituto de Ciência e Tecnologia - RCT
  • PCT - Programa de Pós-graduação em Engenharia de Produção e Sistemas Computacionais - Rio das Ostras
  • MESC - Mestrado Profissional - Rio das Ostras
  • MESC - Dissertações - Rio das Ostras
  • View Item
JavaScript está desabilitado no seu navegador. Algumas funcionalidades deste site podem não funcionar.

Browse

All of DSpaceCommunities & CollectionsBy Issue DateAuthorsAdvisorsTitlesSubjectsDepartmentProgramTypeType of AccessThis CollectionBy Issue DateAuthorsAdvisorsTitlesSubjectsDepartmentProgramTypeType of Access

Statistics

View Usage Statistics
application/pdf

View/Open
ABORDAGEM ATIVIDADE-INTENSIDAD... (3.635Mb)

Collections
  • MESC - Dissertações - Rio das Ostras

Statistics
Metadata
Show full item record
ABORDAGEM ATIVIDADE-INTENSIDADE PARA O RECONHECIMENTO DE ATIVIDADES
Gomes, Eduardo Soares
Abstract
No 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
[Texto sem Formatação]
Document type
Dissertação
Source
GOMES, Eduardo Soares. Abordagem atividade-intensidade para o reconhecimento de atividades. 2021. Dissertação (Mestrado Profissional em Engenharia de Produção e Sistemas Computacionais) – Instituto de Ciência e Tecnologia, Universidade Federal Fluminense, Rio das Ostras, RJ, 2021.
Subject(s)
Reconhecimento de atividades e intensidades
Aprendizado de máquina
Computação pervasiva
Acelerômetros
Computação móvel
Pervasive healthcare monitoring
Activity and intensity recognition
Mobile computing
Machine learning
Accelerometers
 
URI
http://app.uff.br/riuff/handle/1/30781
License Term
CC-BY-SA
DSpace
DSpace
DSpace
DSpace
DSpace
DSpace

  Contact Us

 Fale com um bibliotecário

DSpace  Siga-nos no Instagram