Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/92822
Registo completo
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.advisor | Analide, Cesar | por |
dc.contributor.advisor | Fernandes, B. | por |
dc.contributor.author | Fernandes, Pedro Almeida | por |
dc.date.accessioned | 2024-08-30T08:48:00Z | - |
dc.date.available | 2024-08-30T08:48:00Z | - |
dc.date.issued | 2023-12-18 | - |
dc.date.submitted | 2023-10 | - |
dc.identifier.uri | https://hdl.handle.net/1822/92822 | - |
dc.description | Dissertação de mestrado em Engenharia Informática | por |
dc.description.abstract | O reconhecimento de atividades utilizando smartphones tem ganho uma atenção redobrada nos últimos anos devido à adoção generalizada destes dispositivos e consequentemente dos seus vários sensores. Estes sensores são capazes de fornecer dados bastante relevantes para este fim. Os sensores não intrusivos, em particular, oferecem a vantagem de recolher dados sem exigir ao utilizador a realização de quaisquer ações específicas ou o uso de dispositivos adicionais. Primeiramente são discutidos os diferentes tipos de sensores habitualmente utilizados em smartphones, incluindo acelerómetros, giroscópios, entre outros, e o tipo de informação que nos podem guarnecer. Depois serão apresentados vários algoritmos e técnicas de machine learning, incluindo aprendizagem supervisionada, aprendizagem não supervisionada, e ainda aprendizagem por reforço. Dentro destes são também apresentados alguns dos algoritmos mais utilizados. Para finalizar esta primeira parte, serão ainda apresentadas alguns trabalhos realizados por outros investigadores na área. O objetivo desta tese passou, então, pela criação de uma aplicação destinada ao reconhecimento de atividades recorrendo exclusivamente ao uso de sensores não intrusivos presentes em qualquer smartphone. Os dados colecionados por esses sensores forem submetidos a várias etapas de processamento e, após diversas iterações, obteve-se um conjunto de features altamente favoráveis ao treino dos modelos de machine learning criados. O melhor resultado foi obtido pelo modelo utilizando o algoritmo XGBoost, que alcançou uma impressionante taxa de accuracy de 0.979. Este resultado bastante sólido, permite verificar a alta eficácia do uso deste tipo de sensores para o reconhecimento de atividades. | por |
dc.description.abstract | Activity recognition using smartphones has gained increased attention in recent years due to the widespread adoption of these devices and, consequently, their various sensors. These sensors are capable of providing very relevant data for this purpose. Non-intrusive sensors, in particular, offer the advantage of collecting data without requiring the user to perform any specific action or use any additional devices. Firstly, we will discuss the different types of sensors commonly used in smartphones, including accelerometers, gyroscopes, among others, and the type of information they can provide us. Next, we will introduce several machine learning algorithms and techniques, including supervised learning, unsupervised learning, and reinforcement learning. Within these, some of the most commonly used algorithms will also be presented.To conclude this first part, some work carried out by other researchers in the field will also be presented. The objective of this thesis was, therefore, the development of an application designed for activity recognition using exclusively non-intrusive sensors available in any smartphone. The data collected by these sensors underwent several processing stages, and after numerous iterations, a set of highly favorable features for training the machine learning models was obtained. The most prominent result was achieved by the model using the XGBoost algorithm, which achieved an impressive accuracy rate of 0.979. This quite robust result confirms the high effectiveness of using this type of sensors for activity recognition. | por |
dc.language.iso | por | por |
dc.rights | openAccess | por |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/4.0/ | por |
dc.subject | Comportamento humano | por |
dc.subject | Dispositivos móveis | por |
dc.subject | Machine learning | por |
dc.subject | Reconhecimento de atividades | por |
dc.subject | Sensorização | por |
dc.subject | Smartphones | por |
dc.subject | Activity recognition | por |
dc.subject | Human behavior | por |
dc.subject | Mobile devices | por |
dc.subject | Sensor data | por |
dc.title | Reconhecimento de atividades em smartphones usando sensores não intrusivos | por |
dc.title.alternative | Activity recognition in smartphones using non-intrusive sensors | por |
dc.type | masterThesis | eng |
dc.identifier.tid | 203618300 | por |
thesis.degree.grantor | Universidade do Minho | por |
sdum.degree.grade | 18 valores | por |
sdum.uoei | Escola de Engenharia | por |
dc.subject.fos | Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática | por |
Aparece nas coleções: | BUM - Dissertações de Mestrado DI - Dissertações de Mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Pedro Almeida Fernandes.pdf | Dissertação de mestrado | 3,25 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons