Your SlideShare is downloading. ×
0
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
PADS - MSc Thesis @ UFP
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

PADS - MSc Thesis @ UFP

152

Published on

PADS - MSc Thesis @ UFP

PADS - MSc Thesis @ UFP

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
152
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
2
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. PADS Personal Activity Detection System Sérgio Vale Orientador: Prof. Doutor José Torres Coorientador: Prof. Doutor Rui Silva Moreira
  • 2. O Problema Taxa de natalidade Espectativa média de vida • O número de pessoas idosas irá exceder a capacidade de resposta da sociedade atual • Importância da atividade física • monitorização é fundamental • As quedas são um dos problemas mais graves na assistência geriátrica Qualidade de vida Promoção da saúde Independ- ência do idoso 28% 34%
  • 3. Objetivos • Deteção e monitorização de atividade – Deteção de atividade física – Deteção de presença em locais estratégicos • Fusão de informação de várias fontes • Desenvolvimento de um protótipo – câmaras web – um smartphone – servidores • Inferência probabilística
  • 4. Estado da arte • Sistemas sensíveis ao contexto compreendem módulos de aquisição • Agentes inteligentes • Sensores Módulo de aquisição Acelerómetro Magnetómetro Giroscópio Interpretação da perceção dos sensores Tomada de decisão Aceleração Direção localizaçãotemperatura visão
  • 5. Software • OpenCV – biblioteca open source de visão por computador desenvolvida em c/c++ – Análise e interpretação da atividade humana (frame) – Eficiência computacional com um forte direcionamento para as aplicações em tempo real • Weka – Coleção de algoritmos de aprendizagem – Métodos para todos os problemas standard de data mining de regressão, classificação, clustering, association rule mining e seleção de atributos – Aplicar um método de aprendizagem a um conjunto de dados e apresenta resultados – Os conjunto de dados são pré-formatados num ficheiro ARFF • Mocapy++ – Inferência e aprendizagem de redes bayesianas – Usa a Técnica Markov chain Monte Carlo (MCMC), designada Gibbs sampling. – Utiliza o método expectation maximization (EM)
  • 6. Software • Exemplo de um ficheiro ARFF
  • 7. Técnicas de Inferência • Métodos baseados em heurísticas – Este método depende inevitavelmente de um conjunto de dados completo – Método aplicado a através de regras – Simple Reflex Agent - é muito limitado a nível de inteligência e sem memória – Model-Based Agent - contém alguma inteligência devido a possuir memória • Métodos baseados em aprendizagem – Saber como atuar no presente mas também no futuro – A aprendizagem indutiva é uma classe de algoritmos para aprendizagem supervisionada determinística – Teoria da aprendizagem computacional – Atributos nominais ou numéricos – Logit Boost que utiliza a técnica additive logistic regression • Inferência probabilística – Processo de inferir um resultado a partir de várias observações – No PADS são utilizadas as redes bayesianas que são um modelo gráfico – A componente gráfica serve como suporte para alcançar eficiência computacional
  • 8. Trabalhos relacionados Acel. Gyrosc. Magnet. Outro sensor Indoor / outdoor Objetivo Dispositivo (Dai et al., 2010) Sim Não Não Magnético ambos Detetar quedas smartphone (Ryder et al., 2009) Sim Não Não GPS ambos Monitorizar atividade e localização smartphone (Anderson et al., 2007) Não Não Não GSM ambos Monitorizar atividade física Cell phone (Torres et al., 2012) Sim Não Não - ambos Monitorizar atividade física customized (Kwapisz et al., 2010) Sim Não Não - ambos Monitorizar atividade física Cell phone (Luštrek & Kaluža, 2009) Sim Sim Não Radio tag ambos Monitorização da atividade física e reconhecimento de quedas customized (Gonçalves et al., 2009) Sim Não Não Temperatura e luminosidade indoor Monitorização da atividade física e sinais vitais customized (Mccall et al., 2012) Sim Sim Sim - ambos Detetar atividades físicas variadas (cozinhar) smartphone Own Application Sim Sim Sim - ambos Monitorização da atividade física smartphone
  • 9. Componentes do PADS
  • 10. • relação de dependência estatística entre resultados Modelo Estatístico
  • 11. Activity Detection Module
  • 12. Activity Detection Module • Objectivo: Atividade física do utilizador do dispositivo móvel • Aplicação 1: Recolha e tratamento de informação – Execução de atividades – Recolha dos dados – Modelo de aprendizagem (Weka) • Aplicação 2: Leitura de informação e classificação de atividades – Modelo de aprendizagem (ADM) – Recolha de dados – Classificação em tempo real – Envio da classificação para o servidor
  • 13. Activity Detection Module • Algoritmo principal de classificação da Aplicação 2
  • 14. Sistema de deteção de atividade Presence Detection Module
  • 15. Presence Detection Module • Algoritmo principal de deteção de presença
  • 16. Information Fusion Module
  • 17. Information Fusion Module • Algoritmo principal para fusão de informação H O O O H
  • 18. Avaliação da atividade física Evento Classificado como: A B C D E A 100% 0% 0% 0% 0% B 0% 98,5% 1,5% 0% 0% C 0% 2% 97,5% 0% 0,5% D 0,7% 1,4% 0% 94,3% 3,6% E 0% 3,8% 7,7% 23,1% 65,4% A: Parado B: Andar C: Correr D: Deitado E: Queda • Samsung Nexus S – Android – Processador ARM de 1Ghz – 512 Mb de RAM • Taxa de amostragem: 10Hz • Intervalo de aquisição: 100s/10s • Algoritmo classificador: Logit Boost • Técnica: 10-fold cross validation • Precisão de 96,73% -5.00 0.00 5.00 10.00 15.00 20.00 25.00 1 2 3 4 5 6 7 8 9 10 Segundos X Y Z
  • 19. Avaliação da determinação de atividade por fusão • Componentes utilizados: – Activity Detection Module – Presence Detection Module • Cenário: “A Mary circula pela sala em direção à televisão e senta-se na sua frente a ver o seu programa favorito” • Estados possiveis: – “Em frente à TV” – “A tomar medicação” – “A fazer exercício em frente à TV” – “Ao telefone” – “Queda” – “Outra”
  • 20. Avaliação da determinação de atividade por fusão Momento Activity Detection Module Presence Detection Module Information Fusion Module (Output do sistema) Ground Truth 1 Parado - Outra O utilizador está parado perto da porta da sala. 2 Andar - Outra Movimenta-se em direção ao sofá. 3 Andar - Outra Movimenta-se em direção ao sofá. 4 Andar - Outra Movimenta-se em direção ao sofá. 5 Andar - Outra Movimenta-se em direção ao sofá e senta-se no mesmo. 6 Parado TV Em frente à TV Sentado no sofá a ver televisão. 7 Parado Outra Em frente à TV Sentado no sofá a ver televisão. 8 Parado TV Em frente à TV Sentado no sofá a ver televisão. 9 Parado TV Em frente à TV Sentado no sofá a ver televisão. 10 Parado TV Em frente à TV Sentado no sofá a ver televisão.
  • 21. Conclusões • Contribuições – Activity Detection Module – Presence Detection Module – Information Fusion Module – Protótipo integrando todos os componentes anteriores • Trabalho futuro – Aperfeiçoamento da interface gráfica na apresentação de resultados – utilização de outros meios de comunicação – Introdução de novos módulos sensores

×