Submitted by Ana Caroline Costa (ana_caroline212@hotmail.com) on 2018-11-09T18:31:42Z No. of bitstreams: 2 Dissertação - Bruno Soares da Silva - 2018.pdf: 2828057 bytes, checksum: dd61488139898a6d0bf95f84ee3d5ddf (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2018-11-12T13:12:52Z (GMT) No. of bitstreams: 2 Dissertação - Bruno Soares da Silva - 2018.pdf: 2828057 bytes, checksum: dd61488139898a6d0bf95f84ee3d5ddf (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2018-11-12T13:12:52Z (GMT). No. of bitstreams: 2 Dissertação - Bruno Soares da Silva - 2018.pdf: 2828057 bytes, checksum: dd61488139898a6d0bf95f84ee3d5ddf (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2018-10-08 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / The movement flow detection in indoor environments requires the aquisition and implantation of specialized devices. The perturbations that can affect the electromagnetic signals used by 802.11 interfaces make this type of device a low-cost and widely available movement sensor. Most indoor environments have a 802.11 interface, which makes the use of this type of devices a good option as it doesn't requires any new device. In this work, we propose the WiDMove, a proposal to detect the movement flows in an indoor environment using the channel quality measurements (known as Channel State Information - CSI) offered by the IEEE 802.11n standard. Our proposal is based on signal processing and pattern recognition techniques, which allow us to extract and classify event signatures using the CSI. In lab tests with off-the-shelf 802.11 interfaces, we collected CSI samples that were affected by 8 different people. From this collected data we extracted the signature of the entry and exit events using some techniques such as Principal Component Analysis (PCA), Short-Time Fourier Transform (STFT) and Continuous Wavelet Transform (CWT). We trained two model types, the first based on a Support Vector Machine (SVM) classifier and the second based on a Multi Layer Perceptral (MLP) neural network. We validated this models with average accuracy experiments and with the cross-validation, including the K-Fold and Leave-One-Out techniques. WiDMove presented that can reach an average accuracy above 93% and that we can train neural networks that can reach an accuracy above 97%. / A detecção de fluxos de movimento em ambientes fechados demanda a aquisição e implantação de sensores especializados. As perturbações que podem afetar o sinal eletromagnético utilizado por interfaces de rede 802.11 tornam esse tipo de dispositivo um sensor de fluxos de movimento de baixo custo e amplamente disponível. Grande parte dos ambientes possuem interfaces 802.11 implantadas, tornando o uso desse tipo de dispositivo como sensor de fluxo de movimento bastante viável por não demandar a aquisição de nenhum novo equipamento. Neste trabalho, apresentamos o WiDMove, uma proposta que visa detectar fluxos de movimento em ambientes fechados utilizando as medidas de qualidade do canal oferecidas pelo padrão IEEE 802.11n, conhecidas como Channel State Information (CSI). Nossa proposta é baseada em técnicas de processamento de sinais e de reconhecimento de padrões, as quais nos permitem extrair e classificar assinaturas de fluxos de movimento usando as medidas CSI. Em testes de laboratório com interfaces 802.11 convencionais, coletamos medidas CSI influenciadas por 8 indivíduos distintos e extraímos as assinaturas de entrada e saída utilizando, dentre outras técnicas, Principal Component Analysis (PCA), Short- Time Fourier Transform (STFT) e Continuous Wavelet Transform (CWT). Treinamos dois tipos de modelos, um baseado em um classificador do tipo Support Vector Machine (SVM) e outro baseado em redes neurais do tipo Multi Layer Perceptral (MLP). Validamos esses modelos através de testes de acurácia média e de técnicas de validação cruzada, incluindo as técnicas K-Fold e Leave-One-Out. Os testes demonstraram que o WiDMove pode atingir uma acurácia média superior a 93% e que é possível treinar uma rede neural com acurácia de cerca de 97%.