Research that involves human-beings depends on the data collection. As technology solutions become popular in the context of healthcare, researchers highlight the need for monitoring and caring patients in situ. Human Activity Recognition (HAR) is a research field that combines two areas: Ubiquitous Computing and Artificial Intelligence. HAR is daily applied in several service sectors including military, security (surveillance), health and entertainment. A HAR system aims to identify and recognize the activities and actions a user performs, in real time or not. Ambient sensors (e.g. cameras) and wearable devices (e.g. smartwatches) collect information about users and their context (e.g. localization, time, companions). This data is processed by machine learning algorithms that extract information and classify the corresponding activity. Although there are several works in the literature related to HAR systems, most studies focusing on elderly users are limited and do not use, as ground truth, data collected from elder volunteers. Databases and sensors reported in the literature are geared towards a generic audience, which leads to loss in accuracy and robustness when targeted at a specific audience. Considering this gap, this work presents a Human Activity Recognition system and corresponding database focusing on the elderly, raising requirements and guidelines for supportive HAR system and the selection of sensor devices. The system evaluation was carried out checking the accuracy of the activity recognition process, defining the best statistical features and classification algorithms for the Elderly Activity Recognition System (EARS). The results suggest that EARS is a promising supportive technology for the elderly, having an accuracy of 98.37% with KNN (k = 1). / Pesquisas e serviços no campo da saúde se valem da coleta, em tempo real ou não, de dados de ordem física, psicológica, sentimental, comportamental, entre outras, de pacientes ou participantes em experimentos: o objetivo é melhorar tratamentos e procedimentos. As soluções tecnológicas estão se tornando populares no contexto da saúde, pesquisadores da área de saúde destacam a necessidade de monitoramento e cuidado dos pacientes in situ. O campo de pesquisa de Reconhecimento de Atividade Humana (sigla em inglês HAR, Human Activity Recognition) envolve as áreas de computação ubíqua e de inteligência artificial, sendo aplicado nos mais diversos domínios. Com o uso de sensores como câmeras, microfones e acelerômetros, entre outros, um sistema HAR tem por tarefa identificar as atividades que uma pessoa realiza em um determinado momento. As informações coletadas pelos sensores e os dados do usuário são processados por algoritmos de aprendizado de máquina para identificar a atividade humana realizada. Apesar de existirem vários trabalhos na literatura de sistemas HAR, poucos são voltados para o público ancião. Bases de dados e sensores reportados em trabalhos relacionados são voltadas para um público genérico, perdendo precisão e robustez quando se trata de um público específico. Diante dessa lacuna, este trabalho propõe um sistema de Reconhecimento de Atividade Humana voltado para o idoso, levantando requisitos para o sistema HAR assistido e selecionando os dispositivos sensores. Um banco de dados HAR com dados coletados de voluntários mais velhos também é fornecido e disponibilizado. A avaliação do sistema foi realizada verificando a acurácia do processo de reconhecimento da atividade, definindo as melhores características estatísticas e algoritmos de classificação para o sistema de reconhecimento de atividades do idoso. Os resultados sugerem que esse sistema é uma tecnologia de suporte promissora para idosos, tendo uma acurácia de 98.37% com KNN (k = 1).

Submitted by Aline Batista (alinehb.ufpel@gmail.com) on 2018-04-19T12:36:54Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) dissertacao_eduardo_soares_de_abreu.pdf: 4224104 bytes, checksum: fc46a837bb512d7f07fb7941f7cd362d (MD5) / Approved for entry into archive by Aline Batista (alinehb.ufpel@gmail.com) on 2018-04-19T14:43:52Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) dissertacao_eduardo_soares_de_abreu.pdf: 4224104 bytes, checksum: fc46a837bb512d7f07fb7941f7cd362d (MD5) / Made available in DSpace on 2018-04-19T14:44:01Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) dissertacao_eduardo_soares_de_abreu.pdf: 4224104 bytes, checksum: fc46a837bb512d7f07fb7941f7cd362d (MD5) Previous issue date: 2017-05-29 / Conselho Nacional de Pesquisa e Desenvolvimento Científico e Tecnológico - CNPq / Nos últimos anos, as técnicas de Reconhecimento de Atividades têm atraído atenção crescente. Entre as muitas aplicações, um interesse especial está no domínio ubíquo da e-Health, onde o reconhecimento automático de atividades é usado em sistemas de reabilitação, gerenciamento de doenças crônicas, monitoramento de idosos, bem como em aplicações de bem-estar pessoal. Esse interesse tem tido como motivação o envelhecimento da população. Este envelhecimento resulta em significativos desafios socioeconômicos no setor da saúde pública, bem como na incidência de doenças crônico-degenerativas, sendo a demência uma das mais preocupantes. Uma alternativa que vem sendo amplamente proposta é a utilização de casas inteligentes (ambiente assistido de vivência), nos quais as residências das pessoas sob tratamento deverão contemplar serviços computacionais que possam auxiliá-las nas suas práticas diárias, de forma o mais transparente possível. Este trabalho tem como acrônimo EXEHDA-AR (EXEHDA-Activity Recognition), e seu objetivo principal é contribuir com o Subsistema de Reconhecimento de Contexto e Adaptação do middleware EXEHDA (Execution Environment for Highly Distributed Applications) capacitando-o para o atendimento das demandas do Reconhecimento de Atividades, explorando para isto uma abordagem baseada em Ciência de Contexto. O EXEHDA-AR explora processamento semântico para prover Reconhecimento de Atividades em Casas Inteligentes, para tanto foram propostos componentes a serem integrados ao middleware EXEHDA, bem como um modelo ontológico. Os dados de contexto coletados são agrupados segundo o conceito de janela de tempo deslizante. Quando avaliado o EXEHDA-AR obteve uma acurácia média de 94,36% no Reconhecimento de Atividades. Estes resultados apontam que métodos baseados em processamento semântico constituem uma alternativa viável para o reconhecimento de Atividades com baixo nível de intrusão, indicando a continuidade dos esforços de pesquisa. / In recent years, the techniques of Activity Recognition have attracted increasing attention. Among the many applications, special interest lies in the ubiquitous domain of e-Health, where automatic activity recognition is used in rehabilitation systems, chronic disease management, elderly monitoring, as well as in personal wellness applications. This interest has been motivated by the aging of the population. This aging results in significant socioeconomic challenges in the public health sector, as well as in the incidence of chronic-degenerative diseases, with dementia being one of the most worrying. An alternative that has been widely proposed is the use of intelligent houses (ambient assisted living), in which the residences of people under treatment should contemplate computational services that can assist them in their daily practices, in the most transparent way possible. This work has the acronym EXEHDA-AR (EXEHDA-Activity Recognition), and its main objective is to contribute with the Context Recognition and Adaptation Subsystem of the EXEHDA (Execution Environment for Highly Distributed Applications) middleware, enabling it to meet the demands Of Activity Recognition, using a Context Awareness approach. The EXEHDA-AR explores semantic processing to provide Activity Recognition in smart home, for which we have proposed components to be integrated with the EXEHDA middleware as well as an ontological model. The collected context data are grouped according to the concept of time-sliding window. When evaluated the EXEHDA-AR obtained an average accuracy of 94.36% in the Recognition of Activities. These results indicate that methods based on semantic processing constitute a viable alternative for the Recognition of Activities with low level of intrusion, indicating the continuity of research efforts.

Submitted by Kamila Costa (kamilavasconceloscosta@gmail.com) on 2015-06-11T20:40:36Z No. of bitstreams: 1 Dissertação-Wesllen S Lima.pdf: 2617450 bytes, checksum: 12694bdd075a47f1778193c5500476be (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2015-06-15T18:09:11Z (GMT) No. of bitstreams: 1 Dissertação-Wesllen S Lima.pdf: 2617450 bytes, checksum: 12694bdd075a47f1778193c5500476be (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2015-06-15T18:10:18Z (GMT) No. of bitstreams: 1 Dissertação-Wesllen S Lima.pdf: 2617450 bytes, checksum: 12694bdd075a47f1778193c5500476be (MD5) / Made available in DSpace on 2015-06-15T18:10:18Z (GMT). No. of bitstreams: 1 Dissertação-Wesllen S Lima.pdf: 2617450 bytes, checksum: 12694bdd075a47f1778193c5500476be (MD5) Previous issue date: 2015-03-05 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / In recent years, power consumption has gradually increased in all sectors, especially in residential areas. This increase is mainly due to the emergence of new electrical appliances, for this reason, several solutions have been proposed by government and industry in order to minimize the energy consumption in homes. Among the proposed approaches, people's awareness, use of renewable energy sources and the creation of intelligent devices are highlighted . In addition, the use of Information and Communication Technologies (ICTs) in smart environments has been seen as an interesting alternative to deal with this problem. The idea is that the residences are instrumented with sensors and actuators in order to monitor people activities and, thereby, manage the power consumption based on their habits. In this context, this work proposes and validates a method to save energy through user activities in an intelligent environment using artificial intelligence techniques. The goal is to identify the devices related to user activities and make recommendations during their execution, avoiding waste. The proposed method, called AAEC (Activity-Appliance-Energy Consumption), is able to analyze a set of data collected from sensors available in the environment, after it recognizes user activities and recommends actions aimed at cost containment. Tests on a real database shown that the proposed method is able to save up to 35% of electricity. In general, the inclusion of AAEC method was a good solution to help people save energy without effort on individual behavior changes, contributing to the conscious use of energy and to the development of a sustainable society. / Nos últimos anos, o consumo de energia elétrica tem aumentado gradativamente em todos os setores, especialmente em ambientes residenciais. Esse aumento ocorre, principalmente, devido ao surgimento de novos aparelhos elétricos. Por este motivo, várias soluções têm sido propostas pelo governo e pela indústria na tentativa de minimizar o consumo de energia elétrica em residências. Dentre as abordagens propostas, destacam-se a conscientização das pessoas, uso de fontes de energia renováveis e a criação de aparelhos inteligentes. Além disso, o uso de Tecnologias da Informação e Comunicação (TICs) em ambientes inteligentes tem sido visto como uma alternativa interessante para lidar com este problema. A ideia é que as residências sejam instrumentadas com sensores e atuadores com objetivo de monitorar as atividades das pessoas e, por meio disso, gerenciar o consumo de energia elétrica com base nos seus hábitos. Nesse contexto, este trabalho propõe e valida um método capaz de economizar energia com base nas atividades dos usuários em um ambiente inteligente utilizando técnicas de inteligência artificial. O objetivo é identificar os aparelhos relacionados às atividades dos usuários e fazer recomendações ao longo da execução dessas atividades, evitando tais desperdícios. O método proposto, denominado de AAEC (Activity-Appliance-Energy Consumption), é capaz de analisar um conjunto de dados coletados pelos sensores disponíveis no ambiente, reconhecer automaticamente as atividades dos usuários e recomendar ações que visam a contenção de gastos. Testes feitos com uma base de dados real mostram que o método proposto é capaz de economizar até 35% de energia elétrica. De maneira geral, a inclusão do método AAEC se mostrou uma boa solução para auxiliar as pessoas a poupar energia sem que haja esforço na mudança de comportamento do indivíduo, contribuindo para o uso consciente de energia e no desenvolvimento de uma sociedade sustentável.

Submitted by camilla martins (camillasmmartins@gmail.com) on 2017-04-27T11:48:21Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_ReconhecimentoAtividadesHumanas.pdf: 1181419 bytes, checksum: 3354c3ea10e6220a8859bdc4bdb1c23c (MD5) / Approved for entry into archive by Edisangela Bastos (edisangela@ufpa.br) on 2017-05-04T12:01:30Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_ReconhecimentoAtividadesHumanas.pdf: 1181419 bytes, checksum: 3354c3ea10e6220a8859bdc4bdb1c23c (MD5) / Made available in DSpace on 2017-05-04T12:01:30Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_ReconhecimentoAtividadesHumanas.pdf: 1181419 bytes, checksum: 3354c3ea10e6220a8859bdc4bdb1c23c (MD5) Previous issue date: 2016-12-16 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / O Reconhecimento de Atividades Humanas (RAH) é uma área de pesquisa importante e desafiadora, com muitas aplicações na área de ambientes inteligentes, saúde e segurança domiciliar. RAH pode ser visto como um processo pelo qual o comportamento de uma pessoa é monitorado e analisado para inferir quais as atividades que estão sendo realizadas em determinado período de tempo. Este trabalho apresenta a criação de dois sistemas para RAH baseado em Redes Neurais Auto-associativas desenvolvidos a partir de um banco de dados público composto por sinais de 6 atividades básicas. Os sinais foram adquiridos a partir de um acelerômetro e giroscópio de um Smartphone e tanto as características extraídas dos sinais no domínio do tempo quanto sinais brutos da aceleração do corpo foram utilizadas para o desenvolvimento dos sistemas de RAH propostos. Os resultados obtidos mostram a eficácia do sistema e a aplicabilidade das Redes Neurais Auto-associativas para o problema de RAH. / Human Activity Recognition (HAR) is an important challenging research area with many applications in intelligence ambient, healthcare and homeland security systems. HAR is the process whereby a person is monitored through sensors and analyzed to infer the undergoing activities during a period of time. This work presents the development of two systems for the HAR using auto associative neural networks. The activity recognition systems are based on public dataset that has signal from three static postures (standing, sitting, lying) and three dynamic activities (walking, walking downstairs and walking upstairs).The dataset was captured by using accelerometer and gyroscopic sensor of a Smartphone. The features extracted from the time and the acceleration due to body motion were used to the development of the proposed systems. Our experimental results illustrates the effectiveness of the proposed system.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / The availability of low cost sensors and mobile devices allowed many advances in research of ubiquitous and pervasive computing area. With the capture of contextual data provided by the sensors attached to these devices it is possible to obtain user state information and the environment, and thus map the relationship between them. One approach to map these relationships are the activities performed by the user, which also are part of the context itself. However, even that human activities could cause injuries, there is not much discussion in the academy of how ubiquitous computing could assess the risk related to them. In this sense, the Activity Project aims to determine the risk situations related to activities performed by people in a context aware environment, through a middleware that considers the risk in the actions that composes an activity and the user performance while performing an activity. This thesis aims to specify the Activity Manager middleware layer proposed for the Activity Project, whose goal is to address issues relating to the prediction of actions and activities and the detection of risk situation in the actions performed by an user. The model developed to address the composition and prediction of activities is based on the Activity Theory, while the risk in actions is determined by changes in the physiological context of the user caused by the actions performed by itself, modeled through the model named Hyperspace Analogous to Context. Tests were conducted and developed models outperformed proposals found for action prediction, with an accuracy of 78.69%, as well as for risk situations detection, with an accuracy of 98.94%, showing the efficiency of the proposed solution. / A popularização de sensores de baixo custo e de dispositivos móveis permitiu diversos avanços nas pesquisas da área de computação ubíqua e pervasiva. Com a captura dos dados contextuais providos pelos sensores acoplados a estes dispositivos é possível obter informações do estado do usuário e do ambiente, e dessa forma mapear a relação entre ambos. Uma das possíveis abordagens para mapear essas relações são as atividades executadas pelo usuário, que inclusive são parte constituinte do próprio contexto. Entretanto, mesmo que as atividades humanas possam causar danos físicos, não há muita discussão na academia de como a computação ubíqua poderia avaliar esse risco relacionado a elas. Neste sentido, o projeto Activity Project objetiva determinar situações de risco no momento da realização de atividades desempenhadas por pessoas em um ambiente sensível ao contexto, através de um middleware sensível ao contexto que considera o risco nas ações que compõe uma atividade e o desempenho do usuário enquanto executa uma atividade. Esta dissertação tem por objetivo especificar a camada Gerência de Atividades do middleware proposto para o Activity Project, cujo objetivo é tratar as questões referentes à predição de ações e atividades e a detecção de situações de risco em ações. O modelo desenvolvido para tratar a composição das atividades e a predição das mesmas baseia-se na Teoria da Atividade, enquanto que o risco em ações é determinado pelas mudanças no contexto fisiológico do usuário, modeladas através do modelo Hiperespaço Análogo ao Contexto. Nos testes realizados os modelos desenvolvidos superaram as propostas encontradas até o momento para a predição de ações com uma a precisão de 78,69%, bem como para a determinação de situações de risco com uma precisão de 98,94%, demonstrando a eficácia da solução proposta.

Orientador: Alexandre César Rodrigues da Silva / Resumo: O reconhecimento de atividades humanas abrange diversas técnicas de classificação que permitem identificar padrões específicos do comportamento humano no momento da ocorrência. A identificação é realizada analisando dados gerados por diversos sensores corporais, entre os quais destaca-se o acelerômetro, pois responde tanto à frequência como à intensidade dos movimentos. A identificação de atividades é uma área bastante explorada. Porém, existem desafios que necessitam ser superados, podendo-se mencionar a necessidade de sistemas leves, de fácil uso e aceitação por parte dos usuários e que cumpram com requerimentos de consumo de energia e de processamento de grandes quantidades de dados. Neste trabalho apresenta-se o desenvolvimento do Sistema de Reconhecimento de atividades Humanas e Avaliação do Equilíbrio Postural, denominado SIRAH. O sistema está baseado no uso de um acelerômetro localizado na cintura do usuário. As duas fases do reconhecimento de atividades são apresentadas, fase Offline e fase Online. A fase Offline trata do treinamento de uma rede neural artificial do tipo perceptron de três camadas. No treinamento foram avaliados três estudos de caso com conjuntos de atributos diferentes, visando medir o desempenho do classificador na diferenciação de 3 posturas e 4 atividades. No primeiro caso o treinamento foi realizado com 15 atributos, gerados no domínio do tempo, com os que a rede neural artificial alcançou uma precisão de 94,40%. No segundo caso foram gerados 34 ... (Resumo completo, clicar acesso eletrônico abaixo) / Doutor