Analysis of human-computer interaction time series using Deep Learning

Detalhes bibliográficos
Autor(a) principal: Pinto, José Pedro Milhazes Carvalho
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/82444
Resumo: Dissertação de mestrado integrado em Engenharia Informática
id RCAP_e1c8fad3c95609c05aa7369b0440f444
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/82444
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Analysis of human-computer interaction time series using Deep LearningDeep LearningTime seriesHuman-computer interactionAmbient intelligenceFraud detectionSéries temporaisInteração humano-computadorInteligência ambienteDeteção de fraudeEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaDissertação de mestrado integrado em Engenharia InformáticaThe collection and use of data resulting from human-computer interaction are becoming more and more common. These have been allowing for the birth of intelligent systems that extract powerful knowledge, potentially improving the user experience or even originating various digital services. With the rapid scientific advancements that have been taking place in the field of Deep Learning, it is convenient to review the underlying techniques currently used in these systems. In this work, we propose an approach to the general task of analyzing such interactions in the form of time series, using Deep Learning. We then rely on this approach to develop an anti-cheating system for video games using only keyboard and mouse input data. This system can work with any video game, and with minor adjustments, it can be easily adapted to new platforms (such as mobile and gaming consoles). Experiments suggest that analyzing HCI time series data with deep learning yields better results while providing solutions that do not rely highly on domain knowledge as traditional systems.A recolha e a utilização de dados resultantes da interação humano-computador estão a tornar-se cada vez mais comuns. Estas têm permitido o surgimento de sistemas inteligentes capazes de extrair conhecimento ex tremamente útil, potencialmente melhorando a experiência do utilizador ou mesmo originando diversos serviços digitais. Com os acelerados avanços científicos na área do Deep Learning, torna-se conveniente rever as técni cas subjacentes a estes sistemas. Neste trabalho, propomos uma abordagem ao problema geral de analisar tais interações na forma de séries temporais, utilizando Deep Learning. Apoiamo-nos então nesta abordagem para desenvolver um sistema de anti-cheating para videojogos, utilizando apenas dados de input de rato e teclado. Este sistema funciona com qualquer jogo e pode, com pequenos ajustes, ser adaptado para novas plataformas (como dispositivos móveis ou consolas). As experiências sugerem que analisar dados de séries temporais de interação humano-computador pro duz melhores resultados, disponibilizando soluções que não são altamente dependentes de conhecimento de domínio como sistemas tradicionais.Novais, PauloPimenta, AndréUniversidade do MinhoPinto, José Pedro Milhazes Carvalho2021-12-032021-12-03T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/82444eng203126700info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:52:51Zoai:repositorium.sdum.uminho.pt:1822/82444Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:52:04.472584Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Analysis of human-computer interaction time series using Deep Learning
title Analysis of human-computer interaction time series using Deep Learning
spellingShingle Analysis of human-computer interaction time series using Deep Learning
Pinto, José Pedro Milhazes Carvalho
Deep Learning
Time series
Human-computer interaction
Ambient intelligence
Fraud detection
Séries temporais
Interação humano-computador
Inteligência ambiente
Deteção de fraude
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
title_short Analysis of human-computer interaction time series using Deep Learning
title_full Analysis of human-computer interaction time series using Deep Learning
title_fullStr Analysis of human-computer interaction time series using Deep Learning
title_full_unstemmed Analysis of human-computer interaction time series using Deep Learning
title_sort Analysis of human-computer interaction time series using Deep Learning
author Pinto, José Pedro Milhazes Carvalho
author_facet Pinto, José Pedro Milhazes Carvalho
author_role author
dc.contributor.none.fl_str_mv Novais, Paulo
Pimenta, André
Universidade do Minho
dc.contributor.author.fl_str_mv Pinto, José Pedro Milhazes Carvalho
dc.subject.por.fl_str_mv Deep Learning
Time series
Human-computer interaction
Ambient intelligence
Fraud detection
Séries temporais
Interação humano-computador
Inteligência ambiente
Deteção de fraude
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
topic Deep Learning
Time series
Human-computer interaction
Ambient intelligence
Fraud detection
Séries temporais
Interação humano-computador
Inteligência ambiente
Deteção de fraude
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
description Dissertação de mestrado integrado em Engenharia Informática
publishDate 2021
dc.date.none.fl_str_mv 2021-12-03
2021-12-03T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/82444
url https://hdl.handle.net/1822/82444
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 203126700
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799133111064199168

Registros relacionados