Avaliação de arquiteturas de Redes Neurais Recorrentes para Reconhecimento de Atividades Humanas utilizando acelerômetros de dispositivos móveis
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFAM |
Texto Completo: | http://riu.ufam.edu.br/handle/prefix/6321 |
Resumo: | Human Activity Recognition (HAR) using mobile devices makes it possible to classify an individual’s physical activities with non-intrusive and low-cost sensor data. Thus, HAR can collaborate with physiotherapeutic treatment by allowing the monitoring of activities such as walking, running, and going up or down stairs. UniMib SHAR database provides data collected from mobile device accelerometers to be a reference for evaluating machine learning algorithms for HAR. This work aims to compare different architectures for classifying the UniMib SHAR database, combining LSTM, GRU, and BLSTM models, with optimization algorithms, and regularization techniques, resulting in almost 40 different neural network models. The results show that the BLSTM and GRU networks, combined with the RMSProp and Adam optimization algorithms, and Dropout regularization method, obtained superior performance compared to the other combinations. |
id |
UFAM-1_040b551aacb8f3be4fe88027acfe5e58 |
---|---|
oai_identifier_str |
oai:localhost:prefix/6321 |
network_acronym_str |
UFAM-1 |
network_name_str |
Repositório Institucional da UFAM |
repository_id_str |
|
spelling |
Avaliação de arquiteturas de Redes Neurais Recorrentes para Reconhecimento de Atividades Humanas utilizando acelerômetros de dispositivos móveisEvaluation of Recurrent Neural Network Architectures for Human Activity Recognition using mobile device accelerometersReconhecimento de Atividades HumanasRedes Neurais ArtificiaisRedes Neurais RecorrentesUniMib-SHARCIENCIAS EXATAS E DA TERRARedes neurais (Computação)Human Activity Recognition (HAR) using mobile devices makes it possible to classify an individual’s physical activities with non-intrusive and low-cost sensor data. Thus, HAR can collaborate with physiotherapeutic treatment by allowing the monitoring of activities such as walking, running, and going up or down stairs. UniMib SHAR database provides data collected from mobile device accelerometers to be a reference for evaluating machine learning algorithms for HAR. This work aims to compare different architectures for classifying the UniMib SHAR database, combining LSTM, GRU, and BLSTM models, with optimization algorithms, and regularization techniques, resulting in almost 40 different neural network models. The results show that the BLSTM and GRU networks, combined with the RMSProp and Adam optimization algorithms, and Dropout regularization method, obtained superior performance compared to the other combinations.O Reconhecimento de Atividades Humanas (RAH) utilizando dispositivos móveis possibilita classificar atividades físicas de um indivíduo com dados de sensores não intrusivos e de baixo custo. Dessa forma, o RAH pode colaborar com o tratamento fisioterapêutico ao permitir o acompanhamento de atividades como andar, correr, e subir ou descer escadas. A base de dados UniMib SHAR disponibiliza dados recolhidos de acelerômetros de dispositivos móveis a fim de serem uma referência para avaliação de algoritmos de aprendizado de máquina para RAH. Este trabalho visa comparar diferentes arquiteturas para classificação da base de dados UniMib SHAR, combinando os modelos LSTM, GRU, e BLSTM, com algoritmos de otimização, e técnicas de melho- ria de generalização, resultando em quase 40 modelos de redes neurais diferentes. Os resultados mostram que as redes BLSTM e GRU, combinadas com os algoritmos de oti- mização RMSProp e Adam, e método de regularização Dropout, obtiveram desempenho superior comparado às demais combinações.3Problemas de disponibilidade do site. Tive dificuldade para realizar o cadastro.NãoBrasilFT - Faculdade de TecnologiaManausEngenharia da Computação - Bacharelado - ManausCosta Filho, Cícero Ferreira Fernandeshttp://lattes.cnpq.br/3029011770761387Costa, Marly Guimarães Fernandeshttp://lattes.cnpq.br/7169358412541736Carvalho, Celso Barbosahttp://lattes.cnpq.br/8269546823033896Silva, Guilherme Souza da2022-09-28T18:45:36Z2022-09-152022-09-28T18:45:36Z2022-09-02info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesishttp://riu.ufam.edu.br/handle/prefix/6321porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFAMinstname:Universidade Federal do Amazonas (UFAM)instacron:UFAM2022-09-28T18:47:19Zoai:localhost:prefix/6321Repositório InstitucionalPUBhttp://riu.ufam.edu.br/oai/requestopendoar:2022-09-28T18:47:19Repositório Institucional da UFAM - Universidade Federal do Amazonas (UFAM)false |
dc.title.none.fl_str_mv |
Avaliação de arquiteturas de Redes Neurais Recorrentes para Reconhecimento de Atividades Humanas utilizando acelerômetros de dispositivos móveis Evaluation of Recurrent Neural Network Architectures for Human Activity Recognition using mobile device accelerometers |
title |
Avaliação de arquiteturas de Redes Neurais Recorrentes para Reconhecimento de Atividades Humanas utilizando acelerômetros de dispositivos móveis |
spellingShingle |
Avaliação de arquiteturas de Redes Neurais Recorrentes para Reconhecimento de Atividades Humanas utilizando acelerômetros de dispositivos móveis Silva, Guilherme Souza da Reconhecimento de Atividades Humanas Redes Neurais Artificiais Redes Neurais Recorrentes UniMib-SHAR CIENCIAS EXATAS E DA TERRA Redes neurais (Computação) |
title_short |
Avaliação de arquiteturas de Redes Neurais Recorrentes para Reconhecimento de Atividades Humanas utilizando acelerômetros de dispositivos móveis |
title_full |
Avaliação de arquiteturas de Redes Neurais Recorrentes para Reconhecimento de Atividades Humanas utilizando acelerômetros de dispositivos móveis |
title_fullStr |
Avaliação de arquiteturas de Redes Neurais Recorrentes para Reconhecimento de Atividades Humanas utilizando acelerômetros de dispositivos móveis |
title_full_unstemmed |
Avaliação de arquiteturas de Redes Neurais Recorrentes para Reconhecimento de Atividades Humanas utilizando acelerômetros de dispositivos móveis |
title_sort |
Avaliação de arquiteturas de Redes Neurais Recorrentes para Reconhecimento de Atividades Humanas utilizando acelerômetros de dispositivos móveis |
author |
Silva, Guilherme Souza da |
author_facet |
Silva, Guilherme Souza da |
author_role |
author |
dc.contributor.none.fl_str_mv |
Costa Filho, Cícero Ferreira Fernandes http://lattes.cnpq.br/3029011770761387 Costa, Marly Guimarães Fernandes http://lattes.cnpq.br/7169358412541736 Carvalho, Celso Barbosa http://lattes.cnpq.br/8269546823033896 |
dc.contributor.author.fl_str_mv |
Silva, Guilherme Souza da |
dc.subject.por.fl_str_mv |
Reconhecimento de Atividades Humanas Redes Neurais Artificiais Redes Neurais Recorrentes UniMib-SHAR CIENCIAS EXATAS E DA TERRA Redes neurais (Computação) |
topic |
Reconhecimento de Atividades Humanas Redes Neurais Artificiais Redes Neurais Recorrentes UniMib-SHAR CIENCIAS EXATAS E DA TERRA Redes neurais (Computação) |
description |
Human Activity Recognition (HAR) using mobile devices makes it possible to classify an individual’s physical activities with non-intrusive and low-cost sensor data. Thus, HAR can collaborate with physiotherapeutic treatment by allowing the monitoring of activities such as walking, running, and going up or down stairs. UniMib SHAR database provides data collected from mobile device accelerometers to be a reference for evaluating machine learning algorithms for HAR. This work aims to compare different architectures for classifying the UniMib SHAR database, combining LSTM, GRU, and BLSTM models, with optimization algorithms, and regularization techniques, resulting in almost 40 different neural network models. The results show that the BLSTM and GRU networks, combined with the RMSProp and Adam optimization algorithms, and Dropout regularization method, obtained superior performance compared to the other combinations. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-09-28T18:45:36Z 2022-09-15 2022-09-28T18:45:36Z 2022-09-02 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://riu.ufam.edu.br/handle/prefix/6321 |
url |
http://riu.ufam.edu.br/handle/prefix/6321 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Brasil FT - Faculdade de Tecnologia Manaus Engenharia da Computação - Bacharelado - Manaus |
publisher.none.fl_str_mv |
Brasil FT - Faculdade de Tecnologia Manaus Engenharia da Computação - Bacharelado - Manaus |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFAM instname:Universidade Federal do Amazonas (UFAM) instacron:UFAM |
instname_str |
Universidade Federal do Amazonas (UFAM) |
instacron_str |
UFAM |
institution |
UFAM |
reponame_str |
Repositório Institucional da UFAM |
collection |
Repositório Institucional da UFAM |
repository.name.fl_str_mv |
Repositório Institucional da UFAM - Universidade Federal do Amazonas (UFAM) |
repository.mail.fl_str_mv |
|
_version_ |
1798061058698510336 |