Use este identificador para citar ou linkar para este item:
http://riu.ufam.edu.br/handle/prefix/6321
Tipo de documento: | Trabalho de Conclusão de Curso |
Título: | Avaliação de arquiteturas de Redes Neurais Recorrentes para Reconhecimento de Atividades Humanas utilizando acelerômetros de dispositivos móveis |
Título(s) alternativo(s): | Evaluation of Recurrent Neural Network Architectures for Human Activity Recognition using mobile device accelerometers |
Autor(a): | Silva, Guilherme Souza da |
Orientador(a): | Costa Filho, Cícero Ferreira Fernandes |
metadata.dc.contributor.referee1: | Costa, Marly Guimarães Fernandes |
metadata.dc.contributor.referee2: | Carvalho, Celso Barbosa |
Resumo: | 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. |
Resumo em outro idioma: | 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. |
Palavras-chave: | Reconhecimento de Atividades Humanas Redes Neurais Artificiais Redes Neurais Recorrentes UniMib-SHAR |
Área de conhecimento - CNPQ: | CIENCIAS EXATAS E DA TERRA |
Idioma: | por |
País de publicação: | Brasil |
Faculdade, Instituto ou Departamento: | FT - Faculdade de Tecnologia |
metadata.dc.publisher.course: | Engenharia da Computação - Bacharelado - Manaus |
Tipo de acesso: | Acesso Aberto |
URI: | http://riu.ufam.edu.br/handle/prefix/6321 |
Vocabulário controlado: | Redes neurais (Computação) |
Aparece nas coleções: | Trabalho de Conclusão de Curso - Graduação - Ciências Exatas e da Terra |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
TCC_GuilhermeSilva.pdf | TCC | 960,25 kB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.