Avaliação de arquiteturas de Redes Neurais Recorrentes para Reconhecimento de Atividades Humanas utilizando acelerômetros de dispositivos móveis

Loading...
Thumbnail Image

Date

Co-advisor(s)

Committee members

Costa, Marly Guimarães Fernandes
Carvalho, Celso Barbosa

Graduate program

Journal Title

Journal ISSN

Volume Title

Publisher

Access rights

DOI

Resumo (Portuguese)

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.

Abstract

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.

Description

Controlled term

Redes neurais (Computação)

Sustainable Development Goals (SDG)

Citation

Endorsement

Review

Supplemented By

Referenced By

Rights and licensing

Acesso Aberto