Avaliação de arquiteturas de Redes Neurais Recorrentes para Reconhecimento de Atividades Humanas utilizando acelerômetros de dispositivos móveis
Loading...
Date
Authors
Advisor(s)
Co-advisor(s)
Committee members
Costa, Marly Guimarães Fernandes
Carvalho, Celso Barbosa
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
Collections
Endorsement
Review
Supplemented By
Referenced By
Rights and licensing
Acesso Aberto
