Um modelo de reconhecimento de atividades humanas em ambientes domiciliares assistidos

Abstract

Com o crescimento da população de idosos, torna-se necessária a criação de condições que garantam a eles uma vida com qualidade e independência. A partir deste cenário, surgem os ambientes domiciliares assistidos, onde sensores corporais e de ambiente monitoram a saúde destes indivíduos. Com a finalidade de compreender a rotina individual de indivíduos monitorados, para prever de forma mais precisa anomalias na saúde dos mesmos, este trabalho apresenta um modelo para inferir as atividades realizadas pelos indivíduos, a partir de dados de localização e movimentação, gerados a partir de um acelerômetro. Foram monitoradas as atividades de 5 indivíduos, de diferentes faixas etárias, utilizando as atividades de 4 destes indivíduos para treinar o modelo e as atividades do indivíduo restante para dados de teste. Para a predição das atividades foi utilizado o algoritmo Extra Trees, onde foram obtidos os resultados de 81,16% de precisão quando utilizados apenas dados de movimentação, 92,59% quando utilizados tanto dados de movimentação quanto localização, e 97,56% quando utilizados dados de movimentação e dados sintéticos de localização.

With the rising of elderly population, it becomes necessary the creation of conditions that ensure a life with quality and independence for these people. From this scenario, emerges the Ambient Assisted Living, where ambient and wearable sensors monitor people. For the purpose of understand a monitored person's daily routine, to predict more precisely health anomalies, this work presents a human activity recognition model, using location and movement data, generated from an accelerometer. The activities of 5 individuals, from different age groups, were monitored, using the activities of 4 of these individuals to train the model and the activities of the remaining individual for test data. For the prediction of the activities, the algorithm Extra Trees was used, where the results of 81.16% accuracy were obtained when only movement data were used, 92.59% when using both movement and location data, and 97.56% when used movement data and synthetic location data.