Human Activity Recognition

825 visualizações

Publicada em

The goal of this presentation is show how is possible infer human activity from accelerometer data. The content of this presentation is in portuguese.

Publicada em: Dados e análise
0 comentários
7 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
825
No SlideShare
0
A partir de incorporações
0
Número de incorporações
161
Ações
Compartilhamentos
0
Downloads
7
Comentários
0
Gostaram
7
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Human Activity Recognition

  1. 1. Coisas estranhas que podemos fazer com dados coletados em dispositivos moveis: bye-bye privacidade! Human Activity Recognition Fabrcio J. Barth fabricio.barth@gmail.com Faculdade BandTec e Watson Group IBM Novembro de 2014
  2. 2. Exemplos de dispositivos e dados que podem ser coletados 2
  3. 3. Celulares Exemplos de dispositivos e dados que podem ser coletados | Celulares 3
  4. 4. Coleta informac~oes sobre: Localizac~ao (latitude e longitude); Movimentac~ao (aceler^ometro, giroscopio); Ambiente (audio, proximidade, luminosidade); Social (historico de ligac~oes, contatos). Exemplos de dispositivos e dados que podem ser coletados | Celulares 4
  5. 5. Relogios Exemplos de dispositivos e dados que podem ser coletados | Relogios 5
  6. 6. Coleta informac~oes sobre: Frequ^encia cardaca; Press~ao arterial. Exemplos de dispositivos e dados que podem ser coletados | Relogios 6
  7. 7. Outras aplicac~oes (talvez menos uteis) Exemplos de dispositivos e dados que podem ser coletados | Outras aplicac~oes (talvez menos uteis) 7
  8. 8. Monitora atividades fsicas Exemplos de dispositivos e dados que podem ser coletados | Monitora atividades fsicas 8
  9. 9. Monitora: Que atividade esta sendo realizada; Qual a durac~ao; Qual a frequ^encia. Exemplos de dispositivos e dados que podem ser coletados | Monitora atividades fsicas 9
  10. 10. Disney Exemplos de dispositivos e dados que podem ser coletados | Disney 10
  11. 11. Monitora: Quando entrou e saiu do parque; Por onde andou; O que e quando comprou; Em quais parques foi e quando foi. Exemplos de dispositivos e dados que podem ser coletados | Disney 11
  12. 12. O que podemos fazer com os dados coletados? 12
  13. 13. Primeiro exemplo de aplicac~ao [2] O que podemos fazer com os dados coletados? | Primeiro exemplo de aplicac~ao [2] 13
  14. 14. O objetivo deste exemplo e construir um classi
  15. 15. cador capaz de dizer que atividade (sitting, sitting down, standing, standing up, walking) uma pessoa esta realizando a partir de dados coletados de aceler^ometros presentes no corpo desta pessoa. O que podemos fazer com os dados coletados? | Primeiro exemplo de aplicac~ao [2] 14
  16. 16. Pipeline do processo para reconhecimento de atividades [1] O que podemos fazer com os dados coletados? | Pipeline do processo para reconhecimento de atividades [1] 15
  17. 17. Dados coletados e
  18. 18. ltrados Dados coletados a partir de 4 tri-axial aceler^ometros. Foram consideradas janelas de tempo de 1 segundo, com overlapping de 150ms. Medidas de roll, pitch e modulo de acelerac~ao foram adquiridas. A amostra dentro da janela de tempo foi agrupada e atributos foram gerados (i.e., vari^ancia, media). Foram
  19. 19. ltrados 12 atributos
  20. 20. nais - tr^es para cada aceler^ometro. O que podemos fazer com os dados coletados? | Dados coletados e
  21. 21. ltrados 16
  22. 22. Construc~ao do classi
  23. 23. cador O dataset possui 165.633 exemplos e 19 atributos: ? user, gender, age, how tall in meters, weight, body mass index, x1, y1, z1, , x4, y4, z4, class O dataset foi dividido em conjunto de treinamento e teste, respeitando a proporc~ao dos valores do atributo class. Refer^encia: http://rpubs.com/fbarth/har01 O que podemos fazer com os dados coletados? | Construc~ao do classi
  24. 24. cador 17
  25. 25. Alguns resultados da analise descritiva O que podemos fazer com os dados coletados? | Alguns resultados da analise descritiva 18
  26. 26. O que podemos fazer com os dados coletados? | Alguns resultados da analise descritiva 19
  27. 27. Algoritmo utilizado para criac~ao do modelo: Random Forest O que podemos fazer com os dados coletados? | Algoritmo utilizado para criac~ao do modelo: Random Forest 20
  28. 28. Criando o modelo... O que podemos fazer com os dados coletados? | Criando o modelo... 21
  29. 29. O que podemos fazer com os dados coletados? | Criando o modelo... 22
  30. 30. O que podemos fazer com os dados coletados? | Criando o modelo... 23
  31. 31. O que podemos fazer com os dados coletados? | Criando o modelo... 24
  32. 32. Outro modelo Modelo que utiliza apenas dados do aceler^ometro localizado na cintura (Erro estimado: 17.12%) O que podemos fazer com os dados coletados? | Outro modelo 25
  33. 33. Validando o modelo completo com o conjunto de testes O que podemos fazer com os dados coletados? | Validando o modelo completo com o conjunto de testes 26
  34. 34. Resultados do trabalho original [2] O que podemos fazer com os dados coletados? | Resultados do trabalho original [2] 27
  35. 35. Dado o mesmo dataset, sera que e possvel determinar quem esta realizando a atividade? http://fbarth.net.br/humanActivityRecognition/scripts/har case01 user.html O que podemos fazer com os dados coletados? | Dado o mesmo dataset, sera que e possvel determinar quem esta realizando a atividade? 28
  36. 36. Segundo exemplo de aplicac~ao [1] Os experimentos foram realizados com um grupo de 30 voluntarios entre 19-48 anos. Cada pessoa executou seis atividades: Walking: andando Walking Upstairs: andando escada acima Walking Downstairs: andando escada abaixo Sitting: sentado Standing: em pe Laying: deitado usando um smartphone (Samsung Galaxy II) na cintura. O que podemos fazer com os dados coletados? | Segundo exemplo de aplicac~ao [1] 29
  37. 37. Com base nos sensores do smartphone, acelerom^etro e giroscopio, foram capturados a acelerac~ao linear nos tr^es eixos e a velocidade angular nos tr^es eixos. O que podemos fazer com os dados coletados? | Segundo exemplo de aplicac~ao [1] 30
  38. 38. Adquirindo os dados http://rpubs.com/fbarth/har02 O que podemos fazer com os dados coletados? | Adquirindo os dados 31
  39. 39. Separando os dados O que podemos fazer com os dados coletados? | Separando os dados 32
  40. 40. Construindo o modelo O que podemos fazer com os dados coletados? | Construindo o modelo 33
  41. 41. Construindo o modelo O que podemos fazer com os dados coletados? | Construindo o modelo 34
  42. 42. Validando o modelo O que podemos fazer com os dados coletados? | Validando o modelo 35
  43. 43. Comparando com o artigo original [1] O que podemos fazer com os dados coletados? | Comparando com o artigo original [1] 36
  44. 44. Kaggle: Accelerometer Biometric Competition 37
  45. 45. Kaggle: Accelerometer Biometric Competition | 38
  46. 46. Kaggle: Accelerometer Biometric Competition | 39
  47. 47. Google Fit, Google Fit SDK, funf 40
  48. 48. Google Fit: lancado em 28/10/2014 Google Fit, Google Fit SDK, funf | Google Fit: lancado em 28/10/2014 41
  49. 49. Google Fit SDK Google Fit, Google Fit SDK, funf | Google Fit SDK 42
  50. 50. funf: Open Sensing Framework Google Fit, Google Fit SDK, funf | funf: Open Sensing Framework 43
  51. 51. Perguntas? 44
  52. 52. Obrigado! Todo o material (slides e codigo) aqui apresentado e Copyleft O codigo fonte e encontrado em http://github.com/fbarth Demais materias s~ao encontrado em http://fbarth.net.br fabricio dot barth at gmail dot com Perguntas? | Obrigado! 45
  53. 53. References [1] Davide Anguita, Alessandro Ghio, Luca Oneto, Xavier Parra, and JorgeL. Reyes-Ortiz. Human activity recognition on smartphones using a multiclass hardware-friendly support vector machine. In Jose Bravo, Ramon Hervas, and Marcela Rodrguez, editors, Ambient Assisted Living and Home Care, volume 7657 of Lecture Notes in Computer Science, pages 216{223. Springer Berlin Heidelberg, 2012. [2] Wallace Ugulino, Debora Cardador, Katia Vega, Eduardo Velloso, Ruy Milidiu, and Hugo Fuks. Wearable comput-ing: Accelerometers' data classi
  54. 54. cation of body postures and movements. In LelianeN. Barros, Marcelo Finger, AuroraT. Pozo, GustavoA. Gimenenez-Lugo, and Marcos Castilho, editors, Advances in Arti
  55. 55. cial Intelligence - SBIA 2012, Lecture Notes in Computer Science, pages 52{61. Springer Berlin Heidelberg, 2012. 45-1

×