Feature enrichment in human activity recognition

Abstract

No contexto de Sensoriamento Ubíquo, uma área que investiga a extração de informação por meio de sensores pervasivos, o reconhecimento de atividade humanas é uma tarefa de grande interesse em sistemas de vigilância, assistência médica e entreterimento. Apesar de ter sido explorada por mais de uma década, muitas questões como a coleta de dados em condições realistas, a flexibiliade do sistema para novos usuários, implementações que atendem requesitos de processamento e de consumo de energia, etc, ainda motivam o desenvolvimento de novas técnicas para melhoria de performance de tais sistemas. Ao nosso melhor conhecimento, a maioria dos trabalhos científicos na área consideram o reconhecimento de atividades que envolvem transições posturais, que são categorizados como atividades de locomoção. Motivados principalmente pela falta de estudos que consideram ativiades classificados como cotidianas, que são mais complexas quando comparadas com atividades de locomoção, esse trabalho investiga o enriquecimento de atributos de dados de acelerômetros usados no punho a fim de refinar a habilidade de reconhecimento de tal tipo de atividade humana, que são tipicamente ricos em movimentação de punho e braço. Baseados no pressuposto que a orientação do pulso carrega informação útil que poderia melhorar reconhecimento de atividades do cotidiano, envestigamos os efeitos de transformações matematicas não-lineares aos sinais de acelerômetro triaxial para estimação dos ângulos de atitude, rolamento e guinada, do punho. Empregamos, como atributos, coeficientes de modelos autorregressivos (AR) multivariados bidimensionais obtidos de sinais crus de acelerômetro e dos ângulos estimados de atitude. Mostramos que o uso simultâneo de ambos os tipos de modelos melhora a acurácia geral em quase 10% quando comparado a algoritmos recentemente publicados nos quais empregou-se apenas coeficientes univariados de modelos AR a cada sinal de acelerômetro.