Energy-Efficient Human Activity Recognition Framework for Wearable Devices: Development, Deployment, and Analysis
Nome: YVES LUDUVICO COELHO
Tipo: Tese de doutorado
Data de publicação: 17/08/2022
Orientador:
Nome |
Papel |
|---|---|
| ANSELMO FRIZERA NETO | Co-orientador |
| TEODIANO FREIRE BASTOS FILHO | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| ANSELMO FRIZERA NETO | Coorientador |
| DENIS DELISLE RODRIGUEZ | Examinador Externo |
| ELIETE MARIA DE OLIVEIRA CALDEIRA | Examinador Externo |
| PATRICK MARQUES CIARELLI | Examinador Interno |
| SRIDAR KRISHNAN | Coorientador |
Páginas
Resumo: O envelhecimento populacional traz consigo desafios importantes para a sociedade, principalmente na área de saúde. Ao mesmo tempo, o avanço tecnológico e a disseminação da inteligência artificial oferecem novas possibilidades para atender as demandas para melhorar a saúde e o bem-estar, evitando um futuro colapso do sistema de saúde. Os dispositivos vestíveis, como smart bands e smartwatches, já amplamente adotados hoje para monitorar atividades físicas, serão importantes aliados para promover melhores serviços de cuidado à saúde. Uma área de pesquisa que combina esses dispositivos com aprendizado de máquina é o Reconhecimento de Atividades Humanas (HAR, do inglês Human Activity Recognition), que vem sendo amplamente discutido na literatura. O rápido progresso do aprendizado
profundo contribuiu para o desenvolvimento de modelos que têm superado o desempenho de classificação do estado da arte até então. No entanto, tais modelos são altamente complexos para serem implantados em dispositivos vestíveis, os quais demandam aplicações com baixo consumo de energia, resposta em tempo real, e privacidade. A computação de borda em conjunto com sistemas HAR mais leves e mais eficientes é uma solução viável para atender esses requisitos. Diante desse cenário, o presente trabalho tem como objetivo desenvolver, implantar e testar um framework eficiente em termos de consumo de energia para classificação de atividades humanas. Os modelos desenvolvidos foram amplamente analisados em diversas configurações, e comparados com modelos de referência e do estado-da-arte. Além disso, o framework proposto foi implantado e testado em um microcontrolador, fornecendo análises importantes a respeito do desempenho computacional. Os resultados alcançados mostram que é possível desenvolver um modelo mais eficiente e simples o suficiente para ser embarcado em dispositivos vestíveis. Adicionalmente, os achados desta pesquisa também permitem observar que sistemas HAR podem ser simplificados com redução de taxa de amostragem e descarte de dados irrelevantes. Na base de dados MHEALTH, utilizando apenas dados de um sensor de punho coletados a 10 Hz, o framework proposto obteve
acurácia de 79,07%, superando classificadores de referência, com um modelo de 44,58 kB, que consome apenas 1,59 mW. No cenário com múltiplos sensores, o framework obteve acurácia de 91,02%, situando-se próximo aos modelos complexos baseados em aprendizado profundo (do inglês deep learning) do estado-da-arte. Finalmente, as conclusões destacam os principais achados desta pesquisa, as limitações do trabalho, e oferece recomendações
para continuação da pesquisa.
Palavras-chave: reconhecimento de atividades humanas; aprendizado de máquina; aprendizado profundo; dispositivos vestíveis; smartwatches; computação de borda.
