Reconhecimento de atividades humanas utilizando sensores inerciais e aprendizado de máquina

Nenhuma Miniatura disponível
Citações na Scopus
Tipo de produção
Dissertação
Data
2024
Autores
Montanari, Bruno Fontes
Orientador
Tonidandel, Flavio
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
MONTANARI, Bruno Fontes; TONIDANDEL, Flavio. Reconhecimento de atividades humanas utilizando sensores inerciais e aprendizado de máquina. 2024. 165 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2024. Disponível em: https://pergamum.fei.edu.br/pergamumweb/downloadArquivo?vinculo=RjhDMEExMVkyOWtSVzF3Y21WellUMHhNekltWVdObGNuWnZQVEV6TVRnM055WnpaWEZRWVhKaFozSmhabTg5TVNaelpYRlRaV05oYnowNEptdGhjbVJsZUQxT0pteHZZMkZzUVhKeGRXbDJiejFEVDAxUVFWSlVTVXhJUVUxRlRsUlBKbTV2YldWRFlXMXB.
Palavras-chave
Reconhecimento de atividade humana,Rede neural convolucional,Microcontroladores
Resumo
Reconhecimento de atividades humanas, também conhecido como Human Activity Recognition (HAR), tem um papel significativo na vida das pessoas dada a capacidade de prover informações relevantes por meio de pequenos sensores, podendo ser no celular, relógios inteligentes ou até mesmo através de imagens e vídeos. A análise e classificação dos movimentos humanos é alvo de diversos estudos em decorrência de sua ampla utilização nas mais diversas áreas, como por exemplo: saúde, práticas esportivas, bem estar, assistentes tecnológicos, segurança, computação ciente do contexto, realidade virtual e aumentada, dentre outros. O maior desafio atualmente é garantir que tal reconhecimento seja feito localmente em Micro Controller Unit (MCU) com baixo consumo de energia e com baixo tempo de inferência, mantendo os dados de cada pessoa seguro. Diversas propostas para resolver o HAR já foram avaliadas e apresentam resultados excelentes, tipicamente com acurácia superior a 90% quando um número baixo de movimentos (correr, caminhar, subir e descer escadas etc.) é considerado, porém a maioria destes estudos faz uso do processamento externo, em geral usando celulares, para desempenhar as técnicas de reconhecimento, classificação e contexto. Muitos destes estudos e técnicas podem ser ajustados, migrados e empregados nos MCUs graças às recentes melhorias dos frameworks disponíveis, suas quantizações e otimizações, bem como na evolução da capacidade de processamento e densidade de memória disponível nos microcontroladores. Este trabalho explora a comparação entre o emprego e desempenho de reduções de dimensionalidades por meio de Principal Component Analysis (PCA) com as técnicas de aprendizado de máquina como Decision Tree Regression (DTR), Random Forest (RF) e Support Vector Machine (SVM) e de aprendizado profundo utilizando exclusivamente Convolution Neural Network (CNN), ambas aplicadas ao microcontroladore Arm® Cortex® M33 com foco na aplicação de HAR. Outra análise que este estudo traz é a identificação da influência do uso de quantização Post Training Quantization (PTQ) no tempo de inferência, densidade de memória, complexidade e sua relação com o consumo de energia no MCU
Human Activity Recognition (HAR) has a significant role in people’s lives given the ability to provide relevant information through small sensors, which are available in daily objects, such as smartphones, wearable and smartwatches or can be obtained through images and videos. The analysis and classification of human movements is subject to several studies and articles due to its wide use in a broad range of subjects, such as: healthcare, sports, well-being, technology assistance, security, context-aware computing, virtual and augmented reality among others. The current challenge is to ensure that such recognition is done locally, at the edge, using low power Micro Controllers Units (MCU) with low inference time. Several proposals to solve the HAR problem have already been evaluated and presents excellent results, typically with an accuracy greater than 90% when a small number of movements (running, walking, climbing up and down stairs, etc.) is considered, but most of these studies use external processing, usually using cell phones, to perform recognition, classification, and context techniques. Many of these studies can be adjusted, migrated and used in MCUs thanks to recent improvements in available frameworks, their quantization and optimization as well as the evolution of processing capabilities and memory density available in the MCUs. This work explores the comparison between the use and performance of dimensionality reductions through Principal Component Analysis (PCA) with machine learning techniques including Decision Tree Regression (DTR), Random Forest (RF), and Support Vector Machine (SVM) and with deep learning, using exclusively Convolution Neural Network (CNN), applied to Arm® Cortex® M33 microcontroller for HAR application. Another analysis that this study brings is the identification of the influence on inference time, memory density and its relationship with the overall MCU power consumption when using Post Training Quantization (PTQ)