| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 4.59 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Mobile devices have become a part of digital livelihood. Every user carries phones with them throughout the day as they drive, walk, run and work. Understanding users doing in the physical world allows the smarter way of interacting. The Activity Recognition is built on top of the sensors available in a device. These sensors include GPS sensors, temperature sensors, direction sensors (i.e., magnetic compasses), and acceleration sensors (i.e., accelerometers). This paper describes and evaluates a system that uses phone-based accelerometers to perform activity recognition analysis, a task which involves recognition of on-board vehicles that runs in underground environment (without GPS) and identifying the metro starting, moving and stopping accelerations. To implement the system the data collected labelled accelerometer data from arrival to destination stops and then aggregated the time series data in different positions into samples. An algorithm is developed using machine learning predictive analysis.
Os dispositivos móveis tornaram-se parte da subsistência digital. Cada utilizador transporta consigo os telefones durante o dia enquanto dirige, anda, corre e trabalha. Entender o que os utilizadores fazem no mundo físico é a forma mais inteligente de interação. A Activity Recognition é determinada com base nos sensores disponíveis num dispositivo móvel. Estes sensores incluem sensores GPS, sensores de temperatura, sensores de direção (bússolas magnéticas) e sensores de aceleração (acelerómetros). Este trabalho descreve e avalia um sistema que usa o acelerômetro, disponível no telefone, para realizar a análise de reconhecimento de atividade, uma tarefa que envolve o reconhecimento da catividade de veículos que correm em ambiente subterrâneo (sem GPS) e identificando as acelerações de partida, movimentação e paragem do metro. Para implementar o sistema, foram recolhidos os dados do acelerômetro ao longo de um percurso do metro, em seguida, foram agregados os dados da série temporal em diferentes posições nas amostras. Por fim foi implementado um algoritmo usando uma análise preditiva baseada no conceito de Machine Learning.
Os dispositivos móveis tornaram-se parte da subsistência digital. Cada utilizador transporta consigo os telefones durante o dia enquanto dirige, anda, corre e trabalha. Entender o que os utilizadores fazem no mundo físico é a forma mais inteligente de interação. A Activity Recognition é determinada com base nos sensores disponíveis num dispositivo móvel. Estes sensores incluem sensores GPS, sensores de temperatura, sensores de direção (bússolas magnéticas) e sensores de aceleração (acelerómetros). Este trabalho descreve e avalia um sistema que usa o acelerômetro, disponível no telefone, para realizar a análise de reconhecimento de atividade, uma tarefa que envolve o reconhecimento da catividade de veículos que correm em ambiente subterrâneo (sem GPS) e identificando as acelerações de partida, movimentação e paragem do metro. Para implementar o sistema, foram recolhidos os dados do acelerômetro ao longo de um percurso do metro, em seguida, foram agregados os dados da série temporal em diferentes posições nas amostras. Por fim foi implementado um algoritmo usando uma análise preditiva baseada no conceito de Machine Learning.
Description
Keywords
Activity Recognition Sensors Neural Networks GPS Android Accelerometer Machine Learning Classification