A carregar...
Publicação
Análise do movimento humano : classificação temporal de ações humanas
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.33 MB | Adobe PDF |
Orientador(es)
Resumo(s)
Este estudo tem como objetivo identificar atividades diárias de diferentes pessoas com recurso a métodos de classificação supervisionados. Neste sentido, começou-se por analisar várias tecnologias associadas à captura e análise do movimento humano, tais como sensores (e.g., inertial measurement unit) e câmaras de filmar (e.g., RGB, infravermelhos e time-of-flight). A revisão da literatura indica claramente que, contrariamente ao uso das câmaras de filmar, a tecnologia wearable tende a ser mais adequada para a análise cinemática de movimentos desportivos. Este tipo de tecnologia permite ainda obter uma estimativa da orientação e produção de movimento dos membros superiores e inferiores com elevado nível de precisão e exatidão, bem como imunidade a ângulos mortos, aumentando deste modo a quantidade e qualidade da informação obtida. Tendo isto presente, este trabalho apresenta uma metodologia para classificar atividades diárias do movimento humano com recurso a um fato sensorial (wearable), Ingeniarius FatoXtract. O desempenho da solução proposta é ainda comparado com a utilização de uma câmara time-of-flight, Microsoft Kinect v2. A metodologia proposta considera a integração probabilística de três classificadores: o Naïve Bayes, as Redes Neuronais Artificiais e as Máquinas de Vetor de Suporte. Com vista a alcançar um desempenho superior na classificação geral do movimento, foram consideradas diversas features no domínio do tempo (e.g., velocidade) e no domínio da frequência (e.g., Transformada Rápida de Fourier), combinado com as tradicionais features geométricas (e.g., posição angular das juntas).
Realizou-se a aquisição de dados de cinco atividades comuns do dia-a-dia, realizadas por seis participantes com repetições de 20 ensaios cada, usando o FatoXtract e o Kinect v2. O conjunto de dados foi projetado para ser extremamente desafiador, uma vez que a duração das atividades varia drasticamente e algumas atividades são muito semelhantes (e.g., lavar os dentes e acenar).
Descrição
Palavras-chave
Reconhecimento de padrões Extração de features Métodos de classificação Análise do movimento humano Classificação temporal Fato inercial Naïve Bayes Redes Neuronais Artificiais Máquinas de Vetor de Suporte