Publication
Análise do movimento humano : classificação temporal de ações humanas
| dc.contributor.advisor | Coutinho, Fernanda Madureira | |
| dc.contributor.advisor | Ferreira, Nuno Miguel Fonseca | |
| dc.contributor.author | Vital, Jessica Patrícia Madureira | |
| dc.date.accessioned | 2016-11-04T17:02:59Z | |
| dc.date.available | 2016-11-04T17:02:59Z | |
| dc.date.issued | 2015 | |
| dc.description.abstract | 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). | pt_PT |
| dc.identifier.tid | 201024357 | |
| dc.identifier.uri | http://hdl.handle.net/10400.26/15301 | |
| dc.language.iso | por | pt_PT |
| dc.subject | Reconhecimento de padrões | pt_PT |
| dc.subject | Extração de features | pt_PT |
| dc.subject | Métodos de classificação | pt_PT |
| dc.subject | Análise do movimento humano | pt_PT |
| dc.subject | Classificação temporal | pt_PT |
| dc.subject | Fato inercial | pt_PT |
| dc.subject | Naïve Bayes | pt_PT |
| dc.subject | Redes Neuronais Artificiais | pt_PT |
| dc.subject | Máquinas de Vetor de Suporte | pt_PT |
| dc.title | Análise do movimento humano : classificação temporal de ações humanas | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |