Computação Ubíqua

Elbe Miranda
Introdução

Métodos de Deep Learning (DL) têm sido usados com

sucesso em cenários de reconhecimento de atividade
humana (HAR) em computação ubíqua e
computação wearable.
● Capacidades superiores de classificação;
● Não necessita de definição manual dos dados;
Problema

Embora abordagens baseadas em DL superem o

estado da arte em várias tarefas de reconhecimento,
ainda existem alguns problemas a serem enfrentados:
● Datasets de dados da vida real;
● Muitos ruídos;
● Dados ambíguos;
● Dados desbalanceados;
● Problemas de qualidade dos dados;
Hipótese

● O uso de Conjuntos de Redes Neurais LSTM

(Long Short Term Memory);
+
● Desenvolvimento de procedimentos de treinamento
modificados para redes LSTM;
+
● Combinação de diversos Conjuntos de Redes
Neurais LSTM em Classificadores Coletivos;
=
Resultados muito melhores de reconhecimento de
HAR do que o uso de Redes Neurais Individuais.
LSTM???

Um tipo especial de Rede Neural

Recorrente capaz de aprender
dependências de longo prazo. A camada sigmóide
produz números
entre zero e um,
descrevendo quanto
de cada componente
deve ser liberado.
Um valor de zero
significa "não deixe
O LSTM tem a capacidade de remover ou nada passar",
adicionar informações ao estado da enquanto um valor
de um significa
célula, cuidadosamente reguladas por "deixe tudo
estruturas chamadas portas. passar!"
Treinamento Modificado???

O método pressupõe que uma certa porcentagem de

dados do sensor é "problemática" e, portanto, utiliza
apenas um subconjunto dos dados em uma
iteração de treinamento. O método de determinação
de subconjuntos emprega uma abordagem de seleção
probabilística, que efetivamente se assemelha ao
conceito geral de ensacamento (Bagging).
Treinamento Modificado???

A ideia geral dos Conjuntos de Classificadores é criar

coletivos de redes neurais individuais que são
treinadas em diferentes visões dos dados da
amostra. Através da introdução da variação, as redes
individuais focam em diferentes aspectos de um
domínio do problema, o que, em combinação, leva a
reconhecimentos mais robustos.
Combinar diversos Conjuntos
de Redes Neurais???
O trabalho é o primeiro a utilizar conjuntos de redes
neurais para formar Classificadores Coletivos em vez
de usar somente redes neurais individuais.
Avaliação do Modelo

Para avaliar o modelo foram utilizados três conjuntos de

dados de benchmark padrão:
● Opportunity (Chavarriaga et al. 2013)
○ Atividades domésticas
● PAMAP2 (Reiss e Stricker 2012)
○ Atividades domésticas e exercícios físicos
● Skoda (Stiefmeier et al. 2008)
○ Linha de montagem de automóveis

Os resultados superaram o estado da arte e portanto

indicam uma maior robustez do uso de Conjuntos de
Redes Neurais LSTM no reconhecimento de atividades
humanas em cenários de computação ubíqua e
computação wearable.
Resultados

● O uso de Conjuntos de Redes Neurais LSTM

superam as redes individuais LSTM;
● Contribuição significativa para o estado da arte no
reconhecimento de atividades humanas usando
wearables.
Desafios Futuros

● Implementar tais algoritmos otimizados em

dispositivos wearables para cenários de
reconhecimento de atividades humanas.
● Como o modelo trabalha com base na previsão de
amostra, torna-se uma vantagem para aplicações
de tempo real como em detecção de quedas.
Obrigado!