Título: Segmentação adaptativa semântica de fluxos de dados de sensores em ambientes de vida assistida.

Data: 18/11/2022

Horário: 10h00

Local: Híbrido (Zoom e Sala de Seminários - 942A)

Resumo:

O rápido envelhecimento da população em todo o mundo exige ferramentas avançadas para monitorar continuamente as atividades das pessoas, apoiando o envelhecimento e detectando possíveis problemas de saúde. A Internet das Coisas (IoT) surge como o paradigma no qual a Internet conecta pessoas através de dispositivos e serviços, possuindo diferentes domínios que incluem os Ambientes de Vida Assistida. Os Ambientes de Vida Assistida (AAL - Ambient Assisted Living, do inglês) incorporam e integram objetos e pessoas de maneira não intrusiva e discreta, com soluções que tratam desde a coleta dos fluxos de dados de sensores até a análise dos dados para tomada de decisão. A principal limitação dos AAL é que os fluxos de dados precisam ser continuamente detectados através de segmentos (i.e., janelas de tempo), utilizando os dados coletados por sensores para adequar seu tamanho em ações que representam atividades em curso. Um segmento pode não conter eventos relevantes para uma ação atual, dificultando sua análise. Nesse contexto, um problema crescente na segmentação de dados de sensores está relacionado a captura de eventos que podem ser gerados pelo mesmo sensor, mas pertencem a atividades diferentes, gerando ambiguidade. Para solucionar esse problema, a literatura aborda diferentes métodos que aprendem o padrão de atividades de um residente de AAL, por exemplo, mas não combinam ou processam os eventos gerados pelos sensores semanticamente para reconhecer atividades. Além disso, não existem ontologias que permitem anotar, consultar ou rastrear os resultados do processo de segmentação, dificultando a análise dos segmentos oriundos de recursos heterogêneos, sejam sensores ou técnicas aplicadas na segmentação. Esse trabalho propõe então um novo método de segmentação adaptativa semântica de fluxo de dados de sensores, denominado SeAct, e uma ontologia para anotação semântica, o SeRT. Três experimentos foram realizados para avaliar o método proposto, adotando dois conjuntos de dados públicos. Como resultado da comparação com três abordagens do estado da arte, melhorias na acurácia e precisão do reconhecimento de atividade humana são apresentadas.

Banca examinadora:

• Prof.ª Dr.ª Vânia Maria Ponte Vidal (MDCC/UFC - Orientadora)
• Prof.ª Dr.ª Rossana Maria de Castro Andrade (MDCC/UFC - Coorientadora)
• Prof. Dr. Angelo Roncalli Alencar Brayner (UFC)
• Prof. Dr. Tales Paiva Nogueira (UNILAB)
• Prof.ª Dr.ª Thaís Vanconcelos Batista (UFRN)
• Prof.ª Chiara Renso (ISTI-CNR/Itália)