MHARS: Sistema Móvel de Reconhecimento de Atividades em Ambient Assisted Living
Resumo
O objetivo deste artigo é apresentar o MHARS (Mobile Human Activity Recognition System), um sistema móvel voltado para o acompanhamento de pacientes no contexto de Ambient Assisted Living (AAL), que permite o reconhecimento das atividades realizadas pelo usuário bem como a detecção da sua intensidade me tempo real. O MHARS foi projetado para poder obter dados de difererentes sensores, reconecer as atividades e medir sua intensidade em diferentes níveis de mobilidade do usuário, possui mecanismos para a inferência de situações relativas ao estado de saúde do paciente, bem como suporte à execução de ações de forma a poder reagir a eventos que mereçam a atenção por parte de seus cuidadores. Experimentos realizados demonstram que o MHARS possui boa acurácia e apresenta um consumo adequado de recursos do dispositivo móvel.
Referências
Anguita, D., Ghio, A., Oneto, L., Parra, X., and Reyes-Ortiz, J. L. (2013). A public domain dataset for human activity recognition using smartphones. In European Symposium on Artificial Neural Networks, Computational haelligence and Machine Learning, E.SANN.
Carvalho, S. T., Copetti, A., and Loques, 0. (2011). Sistema de computação ubíqua na assistência domiciliar à saúde. Journal of Health Informatics, 3:51-57.
Eid, M., Saad, U., and Afzal, U. (2013). A real time vibrotactile biofeedback system for optimizing athlete training. In Haptic Audio Visual Environments and Games (HAVE), 2013 IEEE International Symposium on, pages 1-6.
Hoseinitabatabaei, S. A., Gluhak, A., and Tafazolli, R. (2013). A survey on smartphone-based systems for opportunistic user context recognition. ACM Comput. Sum, 45(3):27:1-27:51.
Memon, M., Wagner, S. R., Pedersen, C. F., Beevi, F. H. A., and Hansen, F. 0. (2014). Ambient assisted living healthcare frameworks, platforms, standards, and quality attributes. Sensors, 14(3):4312-4341.
Russell, S. J. and Norvig, P. (2003). Artificial Mtelligence: A Modern Approach. Pearson Education, 2 edition.
Tanaka, H., Monahan, K. D., and Seals, D. R. (2001). Age-predicted maximal heart rate revisited. Journal of the American College of Cardiology, 37(1):153-156.
Tapia, E., Intille, S., Haskell, W., Larson, K., Wright, J., King, A., and Friedman, R. (2007). Real-time recognition of physical activities and their intensities using wireless accelerometers and a heart rate monitor. In Wearable Computers, 2007 I lth IEEE International Symposium on, pages 37-40.
Witten, I. H. and Frank, E. (2005). Data Mining: Practical Machine Learning Tools and Techniques, Second Edition (Morgan Kaufman); Series in Data Management Systems). Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.
