Modelo para predição de ações e inferência de situações de risco em ambientes sensíveis ao contexto

  • Alfredo Del Fabro Neto UFSM
  • Bruno de Azevedo UFSM
  • Rafael Bouefleuer UFSM
  • João Carlos Lima UFSM
  • Iara Augustin UFSM


A atividade cotidiana humana pode ter um risco de dano associado para quem a está realizando. Este trabalho propõe uma abordagem para a predição de ações e detecção de situações de risco, baseando-se nas mudanças de contexto fisiol´gico provocadas por elas através do modelo Híperespaço Análogo ao contexto. Testes foram realizados para a predição de ações e obtiveram precisão de 78,69%, e para a detecção de situações de risco, precisão de 98,94%.


Cook, D. (2011). Learning setting-generalized activity models for smart spaces. IEEE Intelligent Systems.

Crispim-Junior, C. F., Bremond, F., and Joumier, V. (2012). A multi-sensor approach for activity recognition in older patients. In The Second International Conference on Ambient Computing, Applications, Services and Technologies-AMBIENT.

Curone, D., Tognetti, A., Secco, E. L., Amnia, G., Carbonaro, N., Dc Rossi, D., and Magenes, G. (2010). Heart rate and accelerometer data fusion for activity assessment of rescuers during emergency interventions. Information Technology in Biomedicine, IEEE Transactions on, 14(3):702-710.

da Rocha, C. C., Lima, J. C. D., Viera, M., Capretz, M. A., Bauer, M. A., Augustin, I., and Dantas, M. A. (2010). A context-aware authentication approach based on behavioral definitions. la IKE, pages 178-184.

Dernbach, S.. Das. B.. Krishnan, N. C.. Thomas. B. L., and Cook, D. J. (2012). Simple and complex activity recognition through smart phones. In Intelligent Environments (WA 2012 8th International Conference on. pages 214-221. IEEE.

Gil-Quijano. J. and Sabouret. N. (2010). Prediction of humans' activity for learning the behaviors of electrical appliances in an intelligent ambient environment In Web Intelli-gence and Intelligent Agent Technology (WI-IAT), 2010 IEEE/WIC/ACM International Conference on, volume 2, pages 283-286. IEEE.

Kuutti, K. (1996). Activity theory as a potential framework for human-computer interac-tion research. pages 17-44.

Lu, C.-H. and Fe L.-C. (2009). Robust location-aware activity recognition using wireless sensor network in an attentive home. volume 6, pages 598-609. IEEE.

Mikalsen. M. and Kofod-Petersen, A. (2004). Representing and reasoning about context in a mobile environment pages 25-35.

Mocanu. I. and lima, A. M. (2011). A model for activity recognition and emergency de-tection in smart environments. In AMBIENT 2011, The First International Conference on Ambient Computing. Applications, Services and Technologies• pages 13-19.

Naeem, U.. Bigham. J.. and Wang. J. (2W7). Recognising activities of daily life using hierarchical plans. In Smart Sensing and Context, pages 175-189. Springer.

Rasch, K. (2013). Smart assistants for smart homes. PhD thesis, Royal Institute of Technology.

Silva, T. H., Celts, C., Mota, V., and Loureiro, A. (2012). Overview of ubicomp research bawd on sciemilic puhlicaiions. Proceedings of NSimp6sio Brasileiro de Computacao Ublqua e Ftnusiva, SBCUP.

Vygotsky, L. S. (1980). Mind in society: The development of higher psychological pro-cesses. Harvard university press. Wang, C., Zheng, Q., Peng• Y. De, D., and Song, W.-Z. (2014). Distributed abnormal activity detection in smart environments. International Journal of Distributed Sensor Networks, 2014.

DEL FABRO NETO, Alfredo; DE AZEVEDO, Bruno; BOUEFLEUER, Rafael; LIMA, João Carlos; AUGUSTIN, Iara. Modelo para predição de ações e inferência de situações de risco em ambientes sensíveis ao contexto. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO UBÍQUA E PERVASIVA (SBCUP), 7. , 2015, Recife. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2015 . p. 81-90. ISSN 2595-6183. DOI: