Defesa de Proposta de Tese de Doutorado de Egberto Caballero Rosillo, em 10/04/24, às 14:00h, na sala 310 do Instituto de Computação e por videoconferência
Link para defesa: https://meet.google.com/erx-preq-kqw
Reconhecimento de Atividade Humana Usando Sinais de Redes Wi-Fi
Resumo:
Além das aplicações de comunicação, os sinais Wi-Fi foram recentemente estudados como uma possível ferramenta para aplicações de sensoriamento humano. Na literatura, encontram-se vários estudos que enfatizam o uso do sinal CSI como uma tecnologia acessível a todos para o monitoramento das atividades humanas. No entanto, esses trabalhos apresentam propostas em ambientes controlados e com um número limitado de pessoas para sua avaliação. Portanto, a realização de novas pesquisas no tema é crucial para que a tecnologia esteja acessível à sociedade em um futuro próximo.
Nesse sentido, nesta proposta de Tese de Doutorado é apresentada uma abordagem para reconhecimento de atividade humana (HAR – Human Activity Recognition) por meio do uso de dispositivos Wi-Fi comerciais. Com essa proposta, é possível inferir a posição de uma pessoa monitorada em um ambiente indoor. Para conseguir isso, os dados de informações de estado do canal (CSI – Channel State Information) coletados do canal Wi-Fi são processados e usados para inferir a posição de pessoas usando algoritmos de aprendizado de máquina (ML – Machine Learning). São avaliados cinco algoritmos diferentes e seus desempenhos foram comparados. O método proposto foi avaliado em um conjunto de dados Wi-Fi CSI coletados de 125 participantes. O sistema proposto é treinado com os dados coletados enquanto uma pessoa realiza diversas atividades em uma sala. Para o cenário e conjunto de dados considerados neste estudo, os resultados mostraram que o algoritmo Random Forest teve o melhor desempenho para todos os testes, atingindo uma acurácia de 99% em média.
Abstract:
In addition to communication applications, Wi-Fi signals have recently been studied as a potential tool for human sensing applications. In the literature, several studies can be found that emphasize the use of Channel State Information (CSI) as an accessible technology for monitoring human activities. However, these works propose solutions in controlled environments with a limited number of people for evaluation. Therefore, further research in this area is crucial to make the technology accessible to society in the near future.
In this context, this Doctoral Thesis proposal presents an approach for Human Activity Recognition (HAR) using commercial Wi-Fi devices. With this proposal, it becomes feasible to infer the position of a monitored person in an indoor environment. To achieve this, Channel State Information (CSI) data collected from the Wi-Fi channel are processed and utilized to infer the positions of individuals using machine learning algorithms (ML). Five different algorithms are evaluated, and their performances are compared. The proposed method was assessed using a dataset of Wi-Fi CSI collected from 125 participants. The system is trained with the collected data while a person performs various activities in a room. For the scenario and dataset considered in this study, the results showed that the Random Forest algorithm exhibited the best performance in all tests, achieving an average accuracy of 99%.
Banca examinadora:
Prof. Célio Vinicius Neves de Albuquerque, UFF – Presidente
Profa. Débora Christina Muchaluat Saade, UFF
Prof. Igor Monteiro Moraes, UFF
Profa. Taiane Coelho Ramos, UFF
Prof. Cristiano André da Costa, Unisinos