=Paper=
{{Paper
|id=Vol-2519/paper10
|storemode=property
|title=Reconhecimento de Atividades em Ambientes de Vivência Assistida: uma Proposta Explorando um Modelo Ontológico(Activity Recognition in Ambient Assisted Living: a proposal exploring an ontological model)
|pdfUrl=https://ceur-ws.org/Vol-2519/paper10.pdf
|volume=Vol-2519
|authors=Roger Machado,Felipe Luzzardi Rosa,Eduardo Abreu,Ana Marilza Pernas,Adenauer Yamin
|dblpUrl=https://dblp.org/rec/conf/ontobras/MachadoRAPY19
}}
==Reconhecimento de Atividades em Ambientes de Vivência Assistida: uma Proposta Explorando um Modelo Ontológico(Activity Recognition in Ambient Assisted Living: a proposal exploring an ontological model)==
https://ceur-ws.org/Vol-2519/paper10.pdf
Reconhecimento de Atividades em Ambientes de Vivência
Assistida: uma Proposta Explorando um Modelo Ontológico
Roger da Silva Machado1 , Felipe Luzzardi da Rosa1 , Eduardo Abreu1 ,
Ana Marilza Pernas1 , Adenauer Yamin1
1
Programa de Pós-Graduação em Computação (PPGC)
Universidade Federal de Pelotas (UFPel) – Pelotas – RS – Brazil
{rdsmachado, fldrosa, eabreu, marilza, adenauer}@inf.ufpel.edu.br
Abstract. In recent years, there has been an increasing interest in the use of
assisted living environments, and these environments should include computati-
onal services that can recognize the activities performed by residents and sup-
port them when necessary. Thinking about this, this work aims at the design
of a model capable of providing the activities recognition performed in a smart
environment, being designed based on an ontology. The proposed model, cal-
led EXEHDA-AR, was evaluated through a case study using a database of an
intelligent house, with an average accuracy of 94.89% in the activities recogni-
tion. These results indicate that the proposed model is a viable alternative, thus
stimulating the continuity of research efforts.
Resumo. Nos últimos anos, pode-se notar um aumento no interesse do uso de
ambientes de vivência assistida, sendo que estes ambientes deverão contemplar
serviços computacionais que possam reconhecer as atividades realizadas por
moradores e auxiliá-los quando necessário. Pensando nisso, o objetivo deste
trabalho é a concepção de um modelo capaz de prover o reconhecimento de ati-
vidades executadas em um ambiente inteligente, sendo este modelo concebido
com base em uma ontologia. O modelo proposto, denominado EXEHDA-AR, foi
avaliado por meio de um estudo de caso utilizando uma base de dados de uma
casa inteligente, tendo sido obtida uma acurácia média de 94.89% no reconhe-
cimento das atividades. Estes resultados apontam que o modelo proposto é uma
alternativa viável, estimulando assim a continuidade dos esforços de pesquisa.
1. Introdução
A população mundial está passando por um processo no qual a sua idade média está
aumentando. Estima-se que até o ano de 2030 a população do Brasil, que até então é
considerada como estando em uma faixa etária adulta, passará para terceira idade ra-
pidamente, devido a redução das taxas de natalidade e ao aumento da expectativa de
vida [Marin and Panes 2015].
Esse processo torna necessário novos mecanismos que possam reconhecer as
atividades realizadas pelas pessoas em suas residências, visando auxiliá-las quando
necessário. O reconhecimento e controle de atividades em ambientes, instrumenta-
dos por sensores e atuadores, auxiliam na resolução de diversos problemas do dia a
dia como, por exemplo, o acompanhamento de pessoas idosas [Osmani et al. 2008],
domótica [Singla et al. 2010], eficiência energética [Lai et al. 2012], entre outros. Deste
Copyright © 2019 for this paper by its authors. Use permitted under Creative Commons License Attribution 4.0 International (CC BY 4.0).
modo, com a evolução dos ambientes inteligentes e com o emprego de métodos adequa-
dos, o Reconhecimento de Atividades vem gradualmente se consolidando em diferentes
áreas [Al-Shaqi et al. 2016].
Nesta perspectiva, nota-se um aumento na utilização de casas inteligentes que pro-
porcionem um ambiente assistido de vivência no contexto da saúde. Nestas residências,
devem ser contemplados serviços computacionais que possam auxiliar as pessoas nas suas
práticas diárias, da forma mais transparente possı́vel [Röcker et al. 2014]. Busca-se assim
integrar a tecnologia ao cotidiano do usuário, caracterizando uma infraestrutura computa-
cional de natureza ubı́qua que deve exigir o menor envolvimento possı́vel das pessoas no
seu gerenciamento. Além disso, torna-se importante que as atividades sejam reconheci-
das a partir de dados de contexto coletados por sensores, os quais podem estar presentes
em objetos carregados pelas pessoas ou incorporados ao ambiente em que as mesmas
interagem [Perera et al. 2015].
Pensando nisso, o objetivo deste trabalho é a concepção de um modelo, chamado
aqui de EXEHDA-AR (Execution Environment for Highly Distributed Applications-
Activity Recognition), para o reconhecimento de atividades realizadas por moradores
em um ambiente de vivência assistida. Este trabalho está integrado com o middleware
EXEHDA [Lopes et al. 2014], contribuindo com o Subsistema de Reconhecimento de
Contexto e Adaptação do middleware por meio de um sistema para reconhecimento de
atividades (Activity Recognition), contemplando assim uma abordagem que permite o
reconhecimento de atividades em casas inteligentes.
Para tanto, é concebido um módulo de Pré-processamento para se comunicar com
a aquisição dos dados realizada pelo middleware, bem como um modelo ontológico capaz
de reconhecer atividades realizadas por um morador em uma casa inteligente. Um dos
diferenciais do modelo proposto, quando comparado com os trabalhos relacionados, é a
exploração do potencial do middleware para reconhecimento não intrusivo de atividades
em intervalos de tempo próximos ao momento em que as rotinas estão sendo observadas.
O restante deste artigo está organizado da seguinte forma. A Seção 2 descreve as
principais caracterı́sticas do middleware EXEHDA. Na Seção 3 é apresentado o modelo
ontológico para reconhecimento de atividade proposto. Já na quarta Seção, é discutida
a avaliação da proposta, explorando cenários de uso. A Seção 5 revisa alguns trabalhos
relacionados. Finalmente, a Seção 6 apresenta as considerações finais e trabalhos futuros.
2. Middleware EXEHDA
O EXEHDA consiste de um middleware adaptativo ao contexto baseado em serviços,
o qual visa criar e gerenciar ambientes de computação ubı́qua, como os providos
pela Internet das Coisas, bem como promover a execução de aplicações sobre ele
[Lopes et al. 2014]. A arquitetura do middleware contém módulos para reconhecimento
e adaptação ao contexto, compreendendo dois tipos principais de servidores: Servidor de
Borda e Servidor de Contexto. O Servidor de Borda é responsável pela interação com
o meio através de sensores e atuadores, enquanto que o Servidor de Contexto atua no
armazenamento e processamento das informações contextuais.
Uma visão geral da arquitetura do Servidor de Contexto é apresentada na Figura 1,
na qual é caracterizada a relação com: (i) Servidores de Borda; (ii) outros serviços do
middleware EXEHDA; (iii) outros Servidores de Contexto remotos; e (iv) aplicações de
usuários e administradores. Os módulos presentes na Arquitetura do servidor de Contexto
são:
Figura 1. Visão geral da arquitetura do servidor de contexto.
• Aquisição - fornece suporte para a captura de informações contextuais, coleta-
das por servidores de borda, por meio de interfaces de software e/ou sensores de
hardware;
• Atuação - é responsável pelo controle dos atuadores (ativação, desativação e
configuração), após ser notificado por outros módulos do servidor de contexto;
• Processamento - processa informações contextuais baseadas em contextos de in-
teresse das aplicações. Este módulo mantém um Repositório de Contexto que
emprega um modelo relacional para a representação de contexto;
• Notificação - trata de notificar o resultado do processamento de contexto realizado
pelo módulo de Processamento. O notificador recebe todas as decisões de atuação,
resultantes da manipulação das regras de contexto;
• Comunicação - usado por servidores de contexto remotos e/ou aplicativos para
solicitar dados contextuais e/ou acionar atuadores. Este módulo fornece a
disseminação de informações de contexto para outros serviços do middleware,
assim como pode enviar mensagens para aplicativos do usuário.
3. Modelo Ontológico Proposto
Com a inclusão do modelo proposto ao middleware EXEHDA, tornou-se necessária
a concepção de um módulo de Pré-processamento. Este modulo é responsável por
comunicar-se com o componente de aquisição do middleware e receber os dados coletados
do ambiente de vivência assistida monitorado, realizando a interpretação e a agregação
das informações contextuais.
O módulo de Pré-processamento realiza a agregação das informações relacionadas
aos sensores, onde são combinados os dados de horário de inı́cio e fim e a identificação
da janela em que foi coletado o evento. Outra abstração provida por este componente
é a normalização no formato da data coletado, cujas informações são convertidas para
milissegundos, com intuito de serem utilizadas na construção das regras.
Além disso, este módulo emprega o conceito de janela de tempo finita para realizar
a coleta dos dados, permitindo assim agrupar as informações coletadas, sendo possı́vel
aumentar ou diminuir a janela de tempo de acordo com perfil do morador do ambiente de
vivência assistida. O tamanho da janela de tempo empregada varia de 60 segundos até 1
hora.
Após o janelamento de tempo, os eventos coletados são repassados para o mo-
delo ontológico para realizar o reconhecimento de atividade. A ontologia concebida
é apresentada na Figura 2, a qual utilizou como base a ontologia do projeto PalS-
POT [Riboni et al. 2011], devido a mesma ser também instanciada em um middleware
e focada no reconhecimento de atividades.
Foram herdadas da ontologia original as classes Activity, Location, Artifact, Time
e Person, com seus atributos e relacionamentos. Com base nessas classes, foram criadas
subclasses e a classe Windows, a qual possui a finalidade de receber as informações do
módulo de Pré-processamento.
Figura 2. Visão geral da ontologia concebida.
A ontologia proposta contém 258 axiomas, 51 classes, 6 objetos de propriedades
e 11 propriedades de dados. Uma visão parcial da ontologia pode ser visto na Figura 3.
No modelo proposto, quando uma atividade é reconhecida é criada uma nova instância na
classe Activity, relacionando-a com as demais classes para agregar informações relevantes
como localização, objeto, segmento do dia e a janela em que a atividade foi reconhecida.
Figura 3. Classes e atributos da ontologia proposta.
A classe Activity tem subclasses com as atividades que deseja-se reconhecer, como
Sleeping, Working, EnterHome, LeaveHome e BedToToilet. Cada vez que uma ativi-
dade é reconhecida, o EXEHDA-AR cria uma instância na classe correspondente com as
informações do tempo inicial e final da janela, objetos, localização, indivı́duo e sensores.
As propriedades de dados recebem os valores oriundos dos sensores. Como
exemplo, hasStatusSensor recebe o valor “dt”quando há eventos detectados. Devido a
utilização da idempotência e do janelamento dos eventos de sensores, são inseridos so-
mente o tempo do primeiro e do último evento na janela corrente.
Para realizar o processamento dos dados e o reconhecimento de atividades, fo-
ram construı́das regras usando a linguagem SWRL (Semantic Web Rule Language) uti-
lizando os conceitos propostos por [Chen and Nugent 2009], por meio da relação entre
a localização simbólica e o objeto para reconhecer qual atividade o indivı́duo está reali-
zando. Essas regras são processadas em nı́vel de instâncias e, desta forma, motores de
inferência conseguem raciocinar sobre as informações contextuais. Considerando que as
regras estão associadas aos objetos do ambiente e a localização na casa a partir dessas
relações, é possı́vel identificar a atividade que está sendo realizado pelo indivı́duo.
Após o processamento da ontologia e o possı́vel reconhecimento de atividades,
os dados são enviados para o Repositório de Contexto do EXEHDA, no qual foi inserido
o modelo de triplas. Com o armazenamento no modelo de triplas, é possı́vel oferecer
um modelo mais eficiente, por exemplo, que um modelo relacional [Can et al. 2017].
Desta forma, é possı́vel realizar consultas SPARQL tanto nos dados atuais que estão sendo
processados na ontologia como, também, em dados históricos que estão no repositório.
4. Avaliação do Modelo Ontológico
Para realizar a avaliação do modelo proposto, foi selecionada uma base de dados perten-
cente ao grupo de pesquisa CASAS da Universidade de Washington [Cook 2012]. Esta
base de dados é proveniente de uma casa denominada Aruba, na qual uma senhora idosa
reside sozinha. Na base de dados estão presentes nove atividades monitoradas, sendo que
no estudo de caso realizado optou-se por analisar cinco destas atividades: (i) dormir; (ii)
deslocamento da cama para banheiro; (iii) entrar em casa; (iv) sair de casa; e (v) trabalhar
no escritório.
Com o intuito de realizar o reconhecimento das atividades presentes na base de da-
dos, foram concebidas regras utilizando a linguagem SWRL, sendo estas concebidas utili-
zando a relação entre localidade, objeto e tempo. Na Figura 4 é apresentada a distribuição
dos sensores na casa Aruba, os quais terão seus valores coletados e analisados pelo modelo
proposto. A moradora da casa não tem seu nome revelado por questões de privacidade,
atribuiu-se, portanto, o pseudo nome de Maria a ser utilizado na descrição dos cenários.
Figura 4. Distribuição dos sensores casa Aruba.
Fonte: [Yala et al. 2015].
4.1. Cenário 1: Atividade dormir
Nesta atividade a moradora Maria dirige-se para o quarto de dormir, passa pela porta do
quarto, e deita-se na cama. Após observar a distribuição dos sensores pelo quarto, foi defi-
nido que o contexto de interesse está associado a detecção de presença pelo sensor M003
(cama), e a interação da pessoa com objeto deve ser maior que 120000 milissegundos.
Por sua vez, os sensores M004 (banheiro), M005 (corredor), M006 (porta do quarto) não
devem detectar presença, assim indicando que a pessoa permanece na cama. Na Figura 5
é apresentada a regra SWRL elaborada para reconhecer a atividade “dormir”.
Cenário 2: Atividade Deslocamento da Cama para o Banheiro
Neste cenário, Maria acorda no meio da noite e sai da cama para banheiro. Para detecção
dessa atividade, foram selecionados os sensores M003 (cama) e M004 (banheiro).
Foi necessário fazer uma sequência temporal dos eventos dos sensores. Para isso,
foram feitas comparações entre os tempos de cada sensor envolvido no contexto de inte-
resse. O tempo inicial da ativação do sensor do banheiro precisa ser maior que o tempo
final do sensor da cama, assim pode-se constatar que Maria saiu da cama para o banheiro.
A regra SWRL desenvolvida para realizar o reconhecimento da atividade “deslocamento
da cama para o banheiro” é apresentada na Figura 6.
Figura 5. Regra SWRL para a atividade dormir.
Figura 6. Regra SWRL para a atividade deslocamento da cama para banheiro
Cenário 3: Atividade Entrar em Casa
Neste cenário Maria está chegando em casa. Ela abre a porta da garagem e passa pelo
corredor em direção à sala de estar. Nessa atividade, considera-se como contexto de
interesse os sensores D004 (porta da casa), M030 (em cima da porta), M022 e M021
(presentes no hall de acesso às outras dependências da casa).
A regra SWRL desenvolvida para realizar o reconhecimento da atividade “entrar
em casa” é apresentada na Figura 7.
Figura 7. Regra SWRL para a atividade entrar em casa.
Cenário 4: Atividade Sair de Casa
Maria resolve sair de casa para fazer compras. Para isso, ela dirige-se ao corredor da
casa que dá acesso à porta da garagem. Na atividade “sair de casa”, foi elaborada uma
regra empregando como contexto de interesse o sensor M022 (hall de acesso á outras
dependências da casa) como evento inicial. Na sequência de eventos, os sensores M021
(hall de acesso), M030 (em cima da porta) e D004 (porta da casa) são empregados para
indicar a atividade.
A regra SWRL concebida para realizar o reconhecimento da atividade “sair de
casa” é apresentada na Figura 8.
Figura 8. Regra SWRL para a atividade sair de casa
Cenário 5: Atividade Trabalhar no Escritório
Maria decide trabalhar no computador, localizado no escritório. Nesse cenário, utilizou-
se a seguinte sequência de eventos de sensores. O sensor M028 (porta do escritório) que
representa o evento inicial, o qual irá indicar se Maria está entrando na localização de
interesse da casa que é escritório. O sensor M026 que representa o objeto de interesse
(mesa do computador). Para realizar a detecção dessa atividade optou-se por especificar a
necessidade de uma interação superior a 600000 milissegundos com o objeto de interesse.
A regra SWRL elaborada para realizar o reconhecimento da atividade “trabalhar
no escritório” é apresentada na Figura 9.
Figura 9. Regra SWRL para a atividade trabalhar no escritório.
4.2. Discussão da Avaliação
A verificação da acurácia do modelo ontológico proposto foi baseada na métrica de pre-
cisão, que é a proporção de instâncias classificadas corretamente. O uso dessa métrica é
justificado pelo fato de a mesma ser amplamente empregada para avaliar a qualidade dos
resultados em diversas pesquisas [Japkowicz and Shah 2011].
Aplicou-se como método para avaliação da acurácia o desenvolvido por
[van Kasteren et al. 2011], que consiste em criar um matriz de confusão na qual as linhas
representam atividades, e as colunas a frequência dos verdadeiros positivos das ativida-
des reconhecidas. Este método foi escolhido por ser amplamente empregado na literatura
Tabela 1. Matriz de confusão dos cenários realizados.
Dormir Deslocamento Entrar Sair Trabalhar Acurácia
Dormir 398 - - - - 99,25%
Deslocamento - 154 - - - 98,08%
Entrar - - 400 - - 92,80%
Sair - - - 405 - 93,96%
Trabalhar - - - - 150 87,71%
[Al Machot and Mayr 2016]. A tabela 1 apresenta a matriz de confusão com a acurácia
obtida pelo modelo proposto nos cenários realizados.
Conforme pode ser visualizado na tabela 1, a acurácia obtida variou entre os dife-
rentes cenários, mas de forma geral se manteve com uma taxa de acertos considerada sa-
tisfatória. O número de ocorrências analisadas para cada atividade e a respectiva acurácia
foram:
• dormir: acertou 398 atividades de 401 presentes na base de dados, obtendo uma
acurácia de 99,25%;
• deslocamento da cama para o banheiro: acertou 154 atividades de 157 presentes
na base de dados, obtendo uma acurácia de 98,08%;
• entrar em casa: acertou 400 atividades de 431 presentes na base de dados, obtendo
uma acurácia de 92,80%;
• sair de casa: acertou 405 atividades de 431 presentes na base de dados, obtendo
uma acurácia de 93,96%;
• trabalhar no escritório: acertou 150 atividades de 171 presentes na base de dados,
obtendo uma acurácia de 87,71%.
O modelo proposto acertou ao total 1507 de 1588 atividades, alcançando uma
acurácia média de 94.89%. Dentre as atividades, “dormir”teve o melhor resultado, en-
quanto que a atividade “trabalhar no escritório”o pior. Os resultados obtidos mostraram
que o modelo proposto alcançou resultados promissores para ser empregado no reconhe-
cimento de atividades em ambientes de vivência assistida.
5. Trabalhos Relacionados
Em [Ni et al. 2016] é proposto uma arquitetura para monitorar e reconhecer atividades da
vida diária em uma casa inteligente. Essa arquitetura prevê a inclusão de funcionalidades
que vão desde a coleta de dados de baixo nı́vel até a extração de conhecimento de contexto
de alto nı́vel. Para representar o domı́nio e realizar o reconhecimento de atividades, é
empregada uma ontologia, a qual foi modelada com base na ontologia DOLCE + Dns
Ultralite (DUL).
O trabalho de [Culmone et al. 2014] apresenta um framework baseado em ontolo-
gias que visa efetuar consultas semânticas em um repositório de dados contextuais, com
o objetivo de prover o reconhecimento de atividades. A ontologia empregada chama-se
OnoAALISABETH, sendo esta uma ontologia de domı́nio explorada em diferentes nı́veis
de abstração, e sendo utilizada no processamento dos dados com uso de regras Jena.
Em [Wongpatikaseree et al. 2012] é proposta uma infraestrutura baseada em onto-
logias para reconhecimento de atividades de uma casa inteligente. A ontologia é utilizada
para distinguir as atividades por meio de conceitos baseados em objetos, localização e
postura do corpo humano. Para realizar o processamento dos dados são usados axiomas,
sendo executado o raciocı́nio da ontologia a cada nova inserção na base de conhecimento.
O trabalho de [Chen et al. 2009] apresenta uma arquitetura conceitual de casas
inteligentes, explorando a interação de componentes que constituem o ambiente. O foco
do trabalho é a metodologia de modelagem semântica, a geração e o gerenciamento de
conteúdo. A modelagem e o raciocı́nio das informações são realizados com o uso de uma
ontologia, empregando axiomas para geração de novas informações.
A Tabela 2 mostra uma comparação entre os trabalhos relacionados e o modelo
ontológico proposto EXEHDA-AR. Para esta comparação, foram considerados os seguin-
tes critérios: (i) utilização de base de dados na avaliação do modelo; (ii) verificação da
acurácia; (iii) exploração de conceitos de objeto e localização; e (iv) tipo de regra empre-
gado para o reconhecimento de atividades.
Tabela 2. Comparação com os trabalhos relacionados.
Utiliza Base de Verifica a Explora Objeto e Linguagem das
Trabalhos Relacionados
Dados Acurácia Localização Regras
[Ni et al. 2016] Não Não Parcialmente SWRL
[Culmone et al. 2014] Não Não Parcialmente JENA
[Wongpatikaseree et al. 2012] Não Não Utiliza Axioma
[Chen et al. 2009] Não Não Utiliza Axioma
EXEHDA-AR Sim Sim Utiliza SWRL
O modelo proposto foi avaliado utilizando uma base de dados pública para
avaliar sua proposta, com dados de contextos coletados em um ambiente real, en-
quanto os outros trabalhos simulam as atividades a serem reconhecidas. O trabalho
[Wongpatikaseree et al. 2012] faz uso de uma base de dados relacional com informações
de logs de uma casa inteligente, onde após a extração desses dados os mesmos são ins-
tanciados em uma ontologia para realizar o reconhecimento de atividades.
Outro diferencial do modelo proposto em relação aos trabalhos relacionados é que
neste trabalho é realizada a verificação da acurácia com relação ao reconhecimento de
atividades diárias. A análise desta medida representa a qualidade do modelo ontológico
frente aos desafios no reconhecimento de atividades humanas por meio de sensores não
intrusivos.
6. Considerações Finais
A principal contribuição deste trabalho é a concepção de um modelo ontológico res-
ponsável pelo reconhecimento de atividades realizadas por um morador em uma casa
inteligente. A ontologia proposta utiliza regras SWRL para realizar o processamento das
informações coletadas em um ambiente. Além disso, a proposta possui um módulo de
Pré-processamento que emprega o conceito de janela deslizante, permitindo combinar
dados coletados em um determinado intervalo de tempo.
As contribuições do modelo proposto foram introduzidas nos módulos de
Aquisição e Processamento do middleware EXEHDA, introduzindo um módulo de Pré-
processamento que se comunica com o módulo de aquisição adicionando novas funci-
onalidades para realizar a coleta dos dados. No módulo de Processamento é incluı́da a
possibilidade de processar os dados por meio de um modelo ontológico, permitindo um
processamento semântico dos dados de contexto coletados. Essa caracterı́stica mostrou-
se oportuna para a detecção de atividades realizadas em uma casa inteligente, permitindo
ao usuário não se envolver de forma direta com o procedimento de monitoramento das
suas atividades, empregando assim uma abordagem não intrusiva.
O modelo ontológico foi avaliado por meio de um estudo de caso utilizando a base
de dados CASA, a qual provê dados reais de uma casa inteligente. Nos testes realizados,
foi possı́vel reconhecer diferentes atividades executadas por um morador, as quais são:
(i) dormir; (ii) deslocamento da cama para o banheiro; (iii) entrando em casa; (iv) saindo
de casa; (v) trabalhar no escritório. A ontologia proposta alcançou uma acurácia média
de 94.89% no reconhecimento das atividades presentes na base de dados. Os resultados
obtidos foram promissores, estimulando a continuidade da pesquisa.
Dentre os aspectos levantados para continuidade do trabalho, destacam-se: (i) me-
lhorar as regras criadas para trabalhar com outros dados, tornando-as mais genéricas; (ii)
desenvolver um raciocı́nio hı́brido para reconhecimento de atividades, empregando além
do modelo ontológico técnicas baseadas em aprendizagem de máquina; e (iii) realizar
novos testes, utilizando para isso outras bases de dados.
Agradecimentos
O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pes-
soal de Nı́vel Superior - Brasil (CAPES) - Código de Financiamento 001 e da FAPERGS
(Programa Pesquisador Gaúcho - PqG). Roger S. Machado é Bolsista FAPERGS/CAPES
- BRASIL, nı́vel doutorado.
Referências
Al Machot, F. and Mayr, H. C. (2016). Improving human activity recognition by smart
windowing and spatio-temporal feature analysis. In 9th ACM International Conference
on PErvasive Technologies Related to Assistive Environments, page 56.
Al-Shaqi, R., Mourshed, M., and Rezgui, Y. (2016). Progress in ambient assisted systems
for independent living by the elderly. SpringerPlus, 5(1):624.
Can, O., Sezer, E., Bursa, O., and Unalir, M. O. (2017). Comparing relational and onto-
logical triple stores in healthcare domain. Entropy, 19(1):30.
Chen, L. and Nugent, C. (2009). Ontology-based activity recognition in intelligent perva-
sive environments. International Journal of Web Information Systems, 5(4):410–430.
Chen, L., Nugent, C., Mulvenna, M., Finlay, D., and Hong, X. (2009). Semantic smart
homes: towards knowledge rich assisted living environments. In Intelligent Patient
Management, pages 279–296. Springer.
Cook, D. J. (2012). Learning setting-generalized activity models for smart spaces. IEEE
intelligent systems, 27(1):32–38.
Culmone, R., Falcioni, M., Giuliodori, P., Merelli, E., Orru, A., Quadrini, M., Ciampolini,
P., Grossi, F., and Matrella, G. (2014). Aal domain ontology for event-based human
activity recognition. In Mechatronic and Embedded Systems and Applications (MESA),
2014 IEEE/ASME 10th International Conference on, pages 1–6. IEEE.
Japkowicz, N. and Shah, M. (2011). Evaluating Learning Algorithms: A Classification
Perspective. Cambridge University Press, New York, NY, USA.
Lai, C.-F., Lai, Y.-X., Yang, L. T., and Chao, H.-C. (2012). Integration of iot energy
management system with appliance and activity recognition. In Green Computing and
Communications (GreenCom), 2012 IEEE International Conference on, pages 66–71.
IEEE.
Lopes, J. L., de Souza, R. S., Geyer, C. F. R., da Costa, C. A., Barbosa, J. L., Pernas,
A. M., and Yamin, A. C. (2014). A middleware architecture for dynamic adaptation in
ubiquitous computing. J. UCS, 20(9):1327–1351.
Marin, M. J. S. and Panes, V. C. B. (2015). Envelhecimento da população e as polı́ticas
públicas de saúde. Revista do Instituto de Polı́ticas Públicas de Marı́lia, 1(1).
Ni, Q., Garcı́a Hernando, A. B., and Pau de la Cruz, I. (2016). A context-aware system in-
frastructure for monitoring activities of daily living in smart home. Journal of Sensors,
2016.
Osmani, V., Balasubramaniam, S., and Botvich, D. (2008). Human activity recognition in
pervasive health-care: Supporting efficient remote collaboration. Journal of network
and computer applications, 31(4):628–655.
Perera, C., Member, C. H. L., Jayawardena, S., and Chen, M. (2015). Context-aware
computing in the internet of things: A survey on internet of things from industrial
market perspective.
Riboni, D., Pareschi, L., Radaelli, L., and Bettini, C. (2011). Is ontology-based activity
recognition really effective? In Pervasive Computing and Communications Workshops
(PERCOM), pages 427–431. IEEE.
Röcker, C., Ziefle, M., and Holzinger, A. (2014). From computer innovation to human in-
tegration: current trends and challenges for pervasive healthtechnologies. In Pervasive
Health, pages 1–17. Springer.
Singla, G., Cook, D. J., and Schmitter-Edgecombe, M. (2010). Recognizing independent
and joint activities among multiple residents in smart environments. Journal of ambient
intelligence and humanized computing, 1(1):57–63.
van Kasteren, T. L., Alemdar, H., and Ersoy, C. (2011). Effective performance metrics
for evaluating activity recognition methods. ARCS 2011.
Wongpatikaseree, K., Ikeda, M., Buranarach, M., Supnithi, T., Lim, A. O., and Tan,
Y. (2012). Activity recognition using context-aware infrastructure ontology in smart
home domain. In Knowledge, Information and Creativity Support Systems (KICSS),
2012 Seventh International Conference on, pages 50–57. IEEE.
Yala, N., Fergani, B., and Fleury, A. (2015). Feature extractionand incremental learning
to improve activity recognition on streaming data. In Evolving and Adaptive Intelligent
Systems (EAIS), 2015 IEEE International Conference on, pages 1–8. IEEE.