modelo para resumo expandido

Um Modelo para Identificação de Pessoas em Ambientes
Fechados para Sistemas IoT
Matheus Gonçalves de Macedo Carvalho 1 , Rodrigo Filev Maia 2 , Guilherme Wachs Lopes3
Centro Universitário da FEI
[email protected] , [email protected] , [email protected]
Resumo: A Internet Das Coisas (IoT) é um conceito
recente e aplicado a diversos contextos. Contudo, uma
dificuldade inerente deste tipo de sistema é reconhecer
qual indivíduo se encontra em determinado cômodo da
residência para atuar de diferentes formas para cada
morador. Este trabalho propõe a elaboração e
implementação de um modelo para reconhecimento de
um indivíduo em uma residência através de diversos
sinais recebidos de sensores espalhados na residência.
1. Introdução
Um desafio clássico enfrentado pela SmartHome é a
identificação dos moradores e visitantes. Essa é uma das
primeiras etapas de um sistema domótico. Assim, todas
as etapas seguintes são dependentes dessa. Por exemplo,
uma casa pode adaptar-se para um determinado morador
ao reconhecê-lo, como estudado em [1].
Neste trabalho, é proposto um Modelo Bayesiano
associado a um grafo bipartido para identificação de
pessoas em uma casa inteligente. As informações de
altura da pessoa, largura dos ombros e peso serão
utilizadas como fonte de dados para fazer a inferência.
2. Modelo Bayesiano de Inferência
Neste trabalho, o processo de inferência baseia-se em
um modelo Bayesiano, onde o conjunto de eventos
atômicos é obtido pelas características observadas
(altura, largura do ombro e peso da pessoa).
Nessa equação, 𝑃𝑖 é um vértice de um grafo bipartido
que representa uma pessoa. As características da pessoa
fazem parte do outro conjunto de vértices do grafo
bipartido, assim como representado pela Fig. (1).
a Equação (1), originalmente proposta em [2].
𝑃(𝑃𝑖 |𝐴𝑙𝑡𝑢𝑟𝑎 = 𝑥, 𝐿𝑎𝑟𝑔𝑢𝑟𝑎 = 𝑦, 𝑃𝑒𝑠𝑜 = 𝑧 ) = 1 − (1 −
𝑃(𝑃𝑖 |𝐴𝑙𝑡𝑢𝑟𝑎 = 𝑥)) × (1 − 𝑃(𝑃𝑖 |𝐿𝑎𝑟𝑔𝑢𝑟𝑎 = 𝑦)) × (1 −
𝑃(𝑃𝑖 |𝑃𝑒𝑠𝑜 = 𝑧))
(1)
3. Experimento
Inicialmente foi gerada uma base sintética de
observações para a criação de um grafo bipartido. A
partir desse grafo, um conjunto de observações foi
separado da geração do grafo para compor o conjunto de
teste. Os resultados são mostrados na forma de matriz de
confusão. Nesse caso, duas matrizes são analisadas. A
primeira delas é gerada utilizando técnicas clássicas de
estatística. A segunda matriz representa os resultados
utilizando o método proposto por esse trabalho.
Figura 2 – Matriz de confusão utilizando métodos
clássicos (esquerda) e o método proposto (direita).
4. Conclusões
Os resultados obtidos nos experimentos mostram que o
algoritmo de inferência proposto apresenta uma taxa de
acerto maior ou, no mínimo igual, à taxa de acerto
utilizando estatística clássica. Um dos pontos mais
importantes a ser considerado aqui é que a presença de
apenas uma característica discriminante resultou em uma
mudança significativa da taxa de acerto em relação ao
modelo clássico.
Bibliografia
Figura 1 – Modelo de Grafo Bipartido proposto
Neste grafo, o valor da aresta representa a quantidade de
vezes que uma determinada pessoa foi vista com cada
característica. Utilizando essas informações do grafo
pode-se inferir a probabilidade condicional de uma
pessoa 𝑃 ocorrer com uma determinada característica 𝐶.
Assim, a estratégia adotada aqui é considerar essas
probabilidades parciais para inferir uma pessoa que
apresenta um conjunto de características utilizando
Estatística Bayesiana. Essa inferência é feita utilizando
[1] JÚNIOR, R. A. F (2010). Desenvolvimento de um
classificador automático de pessoas para sistemas de
automação residencial inteligente. Master's thesis, Centro
Universitário da FEI.
[2] P. S. RODRIGUES, G. A. GIRALDI e A. A.
ARAÚJO. Using Tsallis entropy into a Bayesian
network for CBIR. IEEE International Conference on
Image Processing 2005, 2005, pp. III-1028-31.
Agradecimentos
À Telefônica/Vivo pelo apoio ao centro de pesquisas em
IoT e ao Centro Universitário da FEI pelos recursos
fornecidos.
1 Aluno de IC do Centro Universitário FEI. Projeto com
vigência 08/15 a 07/16.
vsvivigênciavigência de 08/15 a 07/16.