@PHDTHESIS{ 2019:82952792,
 	title = {Reconhecimento de atividades humanas baseado na an?lise de fluxo cont?nuo de dados simb?licos},
 	year = {2019},
 	url = "https://tede.ufam.edu.br/handle/tede/7202",
 	abstract = "A capacidade de sensoriamento dos smartphones tem permitido o desenvolvimento de solu??es para reconhecimento de atividades humanas (do ingl?s, Human Activity Recognition - HAR) com o prop?sito de entender melhor o comportamento humano por meio de t?cnicas computacionais. No entanto, tais solu??es t?m tido dificuldades para atuar em cen?rios din?micos por n?o observarem a evolu??o dos dados ao longo do tempo e pelo alto consumo de recursos computacionais, como mem?ria, processamento e energia das baterias. Isso ocorre porque o problema de HAR para smartphones t?m sido resolvidos por meio de modelos de classifica??o gerados por algoritmos de aprendizagem de m?quina offline que, nesse caso, s?o limitados por um hist?rico de dados com poucas informa??es sobre ?s atividades humanas. O problema dessa abordagem ? que as atividades humanas mudam constantemente ao longo do tempo e s?o fortemente influenciadas pelo ambiente f?sico e pelo perfil dos usu?rios.
 Para superar esses problemas esta tese de doutorado prop?e uma nova abordagem para reconhecimento de atividades humanas baseada na an?lise do fluxo cont?nuo de dados simb?licos. Nossa abordagem permite o desenvolvimento de sistemas HAR de baixo custo, escal?veis e capazes de se adaptarem a mudan?as ao longo do tempo. Neste contexto, esta tese prop?e um framework, denominado DISTAR (DIscrete STream learning for Activity Recognition), respons?vel por padronizar o processo de an?lise do fluxo cont?nuo de dados e gera??o de modelos adaptativos que observam a evolu??o dos dados ao longo do tempo sem a necessidade de armazenar um hist?rico de dados. O framework DISTAR utiliza como base os algoritmos de representa??o simb?lica que s?o conhecidos na literatura por reduzirem a dimensionalidade e a numerosidade dos dados. Al?m disso, esta tese tamb?m prop?e um novo algoritmo online adaptativo, denominado NOHAR (NOvelty discrete data stream for Human Activity Recognition), que utiliza como base o framework DISTAR. Os resultados experimentais usando tr?s bases de dados mostram que o NOHAR ? mais r?pido, em m?dia, 13 vezes comparado ao estado da arte e ? capaz reduzir o consumo de mem?ria, em m?dia, 99,97%. Em termos de precis?o, o NOHAR ? similar ao estado da arte.
 A principal contribui??o desta tese consiste na abertura de um novo ramo de pesquisa na ?rea de HAR o qual utiliza dados simb?licos para o desenvolvimento de solu??es de baixo custo, escal?veis e adaptativas. Al?m disso, o framework DISTAR e o algoritmo adaptativo NOHAR s?o propostas in?ditas para a ?rea de processamento de fluxo cont?nuo de dados (do ingl?s, Data Streaming) que podem ser exploradas em outros dom?nios e problemas.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Inform?tica},
 	note = {Instituto de Computa??o}
}