Search

Identificare la mobilità di un utente attraverso la sua osservazione, o l’osservazione dell’ambiente, è un tema di ricerca di crescente interesse, con numerose applicazioni. La maggior parte dei lavori accademici trae vantaggio dalla diffusione dei cellulari, utilizzando i dati derivati dai sensori e le tecniche di apprendimento automatico, per inferire la mobilità dell’utente. Una limitazione di questi lavori è l’utilizzo di dataset creati ad hoc. Essi, infatti, raccolgono i dati dei soli sensori di loro interesse, hanno una base utente ridotta e prevedono processi di collezione in condizioni non reali. Come conseguenza, i risultati dei lavori non sono fra loro confrontabili. Il primo obiettivo di questa tesi è stato la costruzione di un dataset che superasse le suddette limitazioni. Il dataset ottenuto distingue cinque attività: stare in macchina, in autobus, in treno, fermi e camminare. Il dataset è stato utilizzato per la costruzione di modelli di classificazione della mobilità, raggiungendo un livello massimo di accuratezza del 96%. Si è indagato sull’importanza dei sensori nel riconoscimento delle singole attività. A tal fine, sono stati definiti tre insiemi di dati: il primo composto dai dati derivati da tre soli sensori (accelerometro, giroscopio e microfono), il secondo da tutti i dati dei sensori ad esclusione di quelli derivati dal GPS e l’ultimo dai dati di tutti i sensori disponibili. I risultati ottenuti mostrano come all’aumentare dei sensori, aumenti l’accuratezza. Non tutte le classi di attività, però, traggono lo stesso beneficio dall’aumento di informazione. L’analisi di queste differenze permette di individuare quali sensori sono più utili all’individuazione di ogni singola attività. Questi ultimi risultati suggeriscono la possibilità di scegliere il set di sensori da utilizzare sulla base delle attività da riconoscere.

Identificare la mobilità di un utente attraverso la sua osservazione, o l’osservazione dell’ambiente, è un tema di ricerca di crescente interesse, con numerose applicazioni. La maggior parte dei lavori accademici trae vantaggio dalla diffusione dei cellulari, utilizzando i dati derivati dai sensori e le tecniche di apprendimento automatico, per inferire la mobilità dell’utente. Una limitazione di questi lavori è l’utilizzo di dataset creati ad hoc. Essi, infatti, raccolgono i dati dei soli sensori di loro interesse, hanno una base utente ridotta e prevedono processi di collezione in condizioni non reali. Come conseguenza, i risultati dei lavori non sono fra loro confrontabili. Il primo obiettivo di questa tesi è stato la costruzione di un dataset che superasse le suddette limitazioni. Il dataset ottenuto distingue cinque attività: stare in macchina, in autobus, in treno, fermi e camminare. Il dataset è stato utilizzato per la costruzione di modelli di classificazione della mobilità, raggiungendo un livello massimo di accuratezza del 96%. Si è indagato sull’importanza dei sensori nel riconoscimento delle singole attività. A tal fine, sono stati definiti tre insiemi di dati: il primo composto dai dati derivati da tre soli sensori (accelerometro, giroscopio e microfono), il secondo da tutti i dati dei sensori ad esclusione di quelli derivati dal GPS e l’ultimo dai dati di tutti i sensori disponibili. I risultati ottenuti mostrano come all’aumentare dei sensori, aumenti l’accuratezza. Non tutte le classi di attività, però, traggono lo stesso beneficio dall’aumento di informazione. L’analisi di queste differenze permette di individuare quali sensori sono più utili all’individuazione di ogni singola attività. Questi ultimi risultati suggeriscono la possibilità di scegliere il set di sensori da utilizzare sulla base delle attività da riconoscere.