Resumo

Atualmente, o reconhecimento detalhado de atividades humanas (HAR, do inglês Human Activity Recognition) tornou-se extremamente interessante para os investigadores, devido às suas aplicações em áreas como os cuidados de saúde, a segurança, o desporto e os ambientes inteligentes. Neste artigo, apresentamos uma breve panorâmica das abordagens do estado da arte no reconhecimento detalhado de atividades humanas. Discutimos também as características, as complexidades e a escassez de conjuntos de dados inerciais relativos a atividades de granularidade fina e grosseira. Para atenuar essa escassez, recolhemos o nosso próprio conjunto de dados inerciais, composto por 17 participantes que realizam 4 tarefas de granularidade fina enquanto interagem com um sensor de unidade de medição inercial (IMU) incorporado num objeto sólido. Em seguida, testamos no conjunto de dados recolhido os classificadores de aprendizagem automática mais utilizados (por exemplo, kNN, XGBoost) e apresentamos os resultados. Por fim, demonstramos a necessidade de uma nova abordagem para lidar com o reconhecimento de atividades de granularidade fina e indicamos as nossas futuras direções de investigação neste contexto.