A context-aware system architecture to assist workout plans

Abstract

This thesis has the aim to correlate context awareness and physical workout. Nowadays the body’s health is a true concern to most of the people and working out is one of the ways to go in order to improve health in general. Although, the lack of knowledge can lead to unwanted endings such as contracting an injury. The aim of this work is to develop a Context-Aware (CA) architecture that intends to help the user with the workout according to the context that person is inserted in. Accelerometer data, air temperature and humidity are collected in order to infer the context. This work compares three different algorithms, Support Vector Machine (SVM), k-Nearest Neighbor (k-NN) and Random Forest (RF) for the recognition of the activity. From those three, SVM was the algorithm that presented a better performance overall, since it presented better accuracy, precision and recall. Therefore, it is used to recognise activities and give the suggestions about the way that activity is being executed. The system was validated and tested getting an overall accuracy of 96.4% with the SVM algorithm. The activities Standing Still, Walking and Running presented a precision of about 99%. While the Squat, got a precision of about 74% and the Wrong Squat a precision of 61%. Moreover, since data for the activity Running was collected through a simulation, a test using real life data for Running was made in order to validate the training with simulation generated data. A precision of about 94% was achieved with the SVM algorithm.

Esta tese tem o objetivo de relacionar context awareness e exercício físico. Hoje em dia a saúde representa uma verdadeira preocupação para a maior parte das pessoas, e o exercí cio físico é o caminho a seguir quando o indivíduo quer melhorar a sua saúde no geral. Contudo, quando o conhecimento não é suficiente, a prática de exercício pode facilmente causar algum dano irreversível no nosso corpo. Como tal o objetivo é criar uma arquitetura CA que ajude o utilizador com o seu plano de exercício físico de acordo com o contexto que o rodeia. Os dados recolhidos para inferir o contexto do utilizador são acelerometro, temperatura ambiente e humidade relativa. Três algoritmos são comparados neste trabalho, SVM, k-NN e RF e o algoritmo que apresentou melhor performance, SVM, foi o escolhido para o sistema final. Uma vez que apresentou melhor accuracy, precision e recall. Este algoritmo é utilizado para reconhecer atividades e dar sugestões ao utilizador baseado na forma como essas atividades estão a ser feitas. O sistema desenvolvido obteve uma eficácia geral de 96.4% com o algoritmo SVM. As atividades Parado, Andar e Correr obtiveram uma precisão de cerca de 99%. Enquanto que o Agachamento obteve uma precisão de cerca de 74% e o Agachamento Errado uma precisão de cerca de 61%. Para além disso, um teste, com dados reais da atividade Correr, foi efetuado com o objetivo de validar o sistema, uma vez que este foi treinado, para esta atividade em específico, com dados gerados por uma simulação. Uma precisão de cerca de 94% foi atingida com o algoritmo SVM.