Construir modelos de reconocimiento de la actividad simple humana mediante simulaciones 3D basadas en agentes
DOI:
https://doi.org/10.65234/interaccion.76Palabras clave:
Ambiente Inteligente, Ambiente de vida asistida, Interacción, Reconocimiento Actividad Humana, Simulación, Laboratorio virtual vivienteResumen
Al definir mecanismos de interacción entre las personas y la tecnología asistiva, es necesario identificar patrones específicos de la actividad humana para conseguir que dicha interacción sea lo más natural posible. En entornos donde el usuario es una persona mayor, los patrones son útiles para analizar las posibles respuestas del usuario ante escenarios donde las acciones del usuario sobre la tecnología no son del todo precisas. Para conseguir esa precisión, los usuarios deben participar en el diseño de la interfaz, especialmente para aprender de sus hábitos diarios y de sus limitaciones. Con el auge de la inteligencia ambiental y las soluciones asistidas, hoy es posible recopilar información en tiempo real tanto del usuario como del entorno. En este contexto, el trabajo actual propone aprovechar estos datos y aprender patrones de actividad a través del entrenamiento, pero mediante el uso de simulaciones basadas en agentes. El objetivo del entrenamiento es configurar avatares en escenarios 3D para que reproduzcan aquellas actividades físicas que el usuario real no puede realizar o repetir a demanda por su condición física. La validación del enfoque propuesto se realizó en un laboratorio viviente mediante el uso de simulaciones 3D y luego con usuarios reales.
Referencias
Acampora, G., Cook, D., Rashidi, P., & Vasilakos, A. (2013). A Survey on Ambient Intelligence in Healthcare. Proceedings of the IEEE, 101(12), 2470-2494. doi:10.1109/JPROC.2013.2262913 DOI: https://doi.org/10.1109/JPROC.2013.2262913
Akenine-Moller, T. a. (2019). Real-time rendering. AK Peters/crc Press. DOI: https://doi.org/10.1201/9781315365459
Anind K, D. (2001). Understanding and using context. Personal and ubiquitous computing, 5(1), 4-7. DOI: https://doi.org/10.1007/s007790170019
Barton, J., & Vijayaraghavan, V. (2003). UBIWISE, a simulator for ubiquitous computing systems design. Hewlett-Packard Laboratories Palo Alto.
Bruijn, S., Meijer, O., van Dieen, J., Kingma, I., & Lamoth, C. (2008). Coordination of leg swing, thorax rotations, and pelvis rotations during gait: The organisation of total body angular momentum. Gait & Posture, 27(3), 455-462. doi:https://doi.org/10.1016/j.gaitpost.2007.05.017 DOI: https://doi.org/10.1016/j.gaitpost.2007.05.017
Bustoni, I. A. (2020). Classification methods performance on human activity recognition. Journal of Physics: Conference Series, 012027.
Campillo-Sánchez, P., & Gómez-Sanz, J. (2015). A framework for developing multi-agent systems in ambient intelligence scenarios. Proceedings of the 2015 International Conference on Autonomous Agents and Multiagent Systems (págs. 1949-1950). Istanbul, Turkey: ACM. doi:https://dl.acm.org/doi/proceedings/10.5555/2772879 DOI: https://doi.org/10.65109/KUTW9536
Cárdenas, M., Gómez Sanz, J., & Pavón, J. (2018). Testing Ambient Assisted Living Solutions with Simulations. IFIP International Conference on Testing Software and Systems (págs. 56-61). Springer. DOI: https://doi.org/10.1007/978-3-319-99927-2_5
Cugola, G., & Margara, A. (2012). Processing Flows of Information: From Data Stream to Complex Event Processing. ACM Comput. Surv., 44(3), 15:1-15:62. doi:10.1145/2187671.2187677 DOI: https://doi.org/10.1145/2187671.2187677
Eurostat. (08 de 10 de 2022). European statistics. Recuperado el 10 de 2022, de European statistics: https://ec.europa.eu/eurostat
Ferreira, P. J.-M. (2020). k NN Prototyping Schemes for Embedded Human Activity Recognition with Online Learning. Computers, MDPI, 96. DOI: https://doi.org/10.3390/computers9040096
Grasia, R. G. (2014). AIDE. Obtenido de http://grasia.fdi.ucm.es/aide/
Greenberg, S. (2001). Context as a dynamic construct. Human-Computer Interaction, 16(2), 257-268. DOI: https://doi.org/10.1207/S15327051HCI16234_09
Herr, H., & Popovic, M. (2008). Angular momentum in human walking. Journal of experimental biology, 211(4), 467-481. DOI: https://doi.org/10.1242/jeb.008573
Hodgins, J., & Pollard, N. (1997). Adapting simulated behaviors for new characters. Proceedings of the 24th annual conference on Computer graphics and interactive techniques (págs. 153-162). ACM Press/Addison-Wesley Publishing Co. DOI: https://doi.org/10.1145/258734.258822
Nardi, B. (1996). Studying context: A comparison of activity theory, situated action models, and distributed cognition. Context and consciousness: Activity theory and human-computer interaction, 69102.
Priyadarshini, I. S.-N. (2022). Human activity recognition in cyber-physical systems using optimized machine learning techniques. Cluster Computing, Springer, 1-17.
Rashidi, P., & Mihailidis, A. (2013). A survey on ambient-assisted living tools for older adults. IEEE journal of biomedical and health informatics, 17(3), 579-590. DOI: https://doi.org/10.1109/JBHI.2012.2234129
Safonova, A., Hodgins, J., & Pollard, N. (2004). Synthesizing physically realistic human motion in low-dimensional, behavior-specific spaces. ACM Transactions on Graphics (ToG). 23, págs. 514-521. ACM. DOI: https://doi.org/10.1145/1015706.1015754
Sanmugalingam, K., & Coulouris, G. (2002). A generic location event simulator. International Conference on Ubiquitous Computing, (págs. 308-315). DOI: https://doi.org/10.1007/3-540-45809-3_24
Shirehjini, N., Ali, A., & Klar, F. (2005). 3DSim: rapid prototyping ambient intelligence. Proceedings of the 2005 joint conference on Smart objects and ambient intelligence: innovative context-aware services: usages and technologies (págs. 303-307). ACM. DOI: https://doi.org/10.1145/1107548.1107621
Volonte, M. a.-C.-Y.-K. (2020). Effects of interacting with a crowd of emotional virtual humans on users’ affective and non-verbal behaviors. IEEE Conference on Virtual Reality and 3D User Interfaces (VR), 293-302. DOI: https://doi.org/10.1109/VR46266.2020.00049
Vrigkas, M., Nikou, C., & Kakadiaris, I. (2015). A review of human activity recognition methods. Frontiers in Robotics and AI, 2, 28. DOI: https://doi.org/10.3389/frobt.2015.00028
Zhou, F., Jiao, J., Chen, S., & Zhang, D. (2011). A Case-Driven Ambient Intelligence System for Elderly in-Home Assistance Applications. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 41(2), 179-189. doi:10.1109/TSMCC.2010.2052456 DOI: https://doi.org/10.1109/TSMCC.2010.2052456
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2022 Revista de la Asociación Interacción Persona Ordenador (AIPO)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
