Reconhecimento de atividades em casas inteligentes: uma abordagem não intrusiva explorando processamento semântico

(1)

Programa de P ós-Graduaç ão em Computaç ão

Dissertac¸ ˜ao

Reconhecimento de Atividades em Casas Inteligentes: Uma abordagem n ˜ao Intrusiva explorando Processamento Sem ˆantico

Eduardo Soares de Abreu

(2)

Reconhecimento de Atividades em Casas Inteligentes: Uma abordagem n ˜ao Intrusiva explorando Processamento Sem ˆantico

Dissertaç ão apresentada ao Programa de P ós-Graduaç ão em Computaç ão da Universi-dade Federal de Pelotas, como requisito par-cial à obtenç ão do t´ıtulo de Mestre em Ci ência da Computaç ão

Orientador: Prof. Dr. Adenauer Corr ˆea Yamin

Coorientador: Prof. Dr. Ana Marilza Pernas Fleischmann

(3)

A162r Abreu, Eduardo Soares de

AbrReconhecimento de atividades em casas inteligentes : uma abordagem não intrusiva explorando processamento semântico / Eduardo Soares de Abreu ; Adenauer Corrêa Yamin, orientador ; Ana Marilza Pernas Fleischmann, coorientadora. — Pelotas, 2017.

Abr88 f.

AbrDissertação (Mestrado) — Programa de Pós-Graduação em Computação, Centro de Desenvolvimento Tecnológico, Universidade Federal de Pelotas, 2017.

Abr1. Reconhecimento de atividades. 2. Processamento semântico. 3. Ontologia. 4. Ciência de contexto. I. Yamin, Adenauer Corrêa, orient. II. Fleischmann, Ana Marilza Pernas, coorient. III. Título.

CDD : 005 Elaborada por Maria Inez Figueiredo Figas Machado CRB: 10/1612

(4)

(5)

Agradeço à minha fam´ılia pelo apoio e de minha namorada Mirian por todo carinho, paci ência, incentivo. Sem voc ês eu n ão chegaria ao fim desta jornada.

Agradeço tamb ém ao meu orientador, Adenauer Corr êa Yamin, por todo apoio, paci ência e ensinamentos recebidos, permitindo completar este trabalho.

A minha coorientadora Ana Marilza Pernas Fleischmann, por todas as revis ˜oes, sugest ˜oes e ensinamentos.

A colega Andrea Gonzales, que me recebeu de brac¸os abertos, sendo uma grande amiga na hora dos estudos e dos trabalhos.

Ao Renato Dilli, pela sua ajuda incans ´avel em v ´arias etapas desse trabalho.

Aos colegas de laborat ório Patr´ıcia, Beto, Jeronimo e Rodrigo pela atenç ão e aux´ılio.

(6)

Mas trabalhando em outra coisa. — STEPHEN HAWKING

(7)

ABREU, Eduardo Soares de. Reconhecimento de Atividades em Casas Inteli-gentes: Uma abordagem n ão Intrusiva explorando Processamento Sem ântico. 2017. 88 f. Dissertaç ão (Mestrado em Ci ência da Computaç ão) – Programa de P ós-Graduaç ão em Computaç ão, Centro de Desenvolvimento Tecnol ógico, Universidade Federal de Pelotas, Pelotas, 2017.

Nos últimos anos, as t écnicas de Reconhecimento de Atividades t êm atra´ıdo atenç ão crescente. Entre as muitas aplicaç ões, um interesse especial est á no dom´ınio ub´ıquo da e-Health, onde o reconhecimento autom ático de atividades é usado em sis-temas de reabilitaç ão, gerenciamento de doenças cr ônicas, monitoramento de idosos, bem como em aplicaç ões de bem-estar pessoal.

Esse interesse tem tido como motivaç ão o envelhecimento da populaç ão. Este envelhecimento resulta em significativos desafios socioecon ômicos no setor da sa úde p ública, bem como na incid ência de doenças cr ônico-degenerativas, sendo a dem ência uma das mais preocupantes.

Uma alternativa que vem sendo amplamente proposta é a utilizaç ão de casas in-teligentes (ambiente assistido de viv ência), nos quais as resid ências das pessoas sob tratamento dever ão contemplar serviços computacionais que possam auxili á-las nas suas pr áticas di árias, de forma o mais transparente poss´ıvel.

Este trabalho tem como acr ônimo EXEHDA-AR (EXEHDA-Activity Recognition), e seu objetivo principal é contribuir com o Subsistema de Reconhecimento de Contexto e Adaptaç ão do middleware EXEHDA (Execution Environment for Highly Distributed Applications) capacitando-o para o atendimento das demandas do Reconhecimento de Atividades, explorando para isto uma abordagem baseada em Ci ência de Contexto. O EXEHDA-AR explora processamento sem ântico para prover Reconhecimento de Atividades em Casas Inteligentes, para tanto foram propostos componentes a serem integrados ao middleware EXEHDA, bem como um modelo ontol ógico. Os dados de contexto coletados s ão agrupados segundo o conceito de janela de tempo deslizante. Quando avaliado o EXEHDA-AR obteve uma acur ácia m édia de 94,36% no Re-conhecimento de Atividades. Estes resultados apontam que m étodos baseados em processamento sem ântico constituem uma alternativa vi ável para o Reconhecimento de Atividades com baixo n´ıvel de intrus ão, indicando a continuidade dos esforços de pesquisa.

Palavras-chave: Reconhecimento de Atividades, Processamento Sem ˆantico, Ontolo-gia, Ci ˆencia de Contexto.

(8)

ABREU, Eduardo Soares de. Recognition Activities in Smart Home: A Non-Intrusive Approach Exploring Semantic Processing. 2017. 88 f. Dissertaç ão (Mestrado em Ci ência da Computaç ão) – Programa de P ós-Graduaç ão em Computaç ão, Centro de Desenvolvimento Tecnol ógico, Universidade Federal de Pelotas, Pelotas, 2017.

In recent years, the techniques of Activity Recognition have attracted increasing at-tention. Among the many applications, special interest lies in the ubiquitous domain of e-Health, where automatic activity recognition is used in rehabilitation systems, chronic disease management, elderly monitoring, as well as in personal wellness applications. This interest has been motivated by the aging of the population. This aging re-sults in significant socioeconomic challenges in the public health sector, as well as in the incidence of chronic-degenerative diseases, with dementia being one of the most worrying.

An alternative that has been widely proposed is the use of intelligent houses (ambi-ent assisted living), in which the residences of people under treatm(ambi-ent should contem-plate computational services that can assist them in their daily practices, in the most transparent way possible.

This work has the acronym EXEHDA-AR (EXEHDA-Activity Recognition), and its main objective is to contribute with the Context Recognition and Adaptation Subsys-tem of the EXEHDA (Execution Environment for Highly Distributed Applications) mid-dleware, enabling it to meet the demands Of Activity Recognition, using a Context Awareness approach.

The EXEHDA-AR explores semantic processing to provide Activity Recognition in smart home, for which we have proposed components to be integrated with the EX-EHDA middleware as well as an ontological model. The collected context data are grouped according to the concept of time-sliding window.

When evaluated the EXEHDA-AR obtained an average accuracy of 94.36% in the Recognition of Activities. These results indicate that methods based on semantic pro-cessing constitute a viable alternative for the Recognition of Activities with low level of intrusion, indicating the continuity of research efforts.

(9)

Figura 1 Vis ão geral das diferentes camadas de interpretaç ão de contexto . 23

Figura 2 Exemplo da modelagem CML . . . 24

Figura 3 Vis ˜ao geral PalSPOT . . . 33

Figura 4 Vis ˜ao geral CONON . . . 34

Figura 5 Representaç ão das tr ês camadas . . . 38

Figura 6 Vis ˜ao das classes, relacionamentos e propriedade de dados da on-tologia . . . 39

Figura 7 Vis ˜ao geral do framework . . . 40

Figura 8 Piramide das ontologias utilizadas . . . 40

Figura 9 Vis ˜ao geral da arquitetura do sistema (OBAR) . . . 42

Figura 10 Ontologia de infraestrutura de contexto (OBAR) . . . 43

Figura 11 Linguagem natural regra varrer . . . 43

Figura 12 Regra da atividade varrer na linguagem da API JENA . . . 44

Figura 13 Relacionamento entre as diferentes camadas . . . 46

Figura 14 Um gr ´afico RDF descrevendo um sensor de contato de concreto . . 47

Figura 15 Fragmento da ontologia . . . 47

Figura 16 Ambiente Ub´ıquo gerenciado pelo EXEHDA . . . 49

Figura 17 Vis ˜ao geral da proposta do EXEHDA-AR . . . 50

Figura 18 Vis ˜ao geral da arquitetura do EXEHDA Servidor de Contexto expan-dido . . . 51

Figura 19 Representac¸ ˜ao de janela de tempo deslizante . . . 53

Figura 20 Vis ˜ao geral do M ´odulo de Processamento do EXEHDA-AR . . . 54

Figura 21 Vis ˜ao geral da ontologia concebida . . . 55

Figura 22 Classes e atributos da ontologia proposta . . . 56

Figura 23 Concepc¸ ˜ao de regras para o EXEHDA-AR . . . 56

Figura 24 Inst ˆancia criada quando uma atividade ´e reconhecida . . . 57

Figura 25 Servidor de Borda . . . 62

Figura 26 Comparac¸ ˜ao entre datasets produzidos por casas inteligentes . . . 64

Figura 27 Distribuic¸ ˜ao dos sensores casa Aruba . . . 65

Figura 28 Distribuic¸ ˜ao dos sensores casa Aruba . . . 65

Figura 29 Vis ˜ao da casa Aruba em 3D . . . 66

Figura 30 Destacando o sensores do quarto de Dormir . . . 67

Figura 31 Regra Dormir SWRL . . . 67

Figura 32 Consulta SPARQL para ativididade Dormir . . . 68

(10)

Figura 36 Consulta SPARQL da atividade Cama para Banheiro . . . 70

Figura 37 Resultado da consulta SPARQL da atividade Cama para Banheiro . 70 Figura 38 Sensores de interesse Entrando em Casa . . . 71

Figura 39 Regra da atividade Entrando em Casa . . . 71

Figura 40 Consulta SPARQL da atividade Entrando em Casa . . . 72

Figura 41 Resultado da consulta SPARQL da atividade Entrando em Casa . . 72

Figura 42 Regra Saindo de Casa SWRL . . . 73

Figura 43 Consulta SPARQL da atividade Sair de Casa . . . 73

Figura 44 Resultado da consulta SPARQL da atividade Sair de Casa . . . 73

Figura 45 Sensores do Escrit ´orio . . . 74

Figura 46 Regra Trabalhando no Escrit ´orio em SWRL . . . 74

Figura 47 Consulta SPARQL atividade Trabalhando no Escrit ´orio. . . 75

Figura 48 Resultado da consulta SPARQL atividade Trabalhando no Escrit ´orio 75 Figura 49 Matriz de confus ˜ao . . . 76

Figura 50 Vis ˜ao geral do m ´etodo . . . 76

(11)

Tabela 1 Comparaç ões entre os tr ês tipos de modelagem . . . 30 Tabela 2 Comparaç ão dos Trabalhos Relacionados . . . 60

(12)

AAL Ambient Assisted Living

AALISABETH Ambient-Aware LIfeStyle tutor, Aiming BETter Health ADL Activity Daily Live

API Application Programming Interface CEP Complex Event Processing

CML Context Modelling Language CONON CONtext ONtology

CRF Conditional Random Field

DB Data Base

EXEHDA Execution Environment for Highly Distributed Applications EXEHDA-AR EXEHDA – AR Activity Recognition

GPS Global Positioning System HMM Hidden Markov Model LoT Lab of Things

LUPS Laboratory of Ubiquitous and Parallel Systems

NB Network Bayesian

OBAR Ontology Based Activity Recognition OntSit Ontology Situation

ORM Object-Role Modeling OWL Web Ontology Language

PiVOn Pervasive Information Visualization Ontology RFID Radio-Frequency IDentification

(13)

SPARQL SPARQL Protocol and RDF Query Language SWRL Semantic Web Rule Language

(14)

1 INTRODUC¸ ˜AO . . . . 15

1.1 Motivac¸ ˜ao e Objetivos . . . 16

1.2 Estrutura do Texto . . . . 18

2 FUNDAMENTOS CONCEITUAIS . . . . 19

2.1 Ci ˆencia de Contexto na UbiComp . . . . 19

2.1.1 Principais Conceitos . . . 20

2.1.2 Modelagem de Contexto . . . 23

2.2 Reconhecimento de Atividades . . . . 30

2.3 M ´etodos Baseados em Aprendizagem . . . . 31

2.4 Ontologia para Reconhecimento de Atividades . . . 32

2.5 Considerac¸ ˜oes sobre o Cap´ıtulo . . . . 35

3 TRABALHOS RELACIONADOS . . . . 37

3.1 A Context-Aware System Infrastructure for Monitoring . . . . 37

3.2 AAL Domain Ontology for Event-based Human Activity Recognition . 39 3.3 Activity Recognition using Context-Aware Infrastructure Ontology in Smart Home Domain . . . . 41

3.4 Semantic Smart Homes: Towards Knowledge Rich Assisted Living Environments . . . 44

4 EXEHDA-AR: ARQUITETURA E FUNCIONALIDADES . . . . 48

4.1 EXEHDA-AR: Vis ˜ao Geral da Proposta . . . . 48

4.2 Servidor de Contexto do EXEHDA na vis ˜ao EXEHDA-AR . . . . 50

4.2.1 M ódulo de Aquisiç ão no EXEHDA-AR . . . 52

4.2.2 M ´odulo de Processamento no EXEHDA-AR . . . 53

4.2.3 EXEHDA-AR: Servidor de Borda . . . 57

4.3 Discuss ˜ao dos Trabalhos Relacionados . . . . 59

5 ESTUDO DE CASO . . . . 63

5.1 Datasets Considerados . . . . 63

5.2 Avaliaç ão de Acur ácia no EXEHDA-AR . . . 76

(15)

6.2 Publicaç ões Realizadas . . . 80 6.3 Trabalhos Futuros . . . . 80 REFER ÊNCIAS . . . . 82

(16)

A populaç ão mundial est á passando por um processo no qual a sua idade m édia est á aumentando. Estima-se que at é o ano de 2030 o Brasil, que é considerado at é ent ão estando em uma faixa et ária adulta, passar á para terceira idade rapidamente, devido a reduç ão das taxas de natalidade e ao aumento da expectativa de vida (MA-RIN; PANES, 2015).

Essa transiç ão para um perfil mais envelhecido resulta em significativos desafios socioecon ômicos no setor da sa úde p ública, bem como na incid ência de doenças cr ônico-degenerativas, sendo a dem ência uma das mais preocupantes.

Uma alternativa que vem sendo amplamente proposta é a utilizaç ão de Casas Inteligentes (ambientes assistidos de viv ência), nos quais as resid ências das pessoas sob tratamento dever ão ter serviços computacionais que possam auxili á-las nas suas pr áticas di árias, de forma mais transparente poss´ıvel.

A perspectiva é integrar a tecnologia ao cotidiano do usu ário, de modo que seja exigido o menor envolvimento poss´ıvel no gerenciamento da infraestrutura computa-cional utilizada, caracterizando assim uma infraestrutura computacomputa-cional de natureza ub´ıqua (LOPES et al., 2014). Este aspecto ganha significado em se tratando de usu ários de uma Casa Inteligente.

As Casas Inteligentes consideram as caracter´ısticas do usu ário determinadas pe-las necessidades, prefer ências, ou limitaç ões de forma a proporcionarem respostas personalizadas e adequadas no espaço e no tempo para auxiliar as pessoas na realizaç ão de atividades di árias (R ÖCKER; ZIEFLE; HOLZINGER, 2014).

Um dos desafios para coleta de informaç ões contextuais em Casas Inteligentes est á relacionado com a heterogeneidade decorrente da diversidade de tecnologias de hardware e software presentes neste ambiente. Esta heterogeneidade exige soluç ões que permitam a interoperabilidade dos v ários componentes presentes no ambiente. Uma alternativa promissora para tratar a heterogeneidade é a utilizaç ão de platafor-mas de middleware (YURUR; LIU; MORENO, 2014).

Este trabalho tem como acr ônimo EXEHDA-AR (EXEHDA – AR Activity Recogni-tion), e contribui com oSubsistema de Reconhecimento de Contexto e Adaptaç ão

(17)

do middleware EXEHDA (Execution Environment for Highly Distributed Applications) contemplando uma abordagem que capacite-o para o atendimento das demandas do Reconhecimento de Atividades em Casas Inteligentes, explorando para tanto meto-dologias de Ci ˆencia de Contexto.

1.1 Motivac¸ ˜ao e Objetivos

Considerando as v árias naturezas das atividades desempenhadas pelo ser hu-mano, bem como os diferentes n´ıveis de complexidade das mesmas, o Reco-nhecimento de Atividades imp õe muitos desafios, entre eles, o processamento de informaç ões oriundas de diversos sensores localizados em ambientes dispersos. Ape-sar destes desafios, o fato das tecnologias de sensoriamento estarem em constante avanço e com custos cada vez menores, tem motivado diversas pesquisas por parte da comunidade da Computaç ão Ub´ıqua (UbiComp) (DAWADI; COOK; SCHMITTER-EDGECOMBE, 2015).

O foco doReconhecimento de Atividades consiste, portanto, em identificar ativi-dades de seres humanos em situaç ões reais, interpretadas a partir dos dados coleta-dos por sensores. Estes sensores podem estar presentes em objetos carregacoleta-dos pelo usu ário ou, ent ão, incorporados ao ambiente em que o mesmo interage (PERERA et al., 2015).

O reconhecimento e controle de atividades em ambientes instrumentados por sen-sores e atuadores, auxiliam na resoluç ão de diversos problemas do dia a dia, como por exemplo, o acompanhamento de pessoas idosas (OSMANI; BALASUBRAMANIAM; BOTVICH, 2008), dom ótica (SINGLA; COOK; SCHMITTER-EDGECOMBE, 2010), efici ência energ ética (LAI et al., 2012), entre outros. Deste modo, com a evoluç ão dos ambientes inteligentes e com o emprego de m étodos adequados, o Reconheci-mento de Atividades vem gradualmente se consolidando em diferentes áreas, o que pode ser identificado pela revis ão de literatura realizada.

A partir do Reconhecimento de Atividades nesses ambientes instrumentados, é poss´ıvel fornecer informaç ões relevantes para os envolvidos: pacientes e cuidadores. Um indiv´ıduo acometido de uma doença degenerativa, como o Alzheimer, que precisa de cuidados constantes, encontrar á em uma Casa Inteligente a possibilidade de ter uma vida mais confort ável atrav és do reconhecimento de suas atividades. Este reco-nhecimento ir á dar ao paciente maior autonomia, alertando o mesmo e seus cuidado-res sobre poss´ıveis riscos à sua integridade f´ısica. O Reconhecimento de Atividades al ém da produç ão de alertas, atrav és de registros, permitir á um acompanhamento hist órico das atividades do paciente.

Esta dissertaç ão contempla um aspecto que n ão havia sido trabalhado no grupo de pesquisa Laboratory of Ubiquitous and Parallel Systems (LUPS) at é momento,

(18)

estando alinhada com a área de identificaç ão computacional das atividades huma-nas (KIM; HELAL; COOK, 2010). A premissa perseguida foi de dotar o middleware EXEHDA de recursos arquiteturais que permitam seu emprego nesta área.

A exploraç ão do potencial de middleware para reconhecimento n ão intrusivo de ati-vidades em intervalos de tempo pr óximos ao momento em que as rotinas est ão sendo observadas é uma situaç ão pouco encontrada na literatura da área (AMIRIBESHELI; BENMANSOUR; BOUCHACHIA, 2015).

Considerando isto, esta pesquisa tem como objetivo geral dotar o middleware EXEHDA de suporte para o Reconhecimento de Atividades. O esforço de pesquisa ter á como acr ônimo EXEHDA-AR (EXEHDA-Activity Recognition).

Considerando o objetivo geral, identifica-se como objetivos espec´ıficos:

• organizar fundamentos te óricos sobre Reconhecimento de Atividades, caracteri-zando as t écnicas relacionadas a área;

• sistematizar trabalhos relacionados ao Reconhecimento de Atividades, cons-truindo o estado da arte nesta frente pesquisa;

• conceber uma arquitetura denominada EXEHDA-AR, a ser integrada ao Sub-Sistema de Reconhecimento de Contexto e Adaptaç ão do EXEHDA, que viabi-lize Reconhecimento de Atividades em janelas de tempos personaliz áveis por cen ário de uso;

• divulgar ante a comunidade cient´ıfica os resultados atingidos pela pesquisa atrav és de publicaç ões em eventos e/ou peri ódicos especializados da área. A concepç ão do EXEHDA-AR tamb ém compreender á o estudo e a pesquisa de diversos conceitos relacionados a Ci ência de Contexto na UbiComp, o qual ir á consi-derar no seu desenvolvimento os seguintes aspectos:

(i) garantir que o EXEHDA-AR tenha compatibilidade com os recursos de processa-mento sem ˆantico previstos no trabalho (DAVET et al., 2015);

(ii) oferecer para os usu ários um framework que facilite a associaç ão de regras de infer ência às diferentes informaç ões contextuais oriundas de sensores;

(iii) dar continuidade aos esforços de dotar o EXEHDA de um padr ão de mercado di-recionado a interoperabilidade. Este padr ão seria utilizado tanto entre os serviços distribu´ıdos, como para comunicaç ão com outros middleware;

(iv) atender as demandas operacionais do EXEHDA, enquanto middleware para Ubi-Comp.

(19)

Assim sendo, esta dissertaç ão promove o Reconhecimento de Atividades em Ca-sas Inteligentes, por meio de sensores n ão intrusivos, e considerou a experi ência do grupo de pesquisa LUPS na concepç ão abordagens para provimento de soluç ões vol-tadas à Ci ência de Contexto.

1.2 Estrutura do Texto

O texto é composto por seis(6) cap´ıtulos. No cap´ıtulo 1 s ão apresentados o tema, motivaç ão e objetivos que caracterizam a proposta desta dissertaç ão de mestrado. T ópicos referentes as áreas de interesse como a Computaç ão Ub´ıqua, Ci ência de Contexto e Reconhecimento de Atividades s ão revisados no Cap´ıtulo 2, bem como as principais vertentes e modelos.

Com o intuito de caracterizar o estado da arte, o Cap´ıtulo 3 descreve e analisa alguns trabalhos relacionados. Uma vis ão geral e os principais aspectos quanto a concepç ão e modelagem do EXEHDA-AR, bem como uma discuss ão dos trabalhos relacionados em relaç ão as estrat égias concebidas s ão apresentados no Cap´ıtulo 4. Um estudo de caso empregando uma Casa Inteligente é discutido no Cap´ıtulo 5. Por fim o Cap´ıtulo 6 apresenta as principais consideraç ões, publicaç ões realizadas e tra-balhos futuros.

(20)

Neste cap´ıtulo s ão sistematizados conceitos entendidos como importantes du-rante a revis ão de literatura em relaç ão ao tema proposto, e que constituem a fundamentaç ão te órica desta dissertaç ão de mestrado. Na primeira seç ão é tratado o uso a Ci ência de Contexto na UbiComp e os seus principais conceitos. Por sua vez, o Reconhecimento de Atividades é contemplado na segunda seç ão, sendo revi-sadas as principais t écnicas empregadas: tanto aquelas que exploram aprendizagem de m áquina, como aquelas que utilizam t écnicas baseadas em especificaç ão, particu-larmente processamento sem ântico.

2.1 Ci ˆencia de Contexto na UbiComp

A Computaç ão Ub´ıqua prop õe uma interaç ão entre o usu ário e os recursos computacionais de forma natural, a qual requer o m´ınimo de intervenç ão humana e acontece de forma aut ônoma, interativa e relevante. Este cen ário, possibilita que os usu ários realizem suas atividades livremente, sem que haja preocupaç ão em dar suporte à tecnologia, caracterizando o conceito de tecnologia calma (Calm Techno-logy) (KRUMM, 2016).

Um dos preceitos da UbiComp é que os dispositivos devem se adaptar ao cotidiano dos indiv´ıduos e em harmonia com outros objetos presentes. Considerando a escala de recursos desses ambientes, a premissa é automatizar a coleta de informaç ões contextuais, reagindo a poss´ıvel ocorr ência de situaç ões. Nesse sentido, a Ci ência de Contexto constitui um dos principais desafios de pesquisa na UbiComp (KRUMM, 2016).

Esse ambiente visualizado na cl ássica publicaç ão de (WEISER, 1991), assume que (i) é necess ário existir um ambiente computacional invis´ıvel e transparente, com m étodos intuitivos para que o usu ário possa interagir com a computaç ão sem precisar de conhecimento especifico da área; (ii) o ambiente deve identificar quem est á inserido neste, e assim propor recursos para atend ê-lo de forma personalizada.

(21)

et al., 2013), (YE; STEVENSON; DOBSON, 2015) entre outros, como possibilitador de novos horizontes de pesquisa para o Reconhecimento de Atividades, pela infraestru-tura computacional oferecida pela UbiComp que combina conjuntos heterog êneos de dispositivos computacionais, como microcomputadores, smartphones e combinaç ões de sensores e atuadores, que monitoram e disparam aç ões sobre um determinado ambiente.

Na perspectiva da UbiComp as atividades cotidianas vem gerando um crescente volume de dados contextuais. A utilizaç ão deste grande volume pode propiciar o de-senvolvimento de novas aplicaç ões que exploram a Ci ência de Contexto para o Re-conhecimento de Atividades em ambiente ub´ıquos (AMIRIBESHELI; BENMANSOUR; BOUCHACHIA, 2015).

Nesse sentido, a revis ão das t écnicas de reconhecimento pode ser divida em duas principais vertentes: (i) Baseada em Aprendizagem de M áquina e (ii) Baseada na Modelagem L ógica e Racioc´ınio. Ambas as vertentes tem preocupaç ões relacionadas ao tratamento do contexto.

2.1.1 Principais Conceitos

AComputaç ão Ciente de Contexto refere-se a capacidade que um sistema com-putacional tem de perceber as caracter´ısticas do meio ambiente que sejam de seu interesse, podendo utiliz á-las para tomar decis ões.

As aplicaç ões Cientes de Contexto precisam monitorar e adaptar-se constante-mente ao ambiente, compreendendo o contexto que est ão inseridas. Essas aplicaç ões trazem uma nova perspectiva para o desenvolvimento de sistemas mais ricos, que ex-ploram a natureza din âmica das modernas infraestruturas computacionais e da mobi-lidade dos usu ários.

Uma definiç ão cl ássica para contexto é a de (DEY and ABOWD,2001), que defi-nem contexto como qualquer informaç ão que caracteriza a situaç ão de uma entidade, sendo que uma entidade pode ser uma pessoa, um lugar ou um objeto considerado relevante para interaç ão entre usu ário e uma aplicaç ão, incluindo o pr óprio usu ário e a aplicaç ão.

Para (ZIMMERMANN; LORENZ; OPPERMANN, 2007), qualquer informaç ão que descreve contexto de uma entidade se enquadra em uma das cinco categorias de informaç ões de contexto a seguir:

• Individualidade: est á relacionada com as propriedades e atributos que descre-vem a pr ópria entidade. Esta informaç ão compreende qualquer coisa que pode ser observada sobre uma entidade, normalmente, o seu estado.

• Atividade: abrange todas as tarefas nas quais a entidade est á envolvida atu-almente ou estar á no futuro, e responde à pergunta: ”O que a entidade quer

(22)

alcanc¸ar e como?”.

• Localizaç ão: descreve modelos de localizaç ão f´ısica ou virtual de uma entidade, bem como outras informaç ões espaciais como velocidade e orientaç ão.

• Tempo: engloba informaç ões sobre o tempo como fuso hor ário, tempo atual ou qualquer tempo virtual. É considerado um aspecto vital para a classificaç ão do contexto, pois a maioria das informaç ões é relacionada com a dimens ão tempo-ral.

• Relaç ões: esta categoria de informaç ões de contexto capta as relaç ões que uma entidade pode estabelecer com outras entidades. Potencialmente, uma en-tidade pode estabelecer qualquer n úmero de relaç ões diferentes com a mesma entidade. Al ém disso, as relaç ões n ão s ão necessariamente est áticas, elas po-dem surgir e desaparecer dinamicamente.

Na vis ão de (VIEIRA; TEDESCO; SALGADO, 2009) sobre a definiç ão de contexto, é feita uma distinç ão entre dois conceitos: (i) o elemento contextual que representa qualquer dado, informaç ão ou conhecimento que possibilite caracterizar uma entidade em um dom´ınio; e (ii) o contexto da interaç ão entre um agente (humano ou de soft-ware) e uma aplicaç ão, na realizaç ão de uma atividade, que corresponde ao conjunto de elementos contextuais instanciados que s ão necess ários para apoiar a atividade atual. O elemento contextual é um tipo de informaç ão est ável que pode ser definido em tempo de projeto. O contexto é din âmico e depende da atividade atual do agente, devendo ser definido em tempo de execuç ão, em que ocorre a interaç ão (VIEIRA; TEDESCO; SALGADO, 2009).

Para (XU et al., 2012) contexto é todo o conhecimento, mesmo que impl´ıcito, acerca de uma entidade em um dom´ınio, que possibilite particularizar uma situaç ão. Esta que poder á influenciar ou ativar um comportamento, seja de um agente ou de uma aplicaç ão, durante a interaç ão entre o agente e a aplicaç ão na execuç ão de uma atividade. Entende-se ”situaç ão” como uma condiç ão especial, interessante para uma aplicaç ão, que merece resposta desta aplicaç ão em tempo de execuç ão.

In úmeros desafios s ão apresentados por (VENECIAN et al., 2010), para as aplicaç ões cientes de contexto. S ão eles:

(i) a caracterizac¸ ˜ao dos elementos de contexto;

(ii) a aquisiç ão do contexto a partir de fontes heterog êneas, tais como sensores f´ısicos, base de dados, agentes e aplicaç ões;

(iii) a representaç ão de um modelo sem ântico formal de contexto;

(23)

(v) a disseminac¸ ˜ao do contexto a entidades interessadas de forma distribu´ıda e no momento oportuno;

(vi) o tratamento da qualidade da informac¸ ˜ao contextual.

2.1.1.1 Classificaç ões de Informaç ões Contextuais

O contexto em algumas situaç ões pode ser relativamente est ável e previs´ıvel, mas na maioria dos casos a sua complexidade aumenta devido a dificuldade que o pro-jetista de aplicaç ões cientes de contexto t êm de enumerar o conjunto de todos os estados contextuais que podem existir, bem como definir quais aç ões devem ser exe-cutadas para diferentes estados.

A literatura prop õe algumas classificaç ões para informaç ões contextuais. Essas informaç ões s ão fornecidas por meio de sensores f´ısicos, chamados de contextos de baixos n´ıvel, as quais s ão adquiridas sem qualquer interpretaç ão adicional, tornando-as inexpressivtornando-as ou vulner áveis e pequentornando-as mudançtornando-as podem gerar incerteztornando-as (YE et al., 2007).

O contexto de baixo n´ıvel possui limitaç ões para modelar interaç ões e comporta-mentos humanos, assim reduzindo as utilidades de aplicaç ões sens´ıveis de contexto. O contexto de alto n´ıvel se mostra uma alternativa para contornar esse problema. O mesmo utiliza a derivaç ão de informaç ão a partir dos valores n ão processados dos sensores, a qual é conhecida como racioc´ınio de contexto. Este racioc´ınio consiste na abstraç ão do contexto de baixo n´ıvel ao criar uma nova camada que recebe as percepç ões dos sensores. Essas percepç ões geram o que se chama de situaç ão que pode ser definida como um conjunto de caracter´ısticas de contexto que s ão invari áveis em um determinado intervalo de tempo (WEISSENBERG; GARTMANN; VOISARD, 2006).

As situaç ões s ão geradas pelas interpretaç ões sem ânticas de baixo n´ıvel, quando a ocorr ência de eventos causadores de mudanças, geram a necessidade da adaptaç ão dos sistemas sens´ıveis ao contexto aonde essas alteraç ões de estado caracterizam em situaç ões. Uma mudança do valor de contexto que produz um evento pode disparar adaptaç ão se a atualizaç ão do contexto gerar uma mudança de situaç ão (YE; STEVENSON; DOBSON, 2015).

Pode-se representar as diferentes camadas de interpretaç ão de contexto por meio de uma pir âmide como ilustra a Figura 1.

Com a interpretaç ão do contexto torna-se poss´ıvel model á-lo de uma forma mais eficiente.

(24)

Figura 1: Vis ão geral das diferentes camadas de interpretaç ão de contexto. Fonte: adaptada de (YE; STEVENSON; DOBSON, 2015).

2.1.2 Modelagem de Contexto

A definiç ão do contexto possibilita a especificaç ão do dom´ınio do problema que est á sendo tratado. Por ém, definir contexto pode n ão ser suficiente para viabilizar o processamento computacional dos dados contextuais. Assim, a modelagem do con-texto visa representar o mesmo em um formato que seja process ável por m áquina (PERERA et al., 2014).

A modelagem do contexto pode contemplar diversos aspectos que s ão considera-dos no processo de construç ão de software, tais como: facilidade de desenvolvimento, manutenç ão e evoluç ão das aplicaç ões, separaç ão entre c ódigo e modelo, reuso e compartilhamento.

Bettini aborda tr ˆes formas de modelar contexto: Baseada em Fatos, Espacial e Baseada em Ontologia (BETTINI et al., 2010).

2.1.2.1 Modelagem Baseada em Fatos

Abordagem de modelagem baseada em fatos foi inicialmente desenvolvida a partir da tentativa de criar modelos formais de contextos, a fim de suportar o processamento de consultas e racioc´ınio, assim como prover construç ões de modelagem adequadas para a sua utilizaç ão em etapas da Engenharia de Software, como, an álise e pro-jeto (BETTINI et al., 2010).

Tais abordagens de modelagem possuem seus fundamentos baseados em t ´ecnicas de modelagem de banco de dados.

Uma das abordagens mais populares consiste na Context Modelling Language (CML), que foi definida primeiramente em (HENRICKSEN; INDULSKA; RAKOTO-NIRAINY, 2002) e, ent ˜ao, refinada em trabalhos posteriores (HENRICKSEN; IN-DULSKA, 2004) e (HENRICKSEN; ININ-DULSKA, 2006). Tal abordagem ´e baseada

(25)

em Object-Role Modeling (ORM) (HALPIN, 2001), que foi desenvolvida para modela-gem conceitual de banco de dados.

A CML captura a heterogeneidade das fontes de informaç ões de contexto, hist órico de informaç ões contextuais e, ainda, prov ê um mapeamento claro dos conceitos do mundo real para estruturas de modelagem.

Al ém disso, tal linguagem fornece um bom balanceamento entre capacidade de express ão e efici ência dos procedimentos de racioc´ınio. Entretanto, a modelagem baseada em fatos atrav és da CML apresenta uma falta de suporte a descriç ões hier árquicas de contexto. A Figura 2 apresenta um exemplo de modelagem de con-texto utilizando-se CML.

Figura 2: Exemplo da modelagem CML. Fonte: (BETTINI et al., 2010).

2.1.2.2 Modelagem Espacial

Informaç ão espacial desempenha um importante papel em aplicaç ões sens´ıveis de contexto. Consequentemente, grande parte das definiç ões de contexto citam o espaço como uma propriedade vital. Por exemplo, conforme (DEY, 2001), espaço consiste em

(26)

um aspecto central das entidades: ”Uma entidade é uma pessoa, lugar ou objeto que é considerado relevante na interaç ão entre um usu ário e uma aplicaç ão, incluindo-se o usu ário e a aplicaç ão”.

Desta forma, lugares s ão entidades espaciais e, ainda, a interaç ão entre entidades, geralmente, envolve uma determinada proximidade. Portanto, algumas abordagens de modelagem de contexto priorizam fatores espaciais e temporais.

Modelos espaciais permitem racioc´ınio e interpretaç ão sobre a localizaç ão e rela-cionamentos espaciais entre objetos. Tais relarela-cionamentos compreendem a inclus ão de objetos em determinada área e a dist ância entre objetos.

Conforme (BECKER; D ÜRR, 2005), existem tr ês classes de consultas t´ıpicas que podem ser realizadas sobre informaç ões espaciais:

(i) posiç ão: retorna a posiç ão de um objeto;

(ii) alcance: retorna os objetos que est ˜ao localizados em uma determinada ´area de alcance;

(iii) vizinho mais pr óximo: retorna uma lista de um ou mais objetos que est ão pr óximos à posiç ão de um objeto.

Grande parte dos modelos espaciais s ão modelos baseados em fatos (seç ão 2.1.2.1) que organizam sua informaç ão contextual atrav és da localizaç ão f´ısica. Tal localizaç ão pode ser pr é-definida (se as entidades s ão est áticas), ou pode ser obtida a partir de sistemas de posicionamento que localizam objetos m óveis e reportam suas posiç ões para um sistema de gerenciamento de localizaç ões. Basicamente, duas categorias de sistemas de coordenadas s ão suportadas por tais sistemas de posicio-namento:

• Coordenadas geom étricas: representam pontos ou áreas em um espaço m étrico, como as coordenadas de Global Positioning System (GPS) (latitude, longitude e elevaç ão acima do n´ıvel do mar). Ao utilizar funç ões geom étricas, é poss´ıvel a execuç ão de consultas relacionadas a localizaç ão de objetos, como, dist ância entre objetos.

• Coordenadas simb ólicas: s ão representadas por um identificador, como, por exemplo, o n úmero de uma sala ou ID de um access point. Em contraste com as coordenadas geom étricas, coordenadas simb ólicas n ão oferecem relaç ões es-paciais. A fim de permitir interpretaç ão espacial, como, dist ância entre objetos, deve-se prover informaç ões expl´ıcitas sobre as relaç ões espaciais entre pares de coordenadas simb ólicas.

(27)

Modelos geom étricos e geogr áficos de localizaç ão oferecem um mapeamento simples entre dados e posiç ões, enquanto modelos simb ólicos e relacionais de localizaç ão s ão mais f áceis para a construç ão e representaç ão de uma percepç ão simples do espaço (atrav és de relacionamentos, como, parte-de e localizado-pr óximo). Tal escolha, determina como a informaç ão contextual deve ser gerenciada (atrav és de um banco de dados espacial, por exemplo), quais os m étodos de racioc´ınio e interpretaç ão s ão disponibilizados, assim como as classes de consultas que po-dem ser utilizadas (BETTINI et al., 2010). Por ém, deve-se priorizar, cuidadosamente, as informaç ões espaciais relevantes, a fim de priorizar a efici ência do processo de racioc´ınio e interpretaç ão atrav és da reduç ão do tamanho da base de conheci-mento (NICKLAS et al., 2008).

2.1.2.3 Modelagem Baseada em Ontologia

Visto que contexto pode ser considerado um tipo espec´ıfico de conhecimento, é natural investigar se existe algum framework apropriado para representaç ão de co-nhecimento e racioc´ınio para a manipulaç ão de contexto (BETTINI et al., 2010).

O contraste entre a capacidade de express ão e complexidade de racioc´ınio tem motivado grande parte das pesquisas em modelos simb ólicos de representaç ão do conhecimento (BAADER, 2003).

Segundo (BETTINI et al., 2010) as ontologias consistem, essencialmente, em descriç ões de conceitos e seus relacionamentos, modelos contextuais baseados em ontologias exploram o poder de representaç ão e racioc´ınio por diversos motivos:

(i) a expressividade de linguagens, como Web Ontology Language (OWL) (HOR-ROCKS; PATEL-SCHNEIDER; VAN HARMELEN, 2003), ´e utilizada para descre-ver dados contextuais complexos que n ˜ao podem ser representados, por exemplo, por linguagens mais simples como CC/PP (KLYNE, 2001);

(ii) possibilidade de compartilhar e/ou integrar informaç ões contextuais entre diferen-tes fondiferen-tes, devido ao formalismo sem ântico fornecido aos dados contextuais; (iii) as ferramentas de racioc´ınio dispon´ıveis podem ser utilizadas, tanto para a

verificaç ão de consist ência de um conjunto de relacionamentos que descrevem um cen ário, quanto para reconhecer que um conjunto particular de inst âncias de dados contextuais e seus relacionamentos revelam a presença de uma caracterizaç ão de contexto mais abstrata (por exemplo, a atividade do usu ário pode ser automaticamente reconhecida).

Tipicamente, o formalismo escolhido para modelagem contextual baseada em on-tologia ´e a OWL-DL (HORROCKS; PATEL-SCHNEIDER; VAN HARMELEN, 2003) ou

(28)

algumas de suas variaç ões, visto que essa est á se tornando um padr ão entre di-versos dom´ınios de aplicaç ões, al ém de ser suportada por didi-versos serviços de ra-cioc´ınio (BETTINI et al., 2010).

Atrav és da OWL-DL é poss´ıvel a modelagem de um dom´ınio espec´ıfico ao definir classes, indiv´ıduos, caracter´ısticas de indiv´ıduos (datatype properties) e relaç ões en-tre indiv´ıduos (object properties). Descriç ões complexas de classes e propriedades podem ser constru´ıdas atrav és da composiç ão de descriç ões elementares utilizando-se os operadores fornecidos pela linguagem.

Al ém do poder representativo de ontologias, uma vantagem adicional consiste no suporte a procedimentos de racioc´ınio. Desta forma, atrav és do conhecimento j á re-presentado, é poss´ıvel:

• Derivar novo conhecimento sobre o contexto atual automaticamente. O ra-cioc´ınio ontol ógico pode ser executado atrav és da infer ência de nova informaç ão contextual baseada nas classes e propriedades definidas, e nos objetos prove-nientes de sensores e outras fontes de contexto. Por exemplo, é poss´ıvel derivar o conjunto de objetos que s ão relacionados a um determinado objeto atrav és de uma propriedade particular (tal como, o conjunto de atividades que ocorrem em um lugar espec´ıfico);

• Detectar poss´ıveis inconsist ências presentes na informaç ão contextual. Assim, a verificaç ão autom ática de consist ência pode ser executada a fim de capturar poss´ıveis inconsist ências na definiç ão de classes e propriedades da ontologia (por exemplo, uma classe sendo subclasse de duas classes disjuntas), ou na sua populaç ão (por exemplo, uma pessoa estar presente em diferentes lugares simultaneamente).

Al ém de prover um formalismo para representaç ão de dados contextuais comple-xos, ontologias tamb ém desempenham um importante papel no compartilhamento de conhecimento, visto que estas prov êm uma especificaç ão formal da informaç ão con-textual.

Tal caracter´ıstica é importante para ambientes m óveis e ub´ıquos, pois diferentes entidades heterog êneas e distribu´ıdas interagem a fim de oferecer/trocar informaç ão dos contextos dos usu ários. Consequentemente, diversas ontologias descritas em OWL t êm sido propostas para representar descriç ões de dados contextuais.

Entre os esforc¸os mais destacados, pode-se citar as ontologias propostas para mo-delagem de contexto reconhecimento de atividades a PalSPOT (RIBONI et al., 2011), e DomoML (RATHNAYAKA; POTDAR; KURUPPU, 2011), proposta para modelagem em ambientes de Casa Inteligente.

(29)

2.1.2.4 Comparac¸ ˜oes entre Modelagem Baseada em Fatos, Espacial e Baseada em Ontologia

A fim de explicitar as diferenças entre os tr ês modelos analisados para modelagem de contexto, foi criada uma tabela onde apresenta um comparativo entre os tr ês mo-delos citados anteriormente com base nos requisitos que ser ão descritos de acordo com (BETTINI et al., 2010):

• Mobilidade: muitas aplicaç ões sens´ıveis ao contexto s ão m óveis (por exem-plo, executadas em dispositivos m óveis) ou dependem de fontes m óveis para o fornecimento de informaç ões contextuais (por exemplo, sensores m óveis). Con-sequentemente, isso acrescenta problemas à heterogeneidade, visto que o for-necimento de informaç ões contextuais deve ser adapt ável à mudança ambiental. Al ém disso, a localizaç ão e o car áter espacial das informaç ões capturadas de-sempenham um importante papel devido a esse requisito;

• Relacionamentos e depend ências: existem diversos tipos de relaç ões entre informaç ões de contextos que devem ser capturados, a fim de garantir o compor-tamento correto das aplicaç ões. Um desses relacionamentos é a depend ência que pode existir entre informaç ões contextuais de entidades/fatos. Por exemplo, uma mudança no valor de uma propriedade (como, largura de banda) pode afetar os valores de outras propriedades (como, n´ıvel restante de bateria);

• Usabilidade de modelos formais: modelos contextuais s ão criados por proje-tistas de aplicaç ões sens´ıveis de contexto. Esses, tamb ém, s ão utilizados por sistemas de gerenciamento de contextos e aplicaç ões sens´ıveis, a fim de mani-pular as informaç ões contextuais. Consequentemente, as caracter´ısticas impor-tantes dos formalismos de modelagem s ão: a facilidade com que os projetistas podem traduzir os conceitos do mundo real para as estruturas do modelo e a facilidade com que as aplicaç ões conseguem utilizar e manipular as informaç ões contextuais em tempo de execuç ão;

• Hist órico: aplicaç ões sens´ıveis de contexto podem necessitar do acesso a esta-dos passaesta-dos e estaesta-dos futuros (progn óstico). Portanto, hist óricos de contextos e suas caracter´ısticas que devem ser capturadas pelos modelos de contexto e gerenciada pelo sistema de gerenciamento de contexto. Alguns trabalhos por exemplo, (PEDDEMORS; EERTINK; NIEMEGEERS, 2010), (UDEN, 2006), e (CASSENS; KOFOD-PETERSEN, 2006) buscam definir o papel do tempo em sistemas sens´ıveis de contexto. Em tais esforços, nota-se que o hist órico é uma parte importante do contexto como um todo e n ão apenas de um subconjunto deste, pois o comportamento de uma entidade reflete sua cultura e desenvol-vimento hist órico em circunst âncias espec´ıficas (MCMICHAEL, 1999). Sendo

(30)

assim, a informaç ão temporal é crucial para a interpretaç ão do comportamento das entidades que integram o espaço ub´ıquo. Por outro lado, o gerenciamento de hist óricos de contextos é penoso, caso o n úmero de atualizaç ões seja muito alto. Assim, pode ser invi ável o armazenamento de cada valor para acesso fu-turo, e, ent ão, t écnicas de sumarizaç ão, como, a utilizaç ão de sinopses hist óricas dos dados, devem ser aplicadas.

• Heterogeneidade: modelos projetados para as informaç ões coletadas devem lidar com uma grande variedade de fontes provedoras de informaç ões que dife-rem em taxa de atualizaç ão de dados e n´ıvel sem ântico. Ao mesmo tempo que alguns sensores podem observar determinadas situaç ões do ambiente f´ısico e prover acesso r ápido e em tempo real, outros sensores oferecem dados n ão processados (como, coordenadas de um GPS ou imagens de uma c âmera), que necessitam ser interpretados antes de serem utilizados pelas aplicaç ões. Por outro lado, informaç ões fornecidas pelo usu ário como perfis de usu ários, s ão atualizadas raramente e, geralmente, n ão requisitam interpretaç ões adicionais. Al ém disso, informaç ões contextuais podem ser derivadas de informaç ões con-textuais j á existentes. Por exemplo, dados obtidos de banco de dados ou bibliote-cas digitais, como dados de mapas geogr áficos, s ão frequentemente est áticos. O modelo de contexto deve ser capaz de expressar esses diferentes tipos de informaç ão e o sistema de gerenciamento de contexto deve prover gerencia-mento às informaç ões dependendo do seu tipo;

• Racioc´ınio: aplicaç ões sens´ıveis de contexto utilizam as informaç ões para ava-liar se existe uma mudança na situaç ão do contexto do usu ário e/ou ambiente computacional. A decis ão de adaptaç ão a alguma mudança, geralmente, requer capacidades de racioc´ınio. Portanto, é importante que t écnicas de modelagem de contexto sejam capazes de suportar tanto verificaç ão de consist ência do mo-delo, quanto t écnicas de racioc´ınio sobre o contexto. Estas podem ser utilizadas para derivar novos fatos/situaç ões a partir de fatos/situaç ões j á existentes, al ém de avaliar abstraç ões de contextos de alto n´ıvel que modelam as situaç ões do mundo real. Al ém disso, as t écnicas de racioc´ınio devem ser computacional-mente eficientes.

• Acesso eficiente: ao mesmo tempo que o acesso eficiente às informaç ões contextuais é necess ário, este pode ser um requisito dif´ıcil de implementar na presença de modelos grandes e numerosos dados. A fim de selecionar os ob-jetos relevantes, atributos que indicam o caminho para acesso adequado de-vem ser representados na modelagem contextual. Esses caminhos de acesso representam as dimens ões em que as aplicaç ões frequentemente selecionam

(31)

as informaç ões dos contextos, tipicamente suportadas por ´ındices. Essas di-mens ões s ão, geralmente, referenciadas aos contextos prim ários, em contraste aos contextos secund ários, que s ão acessados utilizando-se o contexto prim ário. Comumente, os atributos de contextos prim ários utilizados s ão a identificaç ão de objetos de contextos, localizaç ão, tipo de objeto, tempo ou atividade do usu ário. A Tabela 1 apresenta um comparativo entre os 3 tipos de modelagens citados levando em consideraç ão os requisitos descritos acima a legenda de forma sim-ples aonde (Complemente) refere-se que aquela modelagem atende completamente aquele requisitos, (Parcial) que atende o requisito em parte e (N ão Atende) n ão con-segue atender a esse requisito.

Tabela 1: Comparaç ões entre os tr ês tipos de modelagem. Fonte: (BETTINI et al., 2010).

Requisitos Modelagem Baseada em Fatos

Modelagem Espacial Modelagem Baseada em Ontologia

Mobilidade Parcial Completamente Parcial

Relacionamentos Parcial Parcial Completamente

Usabilidade Completamente Parcial Parcial

Hist ´orico Completamente Completamente Completamente Heterogeneidade Completamente Parcial Completamente

Racioc´ınio Parcial N ˜ao Atende Completamente

Efici ˆencia Parcial Completamente Completamente

A modelagem baseada em ontologia foi escolhida para este trabalho, por per-mitir uso de raciocinadores para inferir sobre as informaç ões contextuais coletadas, pelo emprego de regras e consultas sem ânticas. Considerando a premissa de envol-ver o m´ınimo poss´ıvel o usu ário, uma abordagem baseada em especificaç ão cujas as regras para infer ência s ão constru´ıdas a partir da expertise do desenvolvedor se mostram oportunas justificando assim a adoç ão de processamento sem ântico nessa dissertaç ão.

2.2 Reconhecimento de Atividades

O ser humano realiza dezenas de atividades por dia, como tomar banho, assistir televis ão, cozinhar, dormir, etc. Devido ao avanço das tecnologias de sensoriamento, o reconhecimento das atividades humanas baseado em dados provenientes de sen-sores tem, recentemente, motivado diversas pesquisas por parte da comunidade de Computaç ão Ub´ıqua (GU et al., 2009). Tipicamente, esses sensores podem estar pre-sentes em objetos carregados pelo usu ário ou, ent ão, incorporados ao ambiente em que ele integra (ATALLAH; YANG, 2009).

(32)

O conhecimento e o controle das atividades ajudam a resolver problemas de v ários dom´ınios do dia a dia, por exemplo, monitoramento de pessoas idosas (OSMANI; BALASUBRAMANIAM; BOTVICH, 2008), dom ótica (SINGLA; COOK; SCHMITTER-EDGECOMBE, 2010), economia de energia (LAI et al., 2012) entre outras. Portanto, com a evoluç ão dos Ambientes Inteligentes e a possibilidade de aplicaç ão de t écnicas de intelig ência artificial, permitem que tais atividades sejam reconhecidas automatica-mente.

O objetivo do Reconhecimento de Atividades reside, portanto, em reconhecer ati-vidades humanas comuns em situac¸ ˜oes reais, interpretadas a partir dos dados cole-tados por sensores.

O Reconhecimento de Atividades humanas é abordado de diferentes for-mas. (MUNGUIA TAPIA, 2003) afirma que alguns trabalhos fazem an álises complexas de sinais de sensores, por exemplo, sensor de presença, v´ıdeos de c âmeras e áudios de microfones e outros trabalhos utilizam Radio-Frequency IDentification (RFID) para reconhecer atividades. O Reconhecimento de Atividades por meio de sensores ainda é um desafio, pois a extraç ão de caracter´ısticas dos sinais e o reconhecimento de padr ões por meio de algoritmos de aprendizagem de m áquina, ainda é uma tarefa complexa devido à diversidade de cen ários.

Especificamente, o processo de Reconhecimento de Atividades imp õe alguns de-safios relativos à interpretaç ão devido à natureza das atividades humanas, que podem se apresentar de forma sequencial, intervalada e concorrente (GU et al., 2009).

Existem diversos modelos empregados para o Reconhecimento de Atividades, de acordo com (KIM; HELAL; COOK, 2010) podem ser divididos em duas vertentes: mo-delos baseados em Aprendizagem de M ´aquina e momo-delos baseados em Modelagem L ´ogica.

2.3 M ´etodos Baseados em Aprendizagem

A ideia por tr ás da utilizaç ão do conceito de aprendizagem n ão é apenas para saber como atuar, mas tamb ém tem como intuito aumentar a habilidade do agente para atuar no futuro. A aprendizagem ocorre atrav és de como o agente observa as suas interaç ões com o mundo e os seus pr óprios processos de decis ão.

A aprendizagem indutiva é uma classe de algoritmos para aprendizagem supervi-sionada determin´ıstica baseada em conjuntos de hip óteses aprendidas com recurso a exemplos de treino. Este tipo de algoritmos fornece uma hip ótese que é uma boa aproximaç ão da prediç ão correta e que responde bem quando s ão problemas genera-lizados, mas isto levanta o problema da induç ão.

Dentre os algoritmos de aprendizagem supervisionada os mais utilizados no estado da arte para o Reconhecimento de Atividades: Hidden Markov Model (HMM), Network

(33)

Bayesian (NB) e Conditional Random Field (CRF) (AMIRIBESHELI; BENMANSOUR; BOUCHACHIA, 2015).

2.4 Ontologia para Reconhecimento de Atividades

A segunda vertente de algoritmos de Reconhecimento de Atividades é baseada em modelagem l ógica e racioc´ınio. A l ógica destas abordagens é explorar a representaç ão do conhecimento para a modelagem de dados de atividade e de sensores e usar o racioc´ınio l ógico para realizar o reconhecimento da atividade.

O procedimento geral de uma abordagem l ógica inclui (i)usar um formalismo l ógico para definir e descrever explicitamente uma biblioteca de modelos de atividade para todas as atividades poss´ıveis em um dom´ınio, (ii) agregar e transformar dados de sen-sores em termos e f órmulas l ógicas, e (iii) executar o racioc´ınio l ógico, por exemplo, deduç ão, abduç ão e subjunç ão, para extrair um conjunto m´ınimo de modelos de co-bertura de interpretaç ão a partir da biblioteca de modelo de atividade com base em um conjunto de aç ões observadas, o que poderia explicar as observaç ões.

Existe uma s érie de m étodos de modelagem l ógica e algoritmos de racioc´ınio em termos de teorias l ógicas e formalismos de representaç ão. Por exemplo, Kauz (Kautz, 1991) adotou axiomas de primeira ordem para construir uma biblioteca de pla-nos hier árquicos para o reconhecimento do plano. Wobke (Wobke, 2002) estendeu o trabalho de Kauz usando a teoria da situaç ão para abordar as diferentes probabi-lidades de planos inferidos. Bouchard (Bouchard, 2006) usou a aç ão de Descriç ão L ógica (DL) e teoria de ret´ıculo para reconhecimento de planos com ênfase particular na modelagem e racioc´ınio de planos intra-depend ências.

A teoria de evento e formalismo l ógico, é explorada por (CHEN; NUGENT, 2009), para especificaç ão expl´ıcita, manipulaç ão e racioc´ınio de eventos, para formalizar um dom´ınio de atividade no reconhecimento de atividade e assist ência utilizando ontolo-gias.

A ontologia de reconhecimento de atividade (RIBONI; BETTINI, 2011) do projeto PalSPOT modela atividades individuais e sociais. Os tipos de interaç ão s ão modela-dos como reconhecimento, pedindo opini ão, coment ário, opini ão negativa / positiva, proposta ou pedido de informaç ão.

A granularidade de atividade é ligeiramente mostrada (basicamente, apenas um n´ıvel de atividade); entretanto, uma extensa taxonomia est á dispon´ıvel para atividades pessoais, f´ısicas e profissionais, atividades de viagem, posturas e atividades usando diferentes tipos de dispositivos ou artefatos. Uma representaç ão baseada em inter-valos de atividades modela a sobreposiç ão destes no tempo. Outras entidades s ão corredor interno, elevador calçada e rotas de comunicaç ão. Locais simb ólicos (interno, externo) e granularidade de tempo s ão fornecidos.

(34)

A ontologia PalSPOT é usada no middleware de agregaç ão de contexto CARE (AGOSTINI; BETTINI; RIBONI, 2009), que mapeia dados de contexto para clas-ses ontol ógicas e propriedades, e interage com o sistema COSAR (RIBONI; BETTINI, 2011), que recupera informaç ões sobre atividades usando apenas racionalistas on-tol ógicos / estat´ısticos h´ıbridos.

Figura 3: Vis ˜ao geral PalSPOT. Fonte: (RIBONI; BETTINI, 2011).

A CONtext ONtology (CONON) (WANG et al., 2004) define conceitos gerais em uma ontologia superior, como localizaç ão (interna, externa, com diferentes carac-ter´ısticas e vari áveis ambientais, condiç ões clim áticas), atividade, pessoa ou entidade computacional, TV, DVD player ). CONON permite extens ões de forma hier árquica adicionando conceitos espec´ıficos de dom´ınio, onde diferentes ambientes inteligentes s ão modelados (casa, escrit ório, ve´ıculo, etc).

Atividades (com in´ıcio e hora de fim) s ão divididos em atividades deduzidas (jantar, filme) e programadas (festa, anivers ário). O estado de entidades de espaços interio-res, por exemplo, cortina, porta, janela, tamb ém é representado. Algumas ontologias espec´ıficas de dom´ınio s ão o dom´ınio dom éstico (por exemplo, dormir, tomar banho, cozinhar, assistir TV, jantar) e ontologias de dom´ınio de escrit ório. As categorias de racioc´ınio empregadas s ão racioc´ınio ontol ógico DL e racioc´ınio definido pelo usu ário usando l ógica de primeira ordem (atrav és de regras customizadas).

(35)

Figura 4: Vis ˜ao geral CONON. Fonte: (WANG et al., 2004).

A Pervasive Information Visualization Ontology (PiVOn) é um modelo de contexto formal composto por quatro ontologias independentes (usu ários, ambiente, disposi-tivos e serviços) que descrevem ambientes inteligentes. Algumas propriedades dos elementos principais na ontologia do usu ário s ão localizaç ão, identidade, atividade e tempo (HERV ÁS; BRAVO; FONTECHA, 2010).

O contexto é analisado a partir da perspectiva da teoria doscinco (5) Ws para proje-tar sistemas sens´ıveis de contexto. O resultado pode ser resumido em uma taxonomia bidimensional de elementos de contexto: a primeira definida pelas quatro categorias principais do contexto (usu ário, ambiente, dispositivo e serviço) e a segunda, pelos cinco (5) Ws.

Os eventos na ontologia t êm lembretes, e fazem parte de uma agenda de usu ários. Eles envolvem contatos (FOAF) do usu ário, que podem estar em situaç ões de usu ário, e possivelmente acompanhados por algum outro usu ário(s). Os usu ários realizam tarefas (que podem ter subtarefas) que t êm um objetivo e usam alguns serviços.

As tarefas t êm tipos, pap éis, n´ıveis de signific ância, progresso, quest ões de tempo e espaço e n´ıveis de atenç ão. Situaç ões de usu ário tamb ém desempenham um papel e pertencem à disponibilidade do usu ário, um estado de esp´ırito ou uma tarefa.

A ontologia do dispositivo determina os tipos de dispositivos (aut ônomo, de-pendente, sensor, atuador), os serviços fornecidos por um dispositivo, o propriet ário

(36)

do dispositivo, status, localizaç ão, seu hardware e perfis de software, hardware de comunicaç ão, seu uso e compatibilidades, etc. A ontologia de ambiente representa a co-localizaç ão de objetos pr óximos (inFrontOf, on, under, behind), includedIn, associ-ado a outros.

Os espaços s ão modelados com a área em que s ão localizados (pr édio, piso), sua finalidade, estrutura e capacidade. A ontologia de serviço inclui uma visualizaç ão associada para cada serviço (exibido por dispositivos) que t êm conte údo. O conte údo t êm uma forma visual e é transformado em dados. A forma visual tem diferentes tipos de par âmetros de escalabilidade (filtragem, paginaç ão, complexidade, lat ência).

A Ontology Situation (OntSit) é dividida em camadas de Situaç ão e Contexto. A situaç ão é definida como um conjunto de contextos na aplicaç ão durante um per´ıodo de tempo que afeta o comportamento futuro do sistema. Um contexto é qualquer pro-priedade instant ânea, detect ável e relevante do ambiente, sistema ou usu ários, como localizaç ão ou largura de banda dispon´ıvel (YAU; LIU, 2006).

A ontologia considera as situaç ões at ômicas e compostas. Compostas s ão situaç ões temporais, de conjunç ão, de disjunç ão e de negaç ão. As situaç ões compos-tas podem ser integradas por situaç ões at ômicas atrav és de operadores de contexto booleano que atuam sobre dom´ınios de valores de contexto.

Em relaç ão ao contexto, a ontologia de Situaç ão é classificada em contexto de dis-positivo, usu ário e ambiente. Uma entidade pode satisfazer uma situaç ão tendo dados de contexto relacionados a um determinado valor, por exemplo, valor de flutuaç ão de temperatura, dentro de um dom´ınio de contexto (de mem ória dispon´ıvel).

Os dom´ınios de valor de contexto s ão fornecidos com operaç ões de dados. Um exemplo de um cen ário de confer ência inteligente pode especificar a situaç ão Re-adyForMeeting como a conjunç ão de duas situaç ões at ômicas: InConferenceRoom e LightOn, onde o valor do contexto de localizaç ão da situaç ão InConferenceRoom é o mesmo que crLocation e a situaç ão do LightOn é representada como ”o valor lightContext é verdade”.

2.5 Considerac¸ ˜

oes sobre o Cap´ıtulo

Este cap´ıtulo apresentou os esforços realizados na revis ão de literatura resumindo aspectos importantes que contribu´ıram para o desenvolvimento desta dissertaç ão de mestrado.

Foram abordados conceitos de Ci ência de Contexto na UbiComp, a classificaç ão e modelagem de contexto, como tamb ém a caracterizaç ão do Reconhecimento de Atividades, suas principais vertentes de pesquisa e as t écnicas mais utilizadas para o Reconhecimento de Atividades.

(37)

para o Reconhecimento de Atividades, o pr óximo cap´ıtulo ir á discorrer sobre trabalhos que exploram este tipo de t écnica.

(38)

Tendo como base as premissas que motivaram o desenvolvimento da pesquisa nesta dissertaç ão, foram identificados quando da revis ão de literatura diversos traba-lhos relacionados na área de Reconhecimento de Atividades. Os trabatraba-lhos foram se-lecionados tendo em vista os seguintes aspectos: (i) ambiente indoor de uma Casa In-teligente, (ii) o tratamento das informaç ões contextuais e (iii) Reconhecimento de Ativi-dades utilizando processamento sem ântico. Este cap´ıtulo al ém de realizar a descriç ão dos trabalhos relacionados, ao final, apresenta uma comparaç ão entre os mesmos.

3.1 A Context-Aware System Infrastructure for Monitoring

Nesse trabalho, os autores propuseram uma arquitetura com tr ês camadas de contexto para monitorar e reconhecer atividades da vida di ária em uma Casa Inteli-gente. Essa arquitetura prev ê a inclus ão de funcionalidades que v ão desde a coleta de dados de baixo n´ıvel at é a extraç ão de conhecimento de contexto de alto n´ıvel (NI; GARCÍA HERNANDO; CRUZ, 2016).

A seguir est ˜ao descritas as tr ˆes camadas previstas na arquitetura proposta:

• Camada Sens´ıvel ao Contexto: é a camada onde o contexto é coletado atrav és de sensores heterog êneos e dispositivos embutidos no ambiente dom éstico in-teligente ou usados pelo usu ário, como hardware f´ısico (por exemplo, sensores de luz, temperatura, aceler ômetros e interruptores de portas) e componentes de rede. Esta camada é respons ável pela obtenç ão de informaç ões de contexto n ão processadas de v árias fontes.

• Camada de Gerenciamento de Contexto: nesta camada os dados capturados provenientes da Camada Sens´ıvel ao Contexto s ão pr é-processados, interpreta-dos pelo modelo ontol ógico de contexto e inferiinterpreta-dos pelo raciocinador de contexto. • Camada de Aplicaç ão: o objetivo central desta camada é servir como inter-face para que os usu ários acessem as informaç ões de contexto fornecidas pela camada de gerenciamento.

(39)

De maneira mais espec´ıfica, a camada de gerenciamento de contexto funciona com informaç ões oriundas da camada sens´ıvel ao contexto, para assim fornecer abstraç ão dos dados para manipulaç ão de contexto de n´ıvel mais alto.

Esta camada é organizada em tr ês componentes: (1) o componente de pr é-processamento de dados, o qual processa informaç ões coletadas a partir da camada de detecç ão para construir uma base de conhecimento; (2) o modelo de ontologia de contexto abstrai dados relacionados a Activity Daily Live (ADL) de fontes heterog êneas e os converte em representaç ões formalizadas para facilitar a interoperabilidade e reutilizaç ão e; (3) o raciocinador de contexto fornece serviços de racioc´ınio l ógico (por exemplo, derivando contextos de alto a baixo n´ıvel) para processamento de contextos relacionados a ADL atrav és do mecanismo de racioc´ınio.

A Figura 5 representa como as tr ˆes camadas se relacionam:

Figura 5: Representaç ão das tr ês camadas. Fonte: (NI; GARCÍA HERNANDO; CRUZ, 2016).

Os resultados obtidos neste trabalho, utilizando a plataforma de pesquisa Lab of Things (LoT) (DIXON et al., 2012), desenvolvida pela Microsoft, resultou no gerencia-mento de recursos de hardware de uma Casa Inteligente e nos testes de coletas dos dados de sensores de presença, para posteriormente aplicar no modelo ontol ógico o Reconhecimento de Atividades di árias.

A ontologia desenvolvida para modelar o contexto em que as atividades ocorrem foi implementada utilizando o modelo Simple Model Event (SME) com o objetivo de re-presentar as atividades b ´asicas e usou como base a ontologia DOLCE + Dns Ultralite (DUL), para representar o dom´ınio (Casa Inteligente).

(40)

Figura 6: Vis ˜ao das classes, relacionamentos e propriedade de dados da ontologia. Fonte: (NI; GARC´IA HERNANDO; CRUZ, 2016).

3.2 AAL Domain Ontology for Event-based Human Activity

Re-cognition

Este trabalho prop õe um framework baseado em ontologias que visa efetuar con-sultas sem ânticas num reposit ório de dados contextuais, com o objetivo de prover Re-conhecimento de Atividades, cujos registros s ão oriundos de uma rede de sensores de fontes heterog êneas (CULMONE et al., 2014).

A arquitetura da estrutura proposta é ilustrada na Figura 7. Em primeiro lugar, os dados dispon´ıveis em um banco de dados MySQL s ão mapeados na OntoAALISA-BETH, uma ontologia de dom´ınio para o projeto Ambient-Aware LIfeStyle tutor, Aiming BETter Health (AALISABETH). Na continuidade é buscada uma correspond ência en-tre os elementos do banco de dados e os da ontologia. Esses dados s ão reorga-nizados de acordo com seu significado, onde a ontologia desempenha um papel de pr é-processamento.

A ontologia empregada chama-se OnoAALISABETH, e o principal elemento repre-sentado define a sem ˆantica do dom´ınio considerado e ´e utilizada como uma base de conhecimento compartilhada para todos os componentes relacionados. Esta

(41)

ontolo-Figura 7: Vis ˜ao geral do framework. Fonte: (CULMONE et al., 2014).

gia mostra diferentes camadas de abstraç ão que, em conjunto, formam uma estrutura tipo pir âmide (vide figura 8).

Figura 8: Piramide das ontologias utilizadas. Fonte: (CULMONE et al., 2014).

A seguir est ˜ao descritas as quatro ontologias empregadas na arquitetura:

• AAL Ontology: E uma ontologia de dom´ınio superior, onde conceitos ge-´ rais de contexto AAL s ão formalizados o mais gen érico poss´ıvel, transportando informaç ões est áticas.

• AAL-Building Specific Ontology: Esta ontologia espec´ıfica de construç ão Ambient Assisted Living (AAL), formaliza os diversos compo-nentes do ambiente dom éstico como a estrutura real do ambiente e disposiç ão das salas, as informaç ões pessoais sobre quem mora na casa, quais sensores s ão instalados na rede e como eles se comunicam.

• Data Ontology: A caracter´ıstica din âmica da ontologia começa nesta camada. Aqui, as classes anteriores s ão preenchidas com os indiv´ıduos correspondentes aos registros coletados no Data Base (DB). Esse procedimento é permitido por um mapeamento de banco de dados para ontologia. Em geral, esse mapea-mento gera a ontologia automaticamente a partir de um DB inteiro atrav és de um sistema de acesso a dados baseado em ontologias (OBDA), onde a estrutura do DB é importada para criar os componentes de ontologia relacionados.

• View Ontology: Nesta etapa um conjunto de regras internas, s ão introduzidas para adquirir novos conhecimentos estabelecendo novas conex ões de proprie-dade de objeto entre entiproprie-dades n ão relacionadas. Esta etapa de revis ão é a base

(42)

do processo de pr ´e-processamento, onde o racioc´ınio desempenha o papel prin-cipal que consiste em criar uma vis ˜ao alternativa do conhecimento.

A implementaç ão do framework pode ser dividida em duas partes: a primeira, foi com relaç ão ao mapeamento e descriç ão dos dados para as ontologias, testada no Prot ég é, utilizando o Pellet Reasoner ; a segunda, utilizou a ferramenta Esper para processamento de Complex Event Processing (CEP), por diversas raz ões, entre elas, o fato do Esper possuir uma biblioteca Java de c ódigo aberto para CEP, ser utili-zada em diferentes aplicaç ões de fluxo de dados e CEP e, por último, a presença de adaptadores que permitem ao usu ário fornecer diferentes formatos de entrada para a representaç ão de eventos.

O caso de estudo simulado para testar essa abordagem, busca reconhecer a ativi-dade de preparaç ão do caf é da manh ã, onde s ão identificadas como aç ões at ômicas, levantar-se das 5:00 às 11:00; ir à cozinha dentro de uma hora, depois se levantar; pegar utens´ılios de cozinha e abrir o refrigerador.

Neste estudo de caso s ão descritos os sensores envolvidos com a atividade, como o de presença na cama e na cozinha e o de abertura de porta. Esses sen-sores com seus timestamps relacionados s ão armazenados em um banco de dados MySQL, sendo mapeados para a ontologia OntoAALISABETH, antes do processa-mento sem ântico.

3.3 Activity Recognition using Context-Aware Infrastructure

On-tology in Smart Home Domain

Wongpatikaseree e colaboradores (2012), prop ˜oem no seu trabalho de pes-quisa uma infra-estrutura baseada em ontologias para reconhecimentos de ativida-des de uma Casa Inteligente, denominando-o Ontology Based Activity Recognition (OBAR) (WONGPATIKASEREE et al., 2012).

Entre as contribuiç ões deste trabalho, destacam-se: (1) o projeto de uma ontologia de infraestrutura de contexto para modelar o contexto do usu ário na Casa Inteligente; (2) prop õe conceitos para distinguir as atividades por meio de conceitos baseados em objetos, localizaç ão e postura do corpo humano; e (3) um sistema de Reconhe-cimento de Atividades baseado em ontologias (OBAR) para reconhecer a atividade e pesquisar a informaç ão sem ântica no sistema, chamada sistema de busca de ontolo-gia sem ântica (SOS).

A arquitetura do sistema OBAR ´e ilustrada na Figura 9.

Com a coleta de todos os dados de observaç ão dos sensores, o contexto do usu ário é armazenado em um banco de dados relacional. Com base nesse contexto, a ontologia de infraestrutura sens´ıvel ao contexto é projetada pela aplicaç ão Hozo,