Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/86729
Title: Context-Aware Improved Experiences in Smart Environments
Other Titles: Abordagens para a melhoria de experiências em ambientes inteligentes
Authors: Abade, Bruno Miguel Gonçalves 
Orientador: Araújo, Hélder de Jesus
Curado, Marília Pascoal
Keywords: Ambientes Inteligentes; Posicionamento Interno; Análise de Dados; Aprendizagem Automática; RaspberryPi; Smart Environments; Indoor Occupancy; Data Analysis; Machine Learning; Raspberry Pi
Issue Date: 20-Apr-2018
Serial title, monograph or event: Context-Aware Improved Experiences in Smart Environments
Place of publication or event: DEI
Abstract: Paradigmas, tais como as cidades inteligentes, ambientes inteligentes e a Internet das Coisas têm sido, nos últimos anos, muito debatidos e usados. Muitos investigadores, em ambientes inteligentes, focam-se na deteção, localização e identificação de pessoas, de modo a adaptarem diferentes ambientes consoante as necessidades e preferências dos cidadãos. Para a sua realização é necessário combinar diferentes sensores, atuadores, modelos matemáticose técnicas de aprendizagem automática. Apesar de já haverem estudos nesta direção, ainda há espaço para contribuição e este trabalho foca-se nisso.O objetivo desta dissertação é melhorar a experiência por parte dos utilizadores em ambientes inteligentes baseado na informação obtida em espaços internos, seguindo uma monitorização ocupacional não intrusiva. Assim, o objetivo principal é saber se existe alguém numa determinada divisão e quantos ocupantes se encontram na mesma, informação essa obtida através de sensores. Numa primeira fase do projeto, o objetivo é desenvolver um dispositivo que adquira informação ambiental usando diferentes sensores, tais como sensores de temperatura, intensidade da luz, ruído e monitorização do dióxido de carbono. Numa segunda fase, aprendizagem automática e mecanismos de reconhecimento de padrões serão usados para a avaliação do desempenho da solução proposta. Os resultados obtidos durante a investigação demonstram que com sistema criado, através dum Raspberry Pi e da seleção de sensores, é possível obter, processar e armazenar informação ambiente. Adicionalmente, a análise obtida através dos dados adquiridos usando aprendizagem automática e mecanismos de reconhecimento de padrões, descreve que é possível determinar a ocupação em ambientes internos. Portanto, esta informação pode ser tomada em consideração por aplicações de terceiros, de modo, a ajustar o nível de conforto, como por exemplo, numa sala.
Paradigms such as Smart Cities, Smart Environments, and Internet of Things have been highly debated and used in the last few years. Many researches in smart environments are focused on detection, location, and identification of people, to make different environments adapt to the needs and preferences of citizens. To make this possible, it is necessary to combine different sensors, actuators, mathematical models, and machine learning techniques. Although some works have been performed in this direction, there is still room for contribution, and this research is focused on that.The objective of this thesis is to improve users' experience in smart environments based on information gathered from indoor spaces following a non-intrusive occupancy monitoring approach. Thus, the main objective is to know if someone is in a room and how many occupants are there, using information gathered from sensors.In the first stage of the project, the objective is to design and build a device to measure environmental data using different sensors, such as temperature, light intensity, noise, and carbon dioxide monitoring, to estimate the presence of occupants through these environmental features. In the second stage, machine learning and pattern recognition mechanisms should be used to evaluate the performance of the proposed solution.The results obtained during this research show that the system designed using a Raspberry Pi and a selection of sensors is able to collect, process, and store environmental data. Additionally, the analysis performed over the gathered data using machine learning and pattern recognition mechanisms depicts that it is possible to determine the occupancy of indoor environments. Thus this information could be taken into consideration by a third-party application to adjust the level of comfort, for example, in a room.
Description: Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
URI: http://hdl.handle.net/10316/86729
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat
Thesis_BrunoAbade.pdf13.74 MBAdobe PDFView/Open
Show full item record

Page view(s)

312
checked on Jul 9, 2020

Download(s)

335
checked on Jul 9, 2020

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons