Desarrollo de una aplicación para la recolección de datos generados por sensores en smartphones

Interna

Saved in:

Bibliographic Details
Main Author:	Mancipe Ramírez, Sonia Fernanda
Other Authors:	Ramírez, Juan Camilo
Format:	Trabajo de grado (Pregrado y/o Especialización)
Language:	spa
Published:	Universidad Antonio Nariño 2021
Subjects:	Android Dispositivos inteligentes Sensores Proximidad Acelerómetro Giroscopio GPS Magnetómetro Smart devices Sensors Proximity Accelerometer Gyroscope Magnetometer
Online Access:	http://repositorio.uan.edu.co/handle/123456789/1987
Tags:	Add Tag No Tags, Be the first to tag this record!

_version_	1812647581947265024
author	Mancipe Ramírez, Sonia Fernanda
author2	Ramírez, Juan Camilo
author_facet	Ramírez, Juan Camilo Mancipe Ramírez, Sonia Fernanda
author_sort	Mancipe Ramírez, Sonia Fernanda
collection	DSpace
description	Interna
format	Trabajo de grado (Pregrado y/o Especialización)
id	repositorio.uan.edu.co-123456789-1987
institution	Repositorio Digital UAN
language	spa
publishDate	2021
publisher	Universidad Antonio Nariño
record_format	dspace
spelling	repositorio.uan.edu.co-123456789-19872024-10-09T22:56:46Z Desarrollo de una aplicación para la recolección de datos generados por sensores en smartphones Mancipe Ramírez, Sonia Fernanda Ramírez, Juan Camilo Cruz Cepeda, Rosalba Android Dispositivos inteligentes Sensores Proximidad Acelerómetro Giroscopio GPS Magnetómetro Android Smart devices Sensors Proximity Accelerometer Gyroscope GPS Magnetometer Interna This undergraduate degree project presents the development of a mobile application for the collection of data readings from sensors in Android smartphones. This development seeks to address a need identified in the research project “Communication system for disaster survivors based on an ad-hoc smartphone network”, led by research group LACSER - Laboratory for Advanced Computational Science and Engineering Research of Universidad Antonio Nariño, which aims to develop a mobile application in Android operating system as an alternative communication channel that allows the exchange of messages between survivors of a disaster and provides in real time the approximate geographical location of these without requiring access to the Internet or a centralized network infrastructure. The research project contemplates the use of machine learning from the readings made by the sensors of a device with the purpose of automatically predicting if it is being manipulated at that time by a human being and thus decide if the messaging application should prioritize communication with said node. The application developed in this degree project will allow the data collection for the training of machine learning models provided in the research project. This development is proposed as an alternative for the collection of the information required by the research project since the applications available in the market do not meet its requirements. The app developed in this undergraduate degree project will offer the user several benefits, including the selection of the types of sensors that will be read and the time range in which the data will be captured. Optional future work contemplated as part of this undergraduate degree project consists of the application of machine learning for the subsequent identification of human activity from the data collected. Este trabajo de grado propone una alternativa para la recolección de la información requerida por el proyecto de investigación que contempla el uso de aprendizaje automático a partir de las lecturas hechas por los sensores de un dispositivo con el propósito de predecir automáticamente si el mismo está siendo manipulado en ese momento por un ser humano y así decidir si la aplicación de mensajería debe priorizar la comunicación con dicho nodo. Dado que las aplicaciones disponibles en el mercado no satisfacen los requerimientos de este, la app desarrollada en este trabajo de grado le ofrecerá al usuario varios beneficios, incluyendo la selección de los tipos de sensores que se leerán y el rango de tiempo en el que realizará la captura de datos. UAN Proyectos de ciencia, tecnología, innovación y creación artística Ingeniero(a) de Sistemas y Computación Pregrado Trabajo de grado desarrollado en el marco del proyecto de investigación “Sistema de comunicación para sobrevivientes de un desastre basado en una red ad hoc de teléfonos inteligentes”, cuyo código en VCTI es 2018203. Presencial 2021-02-26T15:43:11Z 2021-02-26T15:43:11Z 2020-06-08 Trabajo de grado (Pregrado y/o Especialización) info:eu-repo/semantics/acceptedVersion http://purl.org/coar/resource_type/c_7a1f http://purl.org/coar/version/c_970fb48d4fbd8a85 http://repositorio.uan.edu.co/handle/123456789/1987 Anguita, D., Ghio, A., & Oneto, L. (2013). A Public Domain Dataset for Human Activity Recognition Using Smartphones. University of Genova & Universitat Politecnica de Catalunya Baldominos, A., Cervantes, A., Sáez, Y., & Isasi, P. (2018). A Comparison of Machine Learning and Deep Learning Techniques for Activity Recognition using Mobile Devices. Sensors. Capela, N., Lemaire, E., Baddour, N., Goljar, N & Burger, H. (2016). Evaluation of a Smartphone human activity recognition application with able-bodied and stroke participants. Journal of NeuroEngineering and Rehabilitation Castonguay, V., Lavoie, P., Karazivan, P., Morris, J. & Gagnon, R. (2017). P030: Multisource feedback for emergency medicine residents: different, relevant and useful information. Résumes scientifique 2017. Challenger, I., Diaz, Y. & Becerra, R. (2014). The programming language Python. Ciencias Holguín Chetty, G., White, M., & Akther, F. (2015). Smart phone based data mining for human activity recognition. Procedia Computer Science, 46, 1181–1187. Han, M., Hun, Jac., Nugent, Chris., McClean, Sally. & Lee, Sungyoung. (2014). A Lightweight Hierarchical Activity Recognition Framework Using Smartphone Sensors. Molecular Diversity Preservation International. Hernández, R., Fernández, C. & Baptista, P. (2017). Metodología de la investigación. Mc Graw Hill. Honores, L. & Vizuete, J. (2014). Estudio estadístico comparativo entre sensores android y windows phone aplicado en la detección de movimientos telúricos. Escuela Superior Politécnica de Chimborazo. Hovden, T., Huie, M., Bich, T. & Acker, P. (2007). Proximity sensor device and method with activation confirmation. Synaptics Incorporated. Maghsoudi, J. (2017). A Behavioral Biometrics User Authentication Study Using Motion Data from Android Smartphones. Pace University. Micucci, D., Mobilio, M & Napoleano, P. (2017). A Dataset for Human Activity Recognition Using Acceleration Data from Smartphones. Sensors. Munguia, E., Intille, S., Lopez, L. & Larson, K. (2006). The Design of a Portable Kit of Wireless Sensors for Naturalistic Data Collection. Massachusetts Institute of Technology. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M. & Duchesnay, É. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. Pires, I., García, N., Pombo, N & Flórez , F. (2011). From Data Acquisition to Data Fusion: A Comprehensive Review and a Roadmap for the Identification of Activities of Daily Living Using Mobile Devices. Sensors. Pogorelc, B., Bosnić, Z & Gams M. (2011). Automatic recognition of gait-related health problems in the elderly using machine learning. Springer. Shoaib, M., Bosch, S., Durmaz, O., Scholten, H. & Havinga, P. (2015). A Survey of Online Activity Recognition Using Mobile Phones. Sensors. Suto, J., Oniga, S., Lung, C. & Orha, I. (2017). Recognition Rate Difference between Real-time and Offline Human Activity Recognition. International Conference on Internet of Things for the Global Community. Vaughn, A., Biocco, P., Liu, Y. & Anwar, M. (2018). Activity Detection and Analysis Using Smartphone Sensors. IEEE Computer Society. Viana, J., Neto, G., Galindo, I., Oliveira, A., Braga, R. & Oliveira, C. (2017). A visualization and analysis approach of cyclist data obtained through sensors. Federal Institute of Education, Science and Technology of Ceará IFCE, Ceará, Brazil. Wiley, J. (2014). Machine learning methods in chemoinformatics. WIREs Computational Molecular Scienc, 4:468–481. Collado, C. (2018). Los 9 sensores más importantes de tu móvil, y para qué sirve cada uno. Recuperado de: https://andro4all.com/2018/12/sensores-movil Collado, C. (2019). Qué es el giroscopio de un móvil, para qué sirve y cómo saber si el tuyo lo tiene. Recuperado de: https://andro4all.com/2019/02/giroscopiomovil-que-es Dalul, S. (2019). How to improve GPS accuracy on Android. Recuperado de : https://www.androidpit.com/how-to-improve-your-gps-signal-on-your-android Developers, (2019). Location Strategies. Recuperado de https://developer.android.com/guide/topics/location/strategies#Updates KIENYKE (2019). El 67% de la población cuenta con un dispositivo móvil. Recuperado de: https://www.kienyke.com/tendencias/tecnologia/cuantaspersonas-tienen-celular-en-el-mundo Federación Internacional de Sociedades de la Cruz y de la Media Luna Roja (2007). Cruz Roja Colombiana. Recuperado de http://web.cruzrojacolombiana.org/publicaciones/pdf/planes_de_respuesta_y_c ontingencia_1722011_044520.pdf González, J., (2018). Tipos de aprendizaje automático. Recuperado de https://medium.com/soldai/tipos-de-aprendizaje-autom%C3%A1tico413e3c615e2 Hackeando Tec (2015). Redes Neuronales - 1.3 Neuronas Biológicas Superveloces - Hackeando Tec. Recuperado de https://youtu.be/J4rf00Pex1E Hathibelagal, A. (2017). Android Sensors in Depth: Proximity and Gyroscope. Recuperado de : https://code.tutsplus.com/tutorials/android-sensors-in-depthproximity-and-gyroscope--cms-28084 Hernández, M. (2017). Android Sensor. Recuperado de https://elrobotista.com/android-sensor/ Jiménez, J. (2014). APLICACIÓN MÓVIL PARA LA CAPTURA DESATENIDA DE DATOS DE SENSORES EN TELÉFONOS INTELIGENTES. (Trabajo de grado, Universidad Carlos III Escuela politécnica superior). Recuperado de : https://core.ac.uk/download/pdf/44310781.pdf Juárez, G. (2017). ¿Cómo funciona el aprendizaje automático (machine learning)?. Recuperado de http://www.nexolution.com/como-funciona-elaprendizaje-automatico-machine-learning/ Kios Buku Gema. (2011). Using Cellular Telephone Networks for GPS Anywhere. Recuperado de https://kiosbukugema.blogspot.com/2011/03/assisted-gps.html Marín, H. (S.f). Minería de Datos. Recuperado de https://www.tamps.cinvestav.mx/~hmarin/Mineria/EC2.pdf Mira Cómo hacerlo. (2019). ¿Qué es el Giroscopio del Móvil y como Funciona?. Recuperado de : https://miracomohacerlo.com/giroscopio-del-movil-sirve/ Python Diario. (2018). Mi diario Python. Recuperado de http://www.pythondiario.com. Schultebraucks, L (2015). Introduction to Support Vector Machines. Recuperado de https://medium.com/@LSchultebraucks/introduction-to-support-vectormachines-9f8161ae2fcb Suárez, R. (2017). Python. Recuperado de https://www.ecured.cu/Python Tolosa, C. & Giz, Á. (S.f). Sistemas Biométricos. Recuperado de: http://www.dsi.uclm.es/personal/MiguelFGraciani/mikicurri/Docencia%20/Bioinfo rmatica/web_BIO/Documentacion/Trabajos/Biometria/Trabajo%20Biometria.pdf Training Data (2019). Techopedia. Recuperado de https://www.techopedia.com/definition/33181/training-data instname:Universidad Antonio Nariño reponame:Repositorio Institucional UAN repourl:https://repositorio.uan.edu.co/ spa Acceso abierto Attribution 4.0 International (CC BY 4.0) https://creativecommons.org/licenses/by/4.0/ info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 application/pdf application/pdf application/pdf Universidad Antonio Nariño Ingeniería de Sistemas y Computación Facultad de Ingeniería de Sistemas Bogotá - Sur
spellingShingle	Android Dispositivos inteligentes Sensores Proximidad Acelerómetro Giroscopio GPS Magnetómetro Android Smart devices Sensors Proximity Accelerometer Gyroscope GPS Magnetometer Mancipe Ramírez, Sonia Fernanda Desarrollo de una aplicación para la recolección de datos generados por sensores en smartphones
title	Desarrollo de una aplicación para la recolección de datos generados por sensores en smartphones
title_full	Desarrollo de una aplicación para la recolección de datos generados por sensores en smartphones
title_fullStr	Desarrollo de una aplicación para la recolección de datos generados por sensores en smartphones
title_full_unstemmed	Desarrollo de una aplicación para la recolección de datos generados por sensores en smartphones
title_short	Desarrollo de una aplicación para la recolección de datos generados por sensores en smartphones
title_sort	desarrollo de una aplicacion para la recoleccion de datos generados por sensores en smartphones
topic	Android Dispositivos inteligentes Sensores Proximidad Acelerómetro Giroscopio GPS Magnetómetro Android Smart devices Sensors Proximity Accelerometer Gyroscope GPS Magnetometer
url	http://repositorio.uan.edu.co/handle/123456789/1987
work_keys_str_mv	AT manciperamirezsoniafernanda desarrollodeunaaplicacionparalarecolecciondedatosgeneradosporsensoresensmartphones