Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.uan.edu.co/handle/123456789/1987
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorRamírez, Juan Camilo-
dc.contributor.advisorCruz Cepeda, Rosalba-
dc.creatorMancipe Ramírez, Sonia Fernanda-
dc.date.accessioned2021-02-26T15:43:11Z-
dc.date.available2021-02-26T15:43:11Z-
dc.date.created2020-06-08-
dc.identifier.urihttp://repositorio.uan.edu.co/handle/123456789/1987-
dc.descriptionInternaes_ES
dc.description.abstractThis 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.es_ES
dc.description.sponsorshipUAN Proyectos de ciencia, tecnología, innovación y creación artísticaes_ES
dc.description.tableofcontentsEste 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.es_ES
dc.language.isospaes_ES
dc.publisherUniversidad Antonio Nariñoes_ES
dc.rightsAtribución 3.0 Estados Unidos de América*
dc.rights.urihttp://creativecommons.org/licenses/by/3.0/us/*
dc.sourceinstname:Universidad Antonio Nariñoes_ES
dc.sourcereponame:Repositorio Institucional UANes_ES
dc.sourceinstname:Universidad Antonio Nariñoes_ES
dc.sourcereponame:Repositorio Institucional UANes_ES
dc.subjectAndroides_ES
dc.subjectDispositivos inteligenteses_ES
dc.subjectSensoreses_ES
dc.subjectProximidades_ES
dc.subjectAcelerómetroes_ES
dc.subjectGiroscopioes_ES
dc.subjectGPSes_ES
dc.subjectMagnetómetroes_ES
dc.titleDesarrollo de una aplicación para la recolección de datos generados por sensores en smartphoneses_ES
dc.publisher.programIngeniería de Sistemas y Computaciónes_ES
dc.rights.accesRightsopenAccesses_ES
dc.subject.keywordAndroides_ES
dc.subject.keywordSmart deviceses_ES
dc.subject.keywordSensorses_ES
dc.subject.keywordProximityes_ES
dc.subject.keywordAccelerometeres_ES
dc.subject.keywordGyroscopees_ES
dc.subject.keywordGPSes_ES
dc.subject.keywordMagnetometeres_ES
dc.type.spaTrabajo de grado (Pregrado y/o Especialización)es_ES
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersiones_ES
dc.source.bibliographicCitationAnguita, D., Ghio, A., & Oneto, L. (2013). A Public Domain Dataset for Human Activity Recognition Using Smartphones. University of Genova & Universitat Politecnica de Catalunyaes_ES
dc.source.bibliographicCitationBaldominos, A., Cervantes, A., Sáez, Y., & Isasi, P. (2018). A Comparison of Machine Learning and Deep Learning Techniques for Activity Recognition using Mobile Devices. Sensors.es_ES
dc.source.bibliographicCitationCapela, 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 Rehabilitationes_ES
dc.source.bibliographicCitationCastonguay, 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.es_ES
dc.source.bibliographicCitationChallenger, I., Diaz, Y. & Becerra, R. (2014). The programming language Python. Ciencias Holguínes_ES
dc.source.bibliographicCitationChetty, G., White, M., & Akther, F. (2015). Smart phone based data mining for human activity recognition. Procedia Computer Science, 46, 1181–1187.es_ES
dc.source.bibliographicCitationHan, M., Hun, Jac., Nugent, Chris., McClean, Sally. & Lee, Sungyoung. (2014). A Lightweight Hierarchical Activity Recognition Framework Using Smartphone Sensors. Molecular Diversity Preservation International.es_ES
dc.source.bibliographicCitationHernández, R., Fernández, C. & Baptista, P. (2017). Metodología de la investigación. Mc Graw Hill.es_ES
dc.source.bibliographicCitationHonores, 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.es_ES
dc.source.bibliographicCitationHovden, T., Huie, M., Bich, T. & Acker, P. (2007). Proximity sensor device and method with activation confirmation. Synaptics Incorporated.es_ES
dc.source.bibliographicCitationMaghsoudi, J. (2017). A Behavioral Biometrics User Authentication Study Using Motion Data from Android Smartphones. Pace University.es_ES
dc.source.bibliographicCitationMicucci, D., Mobilio, M & Napoleano, P. (2017). A Dataset for Human Activity Recognition Using Acceleration Data from Smartphones. Sensors.es_ES
dc.source.bibliographicCitationMunguia, 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.es_ES
dc.source.bibliographicCitationPedregosa, 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.es_ES
dc.source.bibliographicCitationPires, 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.es_ES
dc.source.bibliographicCitationPogorelc, B., Bosnić, Z & Gams M. (2011). Automatic recognition of gait-related health problems in the elderly using machine learning. Springer.es_ES
dc.source.bibliographicCitationShoaib, M., Bosch, S., Durmaz, O., Scholten, H. & Havinga, P. (2015). A Survey of Online Activity Recognition Using Mobile Phones. Sensors.es_ES
dc.source.bibliographicCitationSuto, 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.es_ES
dc.source.bibliographicCitationVaughn, A., Biocco, P., Liu, Y. & Anwar, M. (2018). Activity Detection and Analysis Using Smartphone Sensors. IEEE Computer Society.es_ES
dc.source.bibliographicCitationViana, 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.es_ES
dc.source.bibliographicCitationWiley, J. (2014). Machine learning methods in chemoinformatics. WIREs Computational Molecular Scienc, 4:468–481.es_ES
dc.source.bibliographicCitationCollado, C. (2018). Los 9 sensores más importantes de tu móvil, y para qué sirve cada uno. Recuperado de: https://andro4all.com/2018/12/sensores-moviles_ES
dc.source.bibliographicCitationCollado, 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-eses_ES
dc.source.bibliographicCitationDalul, S. (2019). How to improve GPS accuracy on Android. Recuperado de : https://www.androidpit.com/how-to-improve-your-gps-signal-on-your-androides_ES
dc.source.bibliographicCitationDevelopers, (2019). Location Strategies. Recuperado de https://developer.android.com/guide/topics/location/strategies#Updateses_ES
dc.source.bibliographicCitationKIENYKE (2019). El 67% de la población cuenta con un dispositivo móvil. Recuperado de: https://www.kienyke.com/tendencias/tecnologia/cuantaspersonas-tienen-celular-en-el-mundoes_ES
dc.source.bibliographicCitationFederación 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.pdfes_ES
dc.source.bibliographicCitationGonzález, J., (2018). Tipos de aprendizaje automático. Recuperado de https://medium.com/soldai/tipos-de-aprendizaje-autom%C3%A1tico413e3c615e2es_ES
dc.source.bibliographicCitationHackeando Tec (2015). Redes Neuronales - 1.3 Neuronas Biológicas Superveloces - Hackeando Tec. Recuperado de https://youtu.be/J4rf00Pex1Ees_ES
dc.source.bibliographicCitationHathibelagal, A. (2017). Android Sensors in Depth: Proximity and Gyroscope. Recuperado de : https://code.tutsplus.com/tutorials/android-sensors-in-depthproximity-and-gyroscope--cms-28084es_ES
dc.source.bibliographicCitationHernández, M. (2017). Android Sensor. Recuperado de https://elrobotista.com/android-sensor/es_ES
dc.source.bibliographicCitationJiménez, 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.pdfes_ES
dc.source.bibliographicCitationJuárez, G. (2017). ¿Cómo funciona el aprendizaje automático (machine learning)?. Recuperado de http://www.nexolution.com/como-funciona-elaprendizaje-automatico-machine-learning/es_ES
dc.source.bibliographicCitationKios Buku Gema. (2011). Using Cellular Telephone Networks for GPS Anywhere. Recuperado de https://kiosbukugema.blogspot.com/2011/03/assisted-gps.htmles_ES
dc.source.bibliographicCitationMarín, H. (S.f). Minería de Datos. Recuperado de https://www.tamps.cinvestav.mx/~hmarin/Mineria/EC2.pdfes_ES
dc.source.bibliographicCitationMira Cómo hacerlo. (2019). ¿Qué es el Giroscopio del Móvil y como Funciona?. Recuperado de : https://miracomohacerlo.com/giroscopio-del-movil-sirve/es_ES
dc.source.bibliographicCitationPython Diario. (2018). Mi diario Python. Recuperado de http://www.pythondiario.com.es_ES
dc.source.bibliographicCitationSchultebraucks, L (2015). Introduction to Support Vector Machines. Recuperado de https://medium.com/@LSchultebraucks/introduction-to-support-vectormachines-9f8161ae2fcbes_ES
dc.source.bibliographicCitationSuárez, R. (2017). Python. Recuperado de https://www.ecured.cu/Pythones_ES
dc.source.bibliographicCitationTolosa, 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.pdfes_ES
dc.source.bibliographicCitationTraining Data (2019). Techopedia. Recuperado de https://www.techopedia.com/definition/33181/training-dataes_ES
dc.description.degreenameIngeniero(a) de Sistemas y Computaciónes_ES
dc.description.degreelevelPregradoes_ES
dc.publisher.facultyFacultad de Ingeniería de Sistemases_ES
dc.description.funderTrabajo 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.es_ES
dc.description.notesPresenciales_ES
dc.publisher.campusBogotá - Sur-
Aparece en las colecciones: Ingeniería de sistemas y computación

Ficheros en este ítem:
Fichero Tamaño  
2020SoniaFernandaMancipeRamirez.pdf3.57 MBVisualizar/Abrir
2020AutorizacióndeAutores.pdf
  Restricted Access
663.44 kBVisualizar/Abrir  Request a copy
2020Anexo.pdf1.59 MBVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons