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.advisor | Ramírez, Juan Camilo | - |
dc.contributor.advisor | Cruz Cepeda, Rosalba | - |
dc.creator | Mancipe Ramírez, Sonia Fernanda | - |
dc.date.accessioned | 2021-02-26T15:43:11Z | - |
dc.date.available | 2021-02-26T15:43:11Z | - |
dc.date.created | 2020-06-08 | - |
dc.identifier.uri | http://repositorio.uan.edu.co/handle/123456789/1987 | - |
dc.description | Interna | es_ES |
dc.description.abstract | 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. | es_ES |
dc.description.sponsorship | UAN Proyectos de ciencia, tecnología, innovación y creación artística | es_ES |
dc.description.tableofcontents | 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. | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Universidad Antonio Nariño | es_ES |
dc.rights | Atribución 3.0 Estados Unidos de América | * |
dc.rights.uri | http://creativecommons.org/licenses/by/3.0/us/ | * |
dc.source | instname:Universidad Antonio Nariño | es_ES |
dc.source | reponame:Repositorio Institucional UAN | es_ES |
dc.source | instname:Universidad Antonio Nariño | es_ES |
dc.source | reponame:Repositorio Institucional UAN | es_ES |
dc.subject | Android | es_ES |
dc.subject | Dispositivos inteligentes | es_ES |
dc.subject | Sensores | es_ES |
dc.subject | Proximidad | es_ES |
dc.subject | Acelerómetro | es_ES |
dc.subject | Giroscopio | es_ES |
dc.subject | GPS | es_ES |
dc.subject | Magnetómetro | es_ES |
dc.title | Desarrollo de una aplicación para la recolección de datos generados por sensores en smartphones | es_ES |
dc.publisher.program | Ingeniería de Sistemas y Computación | es_ES |
dc.rights.accesRights | openAccess | es_ES |
dc.subject.keyword | Android | es_ES |
dc.subject.keyword | Smart devices | es_ES |
dc.subject.keyword | Sensors | es_ES |
dc.subject.keyword | Proximity | es_ES |
dc.subject.keyword | Accelerometer | es_ES |
dc.subject.keyword | Gyroscope | es_ES |
dc.subject.keyword | GPS | es_ES |
dc.subject.keyword | Magnetometer | es_ES |
dc.type.spa | Trabajo de grado (Pregrado y/o Especialización) | es_ES |
dc.type.hasVersion | info:eu-repo/semantics/acceptedVersion | es_ES |
dc.source.bibliographicCitation | Anguita, D., Ghio, A., & Oneto, L. (2013). A Public Domain Dataset for Human Activity Recognition Using Smartphones. University of Genova & Universitat Politecnica de Catalunya | es_ES |
dc.source.bibliographicCitation | 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. | es_ES |
dc.source.bibliographicCitation | 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 | es_ES |
dc.source.bibliographicCitation | 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. | es_ES |
dc.source.bibliographicCitation | Challenger, I., Diaz, Y. & Becerra, R. (2014). The programming language Python. Ciencias Holguín | es_ES |
dc.source.bibliographicCitation | Chetty, 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.bibliographicCitation | Han, 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.bibliographicCitation | Hernández, R., Fernández, C. & Baptista, P. (2017). Metodología de la investigación. Mc Graw Hill. | es_ES |
dc.source.bibliographicCitation | 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. | es_ES |
dc.source.bibliographicCitation | Hovden, T., Huie, M., Bich, T. & Acker, P. (2007). Proximity sensor device and method with activation confirmation. Synaptics Incorporated. | es_ES |
dc.source.bibliographicCitation | Maghsoudi, J. (2017). A Behavioral Biometrics User Authentication Study Using Motion Data from Android Smartphones. Pace University. | es_ES |
dc.source.bibliographicCitation | Micucci, D., Mobilio, M & Napoleano, P. (2017). A Dataset for Human Activity Recognition Using Acceleration Data from Smartphones. Sensors. | es_ES |
dc.source.bibliographicCitation | 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. | es_ES |
dc.source.bibliographicCitation | 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. | es_ES |
dc.source.bibliographicCitation | 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. | es_ES |
dc.source.bibliographicCitation | Pogorelc, B., Bosnić, Z & Gams M. (2011). Automatic recognition of gait-related health problems in the elderly using machine learning. Springer. | es_ES |
dc.source.bibliographicCitation | Shoaib, M., Bosch, S., Durmaz, O., Scholten, H. & Havinga, P. (2015). A Survey of Online Activity Recognition Using Mobile Phones. Sensors. | es_ES |
dc.source.bibliographicCitation | 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. | es_ES |
dc.source.bibliographicCitation | Vaughn, A., Biocco, P., Liu, Y. & Anwar, M. (2018). Activity Detection and Analysis Using Smartphone Sensors. IEEE Computer Society. | es_ES |
dc.source.bibliographicCitation | 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. | es_ES |
dc.source.bibliographicCitation | Wiley, J. (2014). Machine learning methods in chemoinformatics. WIREs Computational Molecular Scienc, 4:468–481. | es_ES |
dc.source.bibliographicCitation | 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 | es_ES |
dc.source.bibliographicCitation | 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 | es_ES |
dc.source.bibliographicCitation | 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 | es_ES |
dc.source.bibliographicCitation | Developers, (2019). Location Strategies. Recuperado de https://developer.android.com/guide/topics/location/strategies#Updates | es_ES |
dc.source.bibliographicCitation | 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 | es_ES |
dc.source.bibliographicCitation | 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 | es_ES |
dc.source.bibliographicCitation | González, J., (2018). Tipos de aprendizaje automático. Recuperado de https://medium.com/soldai/tipos-de-aprendizaje-autom%C3%A1tico413e3c615e2 | es_ES |
dc.source.bibliographicCitation | Hackeando Tec (2015). Redes Neuronales - 1.3 Neuronas Biológicas Superveloces - Hackeando Tec. Recuperado de https://youtu.be/J4rf00Pex1E | es_ES |
dc.source.bibliographicCitation | 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 | es_ES |
dc.source.bibliographicCitation | Hernández, M. (2017). Android Sensor. Recuperado de https://elrobotista.com/android-sensor/ | es_ES |
dc.source.bibliographicCitation | 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 | es_ES |
dc.source.bibliographicCitation | Juárez, 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.bibliographicCitation | Kios Buku Gema. (2011). Using Cellular Telephone Networks for GPS Anywhere. Recuperado de https://kiosbukugema.blogspot.com/2011/03/assisted-gps.html | es_ES |
dc.source.bibliographicCitation | Marín, H. (S.f). Minería de Datos. Recuperado de https://www.tamps.cinvestav.mx/~hmarin/Mineria/EC2.pdf | es_ES |
dc.source.bibliographicCitation | Mira 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.bibliographicCitation | Python Diario. (2018). Mi diario Python. Recuperado de http://www.pythondiario.com. | es_ES |
dc.source.bibliographicCitation | Schultebraucks, L (2015). Introduction to Support Vector Machines. Recuperado de https://medium.com/@LSchultebraucks/introduction-to-support-vectormachines-9f8161ae2fcb | es_ES |
dc.source.bibliographicCitation | Suárez, R. (2017). Python. Recuperado de https://www.ecured.cu/Python | es_ES |
dc.source.bibliographicCitation | 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 | es_ES |
dc.source.bibliographicCitation | Training Data (2019). Techopedia. Recuperado de https://www.techopedia.com/definition/33181/training-data | es_ES |
dc.description.degreename | Ingeniero(a) de Sistemas y Computación | es_ES |
dc.description.degreelevel | Pregrado | es_ES |
dc.publisher.faculty | Facultad de Ingeniería de Sistemas | es_ES |
dc.description.funder | 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. | es_ES |
dc.description.notes | Presencial | es_ES |
dc.publisher.campus | Bogotá - Sur | - |
Aparece en las colecciones: | Ingeniería de sistemas y computación |
Ficheros en este ítem:
Fichero | Tamaño | |
---|---|---|
2020SoniaFernandaMancipeRamirez.pdf | 3.57 MB | Visualizar/Abrir |
2020AutorizacióndeAutores.pdf Restricted Access | 663.44 kB | Visualizar/Abrir Request a copy |
2020Anexo.pdf | 1.59 MB | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons