Aplicación de software para la regulación del uso de teléfonos celulares implementando algoritmos de predicción RegulApp José E. Dominguez M. ➢ ➢ ➢ Contenido ➢ Resumen Introducción Objetivos ➢ General ➢ Particulares Planteamiento ➢ Diagrama del sistema ➢ Justificación ➢ ¿Por qué es innovador? ➢ ¿Por qué es emergente? 2 ➢ ➢ ➢ Contenido ➢ ➢ Hipótesis Alcances Limitaciones Estado del arte Referencias 3 4 Resumen “ En la actualidad el uso de los teléfonos celulares se ha vuelto en una actividad común. Esta tecnología ayuda a las personas a realizar diferentes actividades de la vida diaria en escuela, trabajo y en casa. Pero también se considera una tecnología distractora, debido a su uso no regulado. 5 “ RegulApp es una aplicación de software que regula el uso del teléfono celular. Se implementa el monitoreo a través de un usuario maestro hacia un usuario esclavo. 6 “ RegulApp implementa funciones de regulación a través de algoritmos de predicción como es el caso del algoritmo de árbol. El uso del sensor de proximidad y cámara. 7 8 Introducción “ Estudios realizados por instituciones particulares y de gobierno han recabo información importante sobre la tendencia de uso de los dispositivos móviles. 9 10 • MillwardBrown, 2013: tiempo promedio de uso solo para navegación por internet es de 5 horas 32 minutos. • INEGI, 2018: la población que cuenta con un smartphone incrementó en tan solo un año de 64.7 millones a 69.6 millones de usuarios. Edad estimada, población de 6 años o más. Antecedentes de estudios 11 Objetivos 12 Objetivo general Investigar si una aplicación de software para regular el uso de teléfonos inteligentes mediante algoritmos de predicción puede prevenir su uso desmedido. 13 1. Suspensión a distancia. Objetivos específicos 2. Suspensión mediante el sensor de proximidad. 3. Suspensión del dispositivo por detección de ojos rojos. 4. Suspensión del dispositivo por detección de tendencia de parpadeo. 5. Conexión por la red del modem. 6. Acceso a datos el sensor. 7. Implementación de algoritmo para detección de color y forma. 8. Implementación de algoritmo para predicción. 14 Planteamiento del problema “ Este proyecto propone una aplicación de software que proporcione al usuario opciones de regulación de otros teléfonos celulares. 15 “ Por lo que el software contará con la propiedad de reconocimiento de actividades con funciones de análisis de imagen y algoritmos de predicción. Todo esto mediante el uso de los recursos del dispositivo 16 17 Diagrama del sistema 18 ¿Por qué es innovadora? La característica innovadora de la aplicación es la suspensión remota y los parámetros que el usuario que bloquea a distancia le pone a la aplicación. La aplicación tiene pensada el uso de los recursos del dispositivo como son el sensor de proximidad y la cámara del dispositivo. Al igual de la incorporación de algoritmos de predicción para suspender el dispositivo cuando se detecte cansancio u ojos rojos. 19 ¿Por qué es emergente? Es un tipo tecnología que es prácticamente usada por muchas personas hoy en día y cubre una situación poco atendida, que por muchos es considerada problemática, como es el uso no regulado de los teléfonos celulares. 20 Hipótesis “ ¿Puede una aplicación de software regular el uso de teléfonos celulares al integrar algoritmos de predicción de uso? 21 “ El uso no controlado de los teléfonos celulares ha llevado a sus usuarios a diferentes problemas, incluso de salud. Por lo que este problema se ha tratado mediante la creación de aplicación para el bloque de funciones de los dispositivos. 22 “ La implementación de esta aplicación de software facilitará que las personas regulen el uso de sus teléfonos celulares. 23 24 Alcances 25 Alcances 1. Conexión a internet. 2. Uso de sensor de proximidad del dispositivo. 3. Uso de cámara del dispositivo. 4. Tomará decisiones de suspensión del dispositivo, mediante los algoritmos de predicción. 5. Contará con funciones de suspensión conforme lo requiera el usuario. 26 Limitaciones 27 1. Para su funcionamiento a distancia, se necesitará conexión a internet. Limitaciones 2. El hardware necesario para el funcionamiento del software no será creado. 3. La aplicación solo será compatible con versión de Android 5.0 en adelante. 4. Se tendrá que tener un dispositivo maestro: Ya que se base en el modelo de la tecnología Master / Slave (maestro / esclavo). Es decir, se necesita un usuario que controla el dispositivo a distancia, y el dispositivo que será controlado. Estado del arte Descripción del método de solución Control del dispositivo • Sistema de control parental para dispositivos móviles • Reconocimiento en tiempo real del comportamiento del usuario de teléfonos inteligentes basado en algoritmo de Prophet • Aware: control de acceso de aplicaciones a dispositivos de E/S en plataformas móviles Descripción del método de solución • Reconocimiento de actividad humana basado en sensores de teléfonos inteligentes utilizando modelos de aprendizaje profundo • Predicción del comportamiento de uso de aplicaciones en el sistema operativo Android utilizando algoritmos de aprendizaje no supervisados mejorados Descripción del método de solución • Una descripción general y evaluación de varios algoritmos de detección de rostro y ojos para sistemas de monitoreo de fatiga del conductor • Localización de objetos y estimación de tamaño a partir de imágenes RGB-D • Detección de fatiga usando teléfonos inteligentes • Uso de plataforma móvil para detectar y alertar la fatiga del conductor Descripción del método de solución Algoritmos de predicción • BehavDT: un árbol de decisiones de comportamiento que aprende a construir un modelo predictivo centrado en el usuario • Detección de anomalías de la marcha basada en Seq2Seq RNN a partir de datos de movimiento multimodal adquiridos por teléfono inteligente • Predecir el estado de ánimo, la salud y el nivel de estrés del mañana mediante el aprendizaje multitarea personalizado y la adaptación del dominio Descripción del método de solución • Algoritmos de aprendizaje automático para análisis de predicción de datos • Predicción de relevancia de los movimientos oculares utilizando redes neuronales convolucionales semi interpretables • Aplicación móvil para la detección de somnolencia de un conductor aplicando visión artificial Descripción del método de solución • Reconocimiento de actividad humana basado en sensores de teléfonos inteligentes utilizando modelos de aprendizaje profundo • Predicción del comportamiento de uso de aplicaciones en el sistema operativo Android utilizando algoritmos de aprendizaje no supervisados mejorados Descripción del método de solución Uso del sensor de proximidad y analisis de la vista • Desarrollo de una aplicación de Android para la detección de objetos basada en color, forma o características locales • Detección de somnolencia del conductor en tiempo real para aplicaciones de Android utilizando técnicas de redes neuronales • Reconocimiento de iris con una base de datos de imágenes de iris obtenidas en luz visible usando la cámara del teléfono inteligente Descripción del método de solución • El desarrollo y la evaluación de la aplicación Android SmartAbility para detectar las capacidades de los usuarios • Un enfoque basado en el aprendizaje profundo para las pruebas automatizadas de aplicaciones Android Referencias 37 ○ Bhattacharya, N., Rakshit, S., Gwizdka, J., and Kogut, P. Relevance prediction from eye-movements using semi-interpretable Referencias convolutional neural networks. ○ Bonetto, R., Soldan, M., Lanaro, A., Milani, S., and Rossi, M. Seq2seq rnn based gait anomaly detection from smartphone acquired multimodal motion data. ○ Eagle, N. and Pentland, A. S. (2006). Reality mining: sensing complex social systems. Personal and ubiquitous computing, 10(4):255–268. ○ Elrefaei, L. A., Al-musawa, M. O., and Al-gohany, N. A. Development of an android application for object detection based on color, shape, or local features. Referencias 38 ○ F., M., A., H., and F., L. Using mobile platform to detect and alerts driver fatigue. 123:27–35. Referencias ○ Hassoubah, R. S., Aljebry, A. F., and Elrefaei, L. A. (2013). Saudi riyal coin detection and recognition. In Proc. IEEE Second Int. Conf. Image Information Processing (ICIIP-2013), pages 62–66. ○ J, H. (2013). Fatigue detection using smartphones. 03. ○ Jabbar, R., Al-Khalifa, K., Kharbeche, M., Alhajyaseen, W., Jafari, M., and Jiang, S. Real-time driver drowsiness detection for android application using deep neural networks techniques. Referencias 39 ○ Jaques, N. and Ognjen, R. (2017). Predict the mood, health and stress level of tomorrow through personalized multitasking learning Referencias and domain adaptation. Journal of Machine Learning Research. ○ Li, Y., Yang, Z., Guo, Y., and Chen, X. A deep learning based approach to automated android app testing. ○ Lopar, M. and Ribari´c, S. An overview and evaluation of various face and eyes detection algorithms for driver fatigue monitoring systems. ○ M., A. and Elkhowiter, K. Parental control system for mobile devices. 177:16– 23. Referencias 40 ○ Mi, C., Xu, R., and Lin, C.-T. Real-time recognition of smartphone user behavior based on prophet algorithms. Referencias ○ Nosrati, M., Karimi, R., and Hariri, M. (2012). Detecting circular shapes from areal images using median filter and cht. Global Journal of Computer Science and Technology. ○ Petracca, G., Atamli, A., Sun, Y., Grossklags, J., and Jaeger, T. Aware: Controlling app access to i/o devices on mobile platforms. ○ S, R. J. F. N. (2019). Smartphone sensor based human activity recognition using deep learning models. International Journal of Recent Technology and Engineering. Referencias 41 ○ Sandoval, L. J. (2018). Algoritmos de aprendizaje automAtico para an ´ Alisis ´ y predicciOn de datos. ´ ITCA FEPADE. Referencias ○ Sarker, I. H., Colman, A., Han, J., Khan, A. I., Abushark, Y. B., and Salah, K. Behavdt: A behavioral decision tree learning to build usercentric context-aware predictive model. ○ Sarker, I. H., Colman, A., Kabir, M. A., and Han, J. (2018). Individualized time-series segmentation for mining mobile phone user behavior. The Computer Journal, 61(3):349–368. ○ SrirangamSridharan, S., Ulutan, O., Priyo, S. N. T., Rallapalli, S., and Srivatsa, M. Object localization and size estimation from rgb-d images. Referencias 42 ○ Taylor, S. J. and Letham, B. (2017). Forecasting at scale. PeerJ PrePrints, 5:e3190. Referencias ○ Thirumurugan, P., Ravichandran, K., and Krishnamoorthy, P. (2019). Application usage behaviour prediction in android os using improved unsupervised learning algorithms. International Journal of Advance Research. ○ Torres, Y. and Palma, M. (2017). Aplicaci´on m´ovil para la detecci´on de somnolencia de un conductor aplicando visi´on artificial. Revista Tecnol´ogica ESPOL. ○ Trokielewicz, M. Iris recognition with a database of iris images obtained in visible light using smartphone camera. Referencias 43 ○ Whittington, P., Dogan, H., Jiang, N., and Phalp, K. The development and evaluation of the smartability android application to detect Referencias users’ abilities.
