Allan Costa Nascimento dos Santos
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Allan Costa Nascimento dos Santos has a total of 18 co-authors. Here are the top co-authors by number of shared publications:
- Gheorghita Ghinea
Department of Computer Science, Brunel University London, London, UK
3 shared publications - Natalia Castro Fernandes
MdiaCom, PPGEET, Universidade Federal Fluminense (UFF), Niteri, Brazil
3 shared publications - Raphael Guerra
Laboratório MídiaCom Instituto de Computac ¸ão Universidade Federal Fluminense (UFF) -Niterói -RJ Brasil
3 shared publications - Taiane C. Ramos
Laboratório MídiaCom Instituto de Computac ¸ão Universidade Federal Fluminense (UFF) -Niterói -RJ Brasil
3 shared publications - Célio Albuquerque
Universidade Federal Fluminense -UFF
2 shared publications - Debora Christina Muchaluat Saade
Universidade Federal Fluminense, Niteroi, Brazil
2 shared publications
Latest Publications
- Open Access
- 15 August 2026
- Published by Springer Nature in Annals of Telecommunications
- p. 1-28
A transformer-based framework for device-free human activity recognition using Wi-Fi CSI
Human activity recognition (HAR) plays a pivotal role in ambient assisted living, particularly for monitoring the elderly and patients with chronic conditions. However, traditional approaches relying on wearable sensors or video cameras face significant challenges regarding user compliance and privacy intrusion. To mitigate these issues, this paper proposes a device-free sensing (DFS) ( https://github.com/mestrelan/MDA-CSI ) framework utilizing Wi-Fi channel state information (CSI), named . We introduce a robust Transformer-based architecture designed to capture long-range temporal dependencies in wireless signals. was validated using a comprehensive dataset from 86 volunteers, ensuring high generalization capabilities across diverse human motion patterns.
- 15 August 2026
- Published by Springer Nature in Annals of Telecommunications
- p. 1-28
Open AccessA transformer-based framework for device-free human activity recognition using Wi-Fi CSI
Human activity recognition (HAR) plays a pivotal role in ambient assisted living, particularly for monitoring the elderly and patients with chronic conditions. However, traditional approaches relying on wearable sensors or video cameras face significant challenges regarding user compliance and privacy intrusion. To mitigate these issues, this paper proposes a device-free sensing (DFS) ( https://github.com/mestrelan/MDA-CSI ) framework utilizing Wi-Fi channel state information (CSI), named . We introduce a robust Transformer-based architecture designed to capture long-range temporal dependencies in wireless signals. was validated using a comprehensive dataset from 86 volunteers, ensuring high generalization capabilities across diverse human motion patterns.
- Open Access
- 13 April 2026
- Published by Association for Computing Machinery (ACM)
- p. 672-676
Web3BlockSet: A Dataset for Empirical Research in Blockchain-Oriented Software Engineering
- 13 April 2026
- Published by Association for Computing Machinery (ACM)
- p. 672-676
Open AccessWeb3BlockSet: A Dataset for Empirical Research in Blockchain-Oriented Software Engineering
- Open Access
- 9 June 2025
- Published by Sociedade Brasileira de Computação
- p. 885-896
Uma Metodologia Baseada em Modelo Transformer para Reconhecimento da Atividade de Varrer Independente de Pessoa Usando Dados Wi-Fi CSI
O uso de informações de estado do canal para reconhecimento de atividades humanas é promissor na área da saúde, especialmente para monitoramento remoto de pacientes. Ao capturar e interpretar sinais Wi-Fi em ambientes internos, o CSI pode ser usado para detectar atividade física, quedas ou movimentos diários de um paciente, permitindo que cuidadores e profissionais de saúde monitorem pacientes sem a necessidade de sensores vestíveis ou câmeras invasivas. O CSI tem grande potencial no atendimento a idosos. Portanto, este artigo propõe uma metodologia chamada DVC-CSI para identificar a atividade de varrer de uma pessoa em uma sala por meio da análise de dados CSI e um conjunto de dados usado para sua avaliação. O DVC-CSI usa modelos Transformer desenvolvidos para processar dados de séries temporais com uma estrutura que permite capturar dependências temporais. O DVC-CSI é capaz de identificar a atividade de pessoas que não participaram da fase de treinamento do modelo. A acurácia da identificação da atividade de varrer dentro de um conjunto de dados de 17 atividades é de 88,89% usando um conjunto de dados CSI de 86 voluntários (60 participantes para treinamento, 17 participantes para validação e 9 participantes para teste).
- 9 June 2025
- Published by Sociedade Brasileira de Computação
- p. 885-896
Open AccessUma Metodologia Baseada em Modelo Transformer para Reconhecimento da Atividade de Varrer Independente de Pessoa Usando Dados Wi-Fi CSI
O uso de informações de estado do canal para reconhecimento de atividades humanas é promissor na área da saúde, especialmente para monitoramento remoto de pacientes. Ao capturar e interpretar sinais Wi-Fi em ambientes internos, o CSI pode ser usado para detectar atividade física, quedas ou movimentos diários de um paciente, permitindo que cuidadores e profissionais de saúde monitorem pacientes sem a necessidade de sensores vestíveis ou câmeras invasivas. O CSI tem grande potencial no atendimento a idosos. Portanto, este artigo propõe uma metodologia chamada DVC-CSI para identificar a atividade de varrer de uma pessoa em uma sala por meio da análise de dados CSI e um conjunto de dados usado para sua avaliação. O DVC-CSI usa modelos Transformer desenvolvidos para processar dados de séries temporais com uma estrutura que permite capturar dependências temporais. O DVC-CSI é capaz de identificar a atividade de pessoas que não participaram da fase de treinamento do modelo. A acurácia da identificação da atividade de varrer dentro de um conjunto de dados de 17 atividades é de 88,89% usando um conjunto de dados CSI de 86 voluntários (60 participantes para treinamento, 17 participantes para validação e 9 participantes para teste).
- Open Access
- 19 May 2025
- Published by Sociedade Brasileira de Computação
- p. 966-979
Uma Metodologia Baseada em Modelos Transformer para Reconhecimento de Atividades Humanas Independente de Pessoa Usando Dados Wi-Fi CSI
Ao capturar e interpretar sinais Wi-Fi em ambientes internos, o CSI pode ser usado para detectar atividade física, quedas ou movimentos diários de um paciente, permitindo que cuidadores e profissionais de saúde monitorem pacientes sem a necessidade de sensores vestíveis ou câmeras invasivas. Portanto, este artigo propõe uma metodologia chamada MPA-CSI para identificar a atividade de uma pessoa em uma sala por meio da análise de dados CSI e um conjunto de dados usado para sua avaliação. O MPA-CSI usa modelos Transformer desenvolvidos para processar dados de séries temporais. O MPA-CSI é capaz de identificar a atividade de pessoas que não participaram da fase de treinamento do modelo. A acurácia da identificação de movimento é de 96,67% usando um conjunto de dados CSI de 59 voluntários.
- 19 May 2025
- Published by Sociedade Brasileira de Computação
- p. 966-979
Open AccessUma Metodologia Baseada em Modelos Transformer para Reconhecimento de Atividades Humanas Independente de Pessoa Usando Dados Wi-Fi CSI
Ao capturar e interpretar sinais Wi-Fi em ambientes internos, o CSI pode ser usado para detectar atividade física, quedas ou movimentos diários de um paciente, permitindo que cuidadores e profissionais de saúde monitorem pacientes sem a necessidade de sensores vestíveis ou câmeras invasivas. Portanto, este artigo propõe uma metodologia chamada MPA-CSI para identificar a atividade de uma pessoa em uma sala por meio da análise de dados CSI e um conjunto de dados usado para sua avaliação. O MPA-CSI usa modelos Transformer desenvolvidos para processar dados de séries temporais. O MPA-CSI é capaz de identificar a atividade de pessoas que não participaram da fase de treinamento do modelo. A acurácia da identificação de movimento é de 96,67% usando um conjunto de dados CSI de 59 voluntários.