Clasificación de actividad física mediante señales de acelerometría
Resumen
El presente trabajo aborda la problemática asociada con el reconocimiento de patrones de señales provenientes de acelerómetros para identificar y clasificar un grupo de 12 actividades físicas, las señales se recolectaron mediante acelerómetros colocados en tres posiciones antropométricas distintas: pecho, muñeca derecha, tobillo izquierdo. Se desarrolló un modelo de Redes Neuronales Artificiales (ANN) que clasifica este conjunto de actividades utilizando únicamente señales de acelerometría como entrada. Se presenta una comparativa del rendimiento de la red neuronal tipo feedforward (RNAf). La evaluación se realizó en cuatro escenarios de clasificación diferentes, concluyendo que el pecho fue la posición más efectiva para la clasificación, logrando un 77% de precisión. Sin embargo, al adoptar un enfoque integral que considera las señales de los tres sensores, la precisión aumentó significativamente, alcanzando un 90%.
Descargas
Citas
Acevedo, E., Serna, A., & Serna, E. (2017). Principios y características de las redes neuronales artificiales. Desarrollo e innovación en ingeniería, 173.
AlShorman, O., Alshorman, B., & Masadeh, M. S. (2020). A review of physical human activity recognition chain using sensors. Indonesian Journal of Electrical Engineering and Informatics (IJEEI), 8(3), 560-573.
Banos,Oresti, Garcia,Rafael, and Saez,Alejandro. (2014). MHEALTH Dataset. UCI Machine Learning
Bulling, A., Blanke, U., & Schiele, B. (2014). A tutorial on human activity recognition using body-worn inertial sensors. ACM Computing Surveys (CSUR), 46(3), 1-33.
Carpenter, A., Pencharz, P., & Mouzaki, M. (2015). Accurate estimation of energy requirements of young patients. Journal of Pediatric Gastroenterology and Nutrition, 60(1), 4-10.
Demrozi, F., Pravadelli, G., Bihorac, A., & Rashidi, P. (2020). Human activity recognition using inertial, physiological and environmental sensors: A comprehensive survey. IEEE access, 8, 210816-210836.
Disse, E., Ledoux, S., Bétry, C., Caussy, C., Maitrepierre, C., Coupaye, M., ... & Simon, C. (2018). An artificial neural network to predict resting energy expenditure in obesity. Clinical Nutrition, 37(5), 1661-1669.
Garnotel, M., Simon, C., & Bonnet, S. (2019, July). Physical activity estimation from accelerometry. In 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (pp. 6-10). IEEE.
Grossi, E., & Buscema, M. (2007). Introduction to artificial neural networks. European journal of gastroenterology & hepatology, 19(12), 1046-1054.
Preece, S. J., Goulermas, J. Y., Kenney, L. P., & Howard, D. (2008). A comparison of feature extraction methods for the classification of dynamic activities from accelerometer data. IEEE Transactions on Biomedical Engineering, 56(3), 871-879.
San-Segundo, R., Montero, J. M., Barra-Chicote, R., Fernández, F., & Pardo, J. M. (2016). Feature extraction from smartphone inertial signals for human activity segmentation. Signal Processing, 120, 359-372.
Shcherbina, A., Mattsson, C. M., Waggott, D., Salisbury, H., Christle, J. W., Hastie, T., ... & Ashley, E. A. (2017). Accuracy in wrist-worn, sensor-based measurements of heart rate and energy expenditure in a diverse cohort. Journal of personalized medicine, 7(2), 3.
Shoaib, M., Bosch, S., Incel, O. D., Scholten, H., & Havinga, P. J. (2016). Complex human activity recognition using smartphone and wrist-worn motion sensors. Sensors, 16(4), 426.
Van Nguyen, N. H., Pham, M. T., Dai Ung, N., & Tachibana, K. (2018). Human activity recognition based on weighted sum method and combination of feature extraction methods. International Journal of Intelligent Information Systems, 7(1), 9.
Derechos de autor 2024 Elizabeth Cavita-Huerta, Juan Reyes-Reyes
![Creative Commons License](http://i.creativecommons.org/l/by-nc-nd/4.0/88x31.png)
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.