Estudio comparativo de redes de aprendizaje profundo para reconocimiento de actividades empleando sensores inerciales
Year: 2023
Type: dissertation
Abstract: HAR (Human Activity Recognition) o reconocimiento de actividades humanas, es un campo de investigación centrado, como su nombre indica, en la capacidad de reconocer la actividad humana que está siendo realizada. Suponiendo, especialmente en la última década, un campo de elevada relevancia en investigación, dadas las posibilidades que ofrece para la mejora de la calidad de vida de las personas en ámbitos muy diversos, tales como el sanitario, el transporte o la seguridad entre otros. \nAunque este campo de investigación no es nuevo, la evolución reciente de los sistemas de sensores inerciales, y de los sistemas de computación (aprendizaje automático), han supuesto un incremento notable en la capacidad de los investigadores de trabajar en este problema. Por ejemplo, centrándonos únicamente en el campo del aprendizaje automático, es posible encontrar en la literatura más reciente propuestas de redes neuronales muy diversas, aportando diferentes opciones para poder dar una mejor solución al problema del HAR, superando los resultados anteriores. \nCon esta última afirmación como base, en el presente trabajo se realiza una búsqueda de las arquitecturas de red, propuestas en la literatura de la última década, para resolver el problema del HAR con sensores inerciales. A continuación, se implementan algunas de dichas arquitecturas y se comparan los resultados con los obtenidos en un trabajo de fin de máster previo, empleando la base de datos pública REALDISP. Adicionalmente, se estudia cómo la utilización de datos de aceleración, cuaternios, orientación o su combinación afecta a la exactitud del reconocimiento. Este TFM ha permitido identificar las mejores aproximaciones de redes neuronales con sensores inerciales, así como cuáles son los mejores datos de entrada a utilizar, para el reconocimiento de actividades con la base de datos REALDISP.
Author: Antolínez López, Daniel
Institution: Universidad de Valladolid
Language: Spanish
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7046676351
