Reconocimiento de Actividades Humanas Utilizando Aprendizaje Automático e Inicialización Artificial

El Reconocimiento de Actividades Humanas (HAR) es un desafío importante para aplicaciones en diversas áreas como la atención médica, entornos inteligentes y vigilancia. En este documento, proponemos un enfoque basado en aprendizaje automático e inteligencia artificial para HAR utilizando datos de sensores portátiles. La proliferación de dispositivos portátiles ha hecho posible recopilar una amplia gama de datos de sensores, incluidos lecturas de acelerómetros y giroscopios, proporcionando valiosas perspectivas sobre la actividad humana. Nuestro enfoque propuesto utiliza algoritmos de aprendizaje automático, incluidos máquinas de vectores de soporte (SVM), bosques aleatorios y redes neuronales artificiales (ANN), para clasificar actividades humanas basadas en datos de sensores. Exploramos métodos de extracción de características que transforman lecturas de sensores en bruto en representaciones significativas, incluidas características de dominio temporal y de frecuencia. También exploramos la efectividad de los métodos de selección de características para identificar las características más discriminatorias para el reconocimiento de actividades. También utilizamos técnicas de aprendizaje profundo como Redes Neuronales Convolucionales (CNN) y Redes Neuronales Recurrentes (RNN) para aprender automáticamente representaciones jerárquicas de los sensores para HAR. Estamos desarrollando una arquitectura de aprendizaje profundo adaptada a datos de sensores secuenciales que captura tanto las dependencias espaciales como las temporales inherentes a la actividad humana. Evaluamos el enfoque propuesto en conjuntos de datos disponibles públicamente que cubren una variedad de actividades humanas, incluidas caminar, correr, sentarse, estar de pie y otras actividades diarias comunes. Los resultados experimentales demuestran la efectividad de nuestro método en el reconocimiento preciso de actividades humanas, superando enfoques de referencia y logrando un rendimiento de vanguardia en tareas de HAR. También comparamos y analizamos varios modelos de aprendizaje automático y aprendizaje profundo para revisar los pros y los contras de las aplicaciones de HAR. También discutimos consideraciones prácticas como la complejidad computacional, la escalabilidad y el rendimiento en tiempo real, destacando los desafíos y oportunidades para futuras investigaciones.