Un enfoque efectivo para el reconocimiento de actividad humana en teléfonos inteligentes

El reconocimiento de actividad, que toma la lectura del sensor de sensores móviles como entradas y predice una actividad de movimiento humano utilizando técnicas de minería de datos y aprendizaje automático. En este artículo, analizamos el rendimiento de dos algoritmos de clasificación en un sistema de reconocimiento de actividad en línea que funciona en plataformas Android que soporta entrenamiento y clasificación en línea utilizando solo los datos del acelerómetro. Primero usamos el algoritmo de clasificación KNN y luego utilizamos una mejora de los algoritmos de clasificación de Distancia Mínima y K-Vecinos Más Cercanos, llamado KNN Agrupado. Con el fin de reconocer actividades en línea, KNN agrupado elimina la complejidad computacional de KNN creando clústeres, es decir, creando conjuntos de entrenamiento más pequeños para cada actividad y la clasificación se realiza en función de estos conjuntos reducidos. Evaluamos el rendimiento de estos clasificadores en cuatro sujetos de prueba para actividades de caminar, correr, sentarse y estar de pie en un sistema de reconocimiento de actividad en línea. En este artículo, también nos interesa el rendimiento de los clasificadores con datos de entrenamiento limitados y la memoria limitada disponible en los teléfonos en comparación con el off-line.