Reconocimiento de Actividades Humanas a través de un Modelo Híbrido Basado en Aprendizaje Profundo

En los últimos años, el Reconocimiento de Actividades Humanas (HAR) se ha convertido en uno de los temas de investigación más importantes en los dominios de la salud y la interacción humano-máquina. Se han desarrollado muchos modelos basados en inteligencia artificial para el reconocimiento de actividades; sin embargo, estos algoritmos no logran extraer características espaciales y temporales, lo que provoca un rendimiento deficiente en el HAR a largo plazo en el mundo real. Además, en la literatura, hay un número limitado de conjuntos de datos disponibles públicamente para el reconocimiento de actividades físicas que contienen un menor número de actividades. Teniendo en cuenta estas limitaciones, desarrollamos un modelo híbrido mediante la incorporación de una Red Neuronal Convolucional (CNN) y Memoria a Corto y Largo Plazo (LSTM) para el reconocimiento de actividades, donde la CNN se utiliza para la extracción de características espaciales y la red LSTM se utiliza para aprender información temporal. Adicionalmente, se genera un nuevo conjunto de datos desafiante que se recolecta de 20 participantes utilizando el sensor Kinect V2 y contiene 12 clases diferentes de actividades físicas humanas. Se realiza un extenso estudio de ablación sobre diferentes modelos tradicionales de aprendizaje automático y aprendizaje profundo para obtener la solución óptima para el HAR. Se logra una precisión del 90.89% a través de la técnica CNN-LSTM, lo que muestra que el modelo propuesto es adecuado para aplicaciones de HAR.