Resumen

El reconocimiento automático de actividades físicas humanas es una tarea importante en aplicaciones de visión por computador. Los enfoques robustos que utilizan unos o varios sensores generalmente vinculan características redundantes que consumen recursos computaciones y tiempo de cómputo durante elproceso de clasificación de subactividades. En este artículo se explora la reducción de dimensión parael reconocimiento de actividades y movimientos primitivos humanos fusionando datos provenientes desensores de profundidad visual Kinect, sensores inerciales IMUs y electrodos de registro electromiográfico(EMGs). También se enseña un estudio comparativo donde se evalúa diferentes técnicas de reducción decaracterísticas del estado arte, se analiza el comportamiento en base al desempeño en el reconocimientode actividades física y el tiempo de cómputo de los métodos bajo estudio. Los resultados muestran que,metodologías del estado de arte pueden tener un menor costo temporal a la hora de su implementación sin afectar considerablemente el desempeño al reconocer la actividad.

INTRODUCCIÓN

El estudio de actividad física humana es una temática de interés debido a las aplicaciones que requieren de este tipo de análisis. Algunos ejemplos son la rehabilitación de pacientes, cuidado de enfermos, seguridad, monitoreo y seguimiento de elementos móviles. Esta tarea ha sido constituida a través de sistemas expertos que utilizan sensores electrónicos para la caracterización e identificación de los movimientos (1,2,3,4,5.

Para la implementación, se requieren sensores de movimiento y técnicas modernas de análisis de datos. Algunas de las variaciones de sensor más comunes en esta tarea son: Cámaras de profundidad, sensores de masa inercial (IMU) y electromiográficos (EMG). Aunque se han realizado diferentes estudios con información proveniente de estas modalidades de sensor, cada enfoque ha demostrado tener ventajas y desventajas ante diferentes escenarios (1, 4,6,7.

En la investigación 1 se plantea una metodología basada en movimientos primitivos para la detección automática de actividades físicas, si bien en este se conservan elementos presentados en (6, 8), este trabajo introduce el uso de la fusión de sensores (Kinect, IMU y EMG). Esta variante aumenta el desempeño en la clasificación de actividad aprovechando las virtudes de cada sensor, además de ofrecer alternativas de funcionamiento al sistema ante posibles fallas tales como auto oclusiones, desconexiones de los sensores y daños en los mismos (1. Otro aporte importante de este trabajo es el cambio de un diccionario de posturas, por uno de micro-movimientos (movimientos primitivos), tal y como se plantea en el trabajo 6, permitiendo la asignación de etiquetas, no solo para el sensor Kinect, si no para las otras modalidades de sensores donde no existe la forma de asignar una etiqueta a las posturas para diferentes frecuencias de muestreo de los sensores.

• Materias:Red de sensores Actividad física Sistema de reducción
• Subjects:Sensor network Physical activity Reduction system
• Palabras claves:Actividades físicas, movimientos primitivos, reducción de dimensiones, aprendizaje de máquina.
• Keywords:Physical activities, primitive movements, dimensions reduction, machine learning.