Resumen

Este artículo aborda enfoques para el Reconocimiento de Actividades Humanas (HAR, por sus siglas en inglés) con el objetivo de monitorear la actividad física de las personas en el lugar de trabajo, mediante una aplicación de teléfono inteligente que aprovecha el acelerómetro incorporado disponible. De hecho, el HAR a través de un teléfono inteligente o sensor portátil puede proporcionar información importante sobre el nivel de actividad física diaria, especialmente en situaciones donde suele ocurrir un comportamiento sedentario, como en entornos laborales modernos. El aumento del tiempo de estar sentado está significativamente asociado con enfermedades graves, y el lugar de trabajo es un entorno de intervención adecuado, debido al comportamiento sedentario típico de los trabajos modernos. En este artículo, se analizan los componentes de vanguardia de HAR, con el fin de identificar y seleccionar las soluciones de filtrado de señales y de ventana más efectivas para el monitoreo de la actividad física. El proceso de desarrollo del clasificador se basa en tres fases; una fase de extracción de características, una fase de selección de características y una fase de entrenamiento. En la fase de entrenamiento, se utiliza un conjunto de datos de acceso público para probar entre diferentes tipos de clasificadores y métodos de aprendizaje. Se ha desarrollado una aplicación de teléfono inteligente basada en Android, amigable para el usuario y con bajos requisitos computacionales, para realizar pruebas de campo, lo que permite cambiar fácilmente el clasificador en prueba y recopilar nuevos conjuntos de datos listos para ser utilizados con APIs de aprendizaje automático. Los conjuntos de datos recién creados pueden incluir información adicional, como la posición del teléfono inteligente, su orientación y las características físicas de los usuarios. Utilizando la herramienta móvil, se configura finalmente un clasificador basado en un árbol de decisiones y se enriquece con la introducción de algunas mejoras de robustez. El enfoque desarrollado es capaz de clasificar seis actividades y distinguir entre estados no activos (sentado) y activos, con una precisión cercana al 99%. La herramienta móvil, que se va a ampliar y enriquecer aún más, permitirá una evaluación rápida y sencilla de nuevos algoritmos basados en datos generados previamente y en conjuntos de datos recopilados en el futuro.

• Materias:Algoritmo dinámico Redes Inalámbricas Redes de Comunicación Sistema de colas Teoría de juegos
• Subjects:Dynamic Algorithm Wireless Networks Communication networks Queuing systems Game theory
• Palabras claves:Enfoques; Reconocimiento de la actividad humana; Aplicación para smartphone; Monitorización de la actividad física; Comportamiento sedentario; Desarrollo de clasificadores.
• Keywords:Approaches; Human activity recognition; Smartphone application; Physical activity monitoring; Sedentary behavior; Classifier development.