Resumen

Los acelerómetros son una opción muy popular como sensores de movimiento corporal: la razón es, en parte, su capacidad de extraer información útil para inferir automáticamente la actividad física en la que participa el sujeto humano, además de su papel en la alimentación de los estimadores de parámetros biomecánicos. La clasificación automática de las actividades físicas humanas es muy atractiva para los sistemas informáticos omnipresentes, mientras que la conciencia contextual puede facilitar la interacción hombre-máquina, y en biomedicina, mientras que los sistemas de sensores vestibles se proponen para la monitorización a largo plazo. Este artículo se ocupa de los algoritmos de aprendizaje automático necesarios para realizar la tarea de clasificación. Se estudian los clasificadores del Modelo de Markov Oculto (HMM) contrastándolos con los clasificadores del Modelo de Mezcla Gaussiana (GMM). Los HMM incorporan la información estadística disponible sobre la dinámica del movimiento en el proceso de clasificación, sin descartar la historia temporal de los resultados anteriores como hacen los GMM. Se ilustra y discute un ejemplo de los beneficios del apalancamiento estadístico obtenido mediante el análisis de dos conjuntos de datos de series temporales de acelerómetros.

• Materias:Neurociencia Cognitiva Trastornos mentales Imagen por resonancia magnética Ondas encefálicas Neurofisiología
• Subjects:Cognitive Neuroscience Mental disorders Magnetic resonance imaging Brain waves Neurophysiology
• Palabras claves:sistema de computación omnipresente, modelo de markov oculto, modelo de mezcla gaussiana, actividades físicas humanas, sistema de sensores vestibles, estimador de parámetros biomecánicos, apalancamiento estadístico obtenido, monitorización de términos, historial temporal, dinámica de movimiento
• Keywords:pervasive computing system, hidden markov model, gaussian mixture model, human physical activities, wearable sensor system, biomechanical parameters estimator, obtained statistical leverage, terms monitoring, time history, movement dynamic