Resumen

La tecnología de detección del movimiento humano está ganando una enorme popularidad en la actualidad, con aplicaciones prácticas como la videovigilancia para la seguridad, la señalización con las manos y los juegos y el hogar inteligentes. Estas aplicaciones captan los movimientos humanos en tiempo real a partir de sensores de vídeo, los patrones de datos no son estacionarios y cambian constantemente. Mientras que la tecnología de hardware de estos dispositivos de detección de movimiento, así como su proceso de recopilación de datos, han alcanzado una relativa madurez, el reto computacional reside en el análisis en tiempo real de estas transmisiones en directo. En este artículo se argumenta que los métodos tradicionales de minería de datos se quedan cortos a la hora de analizar con precisión los patrones de actividad humana a partir del flujo de datos de los sensores. Esta deficiencia se debe a que el diseño algorítmico no se adapta a los cambios dinámicos de los movimientos gestuales. El sucesor de estos algoritmos, conocido como minería de flujos de datos, se evalúa frente a la minería de datos tradicional mediante un caso de reconocimiento de gestos a partir de datos de movimiento utilizando sensores Microsoft Kinect. Se pidió a tres sujetos diferentes que leyeran tres tiras cómicas y contaran las historias delante del sensor. El flujo de datos contiene coordenadas de puntos de articulación y diversas posiciones de las partes del cuerpo humano correspondientes a las acciones que realiza el usuario. En concreto, se propone una novedosa técnica de selección de características mediante búsqueda en enjambre y PSO acelerado que permite un preprocesamiento rápido para inducir un modelo de clasificación mejorado en tiempo real. El experimento realizado con este flujo de datos empíricos muestra resultados superiores. La contribución de este trabajo es un estudio comparativo entre el uso de algoritmos tradicionales y de minería de flujo de datos y la incorporación de la nueva técnica mejorada de selección de características con un escenario en el que diferentes patrones de gestos deben ser reconocidos a partir de datos de sensores de streaming.

• Materias:Redes de sensores Sensores inalámbricos Sistema de sensores Sensor inteligente Sensores electroquímicos
• Subjects:Sensor networks Wireless sensors Sensor system Intelligent sensor Electrochemical sensors
• Palabras claves:algoritmos de extracción de flujos de datos, métodos tradicionales de extracción de datos, sensores kinect de microsoft, proceso de recogida de datos, extracción de flujos de datos, diferentes patrones gestuales, movimientos gestuales dinámicos, flujo de datos empírico, técnica de selección de características, patrones de actividad humana
• Keywords:data stream mining algorithms, traditional data mining methods, microsoft kinect sensors, data collection process, data stream mining, different gesture patterns, dynamic gesture motions, empirical data stream, feature selection technique, human activity patterns