Resumen

Hoy en día, el reconocimiento de actividad es un tema central en numerosas aplicaciones como el monitoreo de la actividad de pacientes y deportistas, vigilancia y navegación. Centrándose en esta última, en particular en los sistemas de navegación de Pedestrian Dead Reckoning, el reconocimiento de actividad generalmente se explota para obtener puntos de referencia en el mapa de los edificios con el fin de permitir la calibración de las rutinas de navegación. El presente trabajo tiene como objetivo proporcionar una contribución a la definición de un reconocimiento de movimiento más efectivo para aplicaciones de Pedestrian Dead Reckoning. La señal adquirida por un acelerómetro triaxial montado en un cinturón se considera como la entrada al procedimiento de segmentación de movimiento que explota la Transformada Wavelet Continua para detectar y segmentar movimientos cíclicos como caminar. Además, los movimientos segmentados se proporcionan a un clasificador de aprendizaje supervisado para distinguir entre actividades como caminar y caminar hacia abajo y hacia arriba. En particular, se prueban cuatro familias de clasificación de aprendizaje supervisado: árbol de decisiones, Máquina de Vectores de Soporte, vecino más cercano y Aprendizaje en Conjunto. Finalmente, se evalúa la precisión de los modelos de clasificación considerados y se presentan las matrices de confusión relativas.

• 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:Navegación; Reconocimiento de actividades; Acelerómetro; Movimientos; Clasificación; Aprendizaje supervisado
• Keywords:Navigation; Activity recognition; Accelerometer; Movements; Classification; Supervised learning