Resumen

En este trabajo, se han aplicado la medida de relevancia máxima y el algoritmo de relevancia máxima de redundancia mínima (mRMR) (bajo los criterios D-R y D/R) para seleccionar características y componer diferentes subconjuntos de características basados en eventos observados del sensor de movimiento para el reconocimiento de la actividad humana en entornos domésticos inteligentes. A continuación, se han evaluado los subconjuntos de características seleccionados y se han comparado los índices de precisión en el reconocimiento de actividades con dos algoritmos probabilísticos: el clasificador naive Bayes (NB) y el modelo oculto de Markov (HMM). Los resultados experimentales muestran que no todas las características son beneficiosas para el reconocimiento de la actividad humana y que diferentes subconjuntos de características arrojan diferentes tasas de precisión en el reconocimiento de la actividad humana. Además, incluso el mismo subconjunto de características tiene un efecto diferente en la tasa de precisión del reconocimiento de la actividad humana para diferentes clasificadores de actividad. Es importante que los investigadores que realizan el reconocimiento de actividades humanas tengan en cuenta tanto la relevancia entre las características y las actividades como la redundancia entre las características. En general, tanto la medida de relevancia máxima como el algoritmo mRMR son factibles para la selección de características y positivos para el reconocimiento de actividades.

• Materias:Inteligencia artificial Big Data Registros médicos electrónicos Acelerómetros Antecedentes teóricos
• Subjects:Artificial intelligence Big Data Electronic medical records Accelerometers Theoretical background
• Palabras claves:reconocimiento de actividad humana, diferentes subconjuntos de características, medida de relevancia máxima, características, índices de precisión en el reconocimiento de actividad, diferentes índices de precisión en el reconocimiento de actividad humana, índice de precisión en el reconocimiento de actividad humana, diferentes clasificadores de actividad, eventos del sensor de movimiento, mismo subconjunto de características
• Keywords:human activity recognition, different features subsets, maximal relevance measure, features, activity recognition accuracy rates, different human activity recognition accuracy rates, human activity recognition accuracy rate, different activity classifiers, motion sensor events, same features subset