| Revista: | PÄDI boletín científico de ciencias básicas e ingenierías del ICBI |
| Base de datos: | |
| Número de sistema: | 000578946 |
| ISSN: | 2007-6363 |
| Autores: | Cavita-Huerta, Elizabeth1 Reyes-Reyes, Juan1 |
| Instituciones: | 1Centro Nacional de Investigación y Desarrollo Tecnológico, |
| Año: | 2024 |
| Volumen: | 12 |
| Número: | s/n |
| Paginación: | 50-56 |
| País: | México |
| Idioma: | Español |
| Resumen en inglés | The present work addresses the problem associated with pattern recognition of signals from accelerometers to identify and classify a set of 12 physical activities, the signals were collected by accelerometers placed in three different anthropometric positions: chest, right wrist, left ankle. An Artificial Neural Network (ANN) model was developed that classifies this set of activities using only accelerometry signals as input. A performance comparison of the feedforward neural network (RNAf) is presented. The evaluation was performed in four different classification scenarios, concluding that the chest was the most effective position for classification, achieving 77% accuracy. However, by adopting an integrated approach that considers signals from all three sensors, the accuracy increased significantly, reaching 90%. |
| Resumen en español | El presente trabajo aborda la problemática asociada con el reconocimiento de patrones de señales provenientes de acelerómetros para identificar y clasificar un grupo de 12 actividades físicas, las señales se recolectaron mediante acelerómetros colocados en tres posiciones antropométricas distintas: pecho, muñeca derecha, tobillo izquierdo. Se desarrolló un modelo de Redes Neuronales Artificiales (ANN) que clasifica este conjunto de actividades utilizando únicamente señales de acelerometría como entrada. Se presenta una comparativa del rendimiento de la red neuronal tipo feedforward (RNAf). La evaluación se realizó en cuatro escenarios de clasificación diferentes, concluyendo que el pecho fue la posición más efectiva para la clasificación, logrando un 77% de precisión. Sin embargo, al adoptar un enfoque integral que considera las señales de los tres sensores, la precisión aumentó significativamente, alcanzando un 90%. |
| Palabras clave: | Acelerometría, Actividad física, Redes neuronales artificiales, Reconocimiento de actividad física |
| Keyword: | Accelerometry, Physical Activity, Artificial Neural Networks, Human activity recognition |
| Texto completo: | Texto completo (Ver PDF) |
