Human activity recognitionnew approaches based on machine learning and deep learning

Resumen

En la actualidad, la comunidad científica está prestando gran atención al campo del reconocimiento de las actividades humanas (HAR), el cual ha cobrado notable protagonismo como tema de debate. Desde la irrupción de los smartphones y los dispositivos wearables en la vida cotidiana, los costes y la facilidad de realizar estudios en este campo han experimentado una mejora significativa. Además, su aplicabilidad en diversos campos de estudio como la medicina, el fitness o la domótica hacen que esta temática sea aún más atractiva para los investigadores del ámbito. Sin embargo, a pesar de los grandes avances realizados en la última década, no es posible transferir este conocimiento adquirido hacia un entorno de la vida real. Esto se debe a que la grandísima mayoría de los trabajos relacionados fueron llevados a cabo en condiciones de laboratorio. En otras palabras, con indicaciones muy específicas, colocando los dispositivos de medición y realizando las acciones de una forma muy concreta que no representa para nada la variabilidad presente en el mundo real. Por ello, esta Tesis se ha centrado en orientar la investigación en este campo hacia un entorno de la vida real. Para ello, se ha construido un conjunto de datos propio con el que poder llevar a cabo la investigación principal, a partir de los sensores de los smartphones personales de 19 individuos diferentes. La diferencia principal de dicho conjunto de datos con respecto a los ya existentes en la comunidad científica es que se les ha dado a dichas personas la mayor libertad posible para utilizar su smartphone durante las recolecciones de datos. De este modo, aún realizando la misma acción conceptualmente, los datos resultantes pueden variar, ya que cada individuo puede utilizar el smartphone de forma diferente, tal y como ocurre en la vida diaria. Así, una vez obtenidos los datos, se llevó a cabo un estudio exhaustivo sobre los mismos, en búsqueda de los mejores modelos de machine learning y deep learning para clasificar los datos según las acciones estudiadas. Los resultados confirman la posibilidad de transferir el conocimiento adquirido hacia un entorno de la vida real. Entre los métodos utilizados, conviene destacar, en relación a sus rendimientos, a los modelos basados en árboles, como Random Forest, y otros de deep learning como las redes de neuronas convolucionales (CNN) o las redes neuronales recurrentes basadas en la técnica de Long Short-Term Memory (LSTM).