El reconocimiento automático de actividades físicas humanas es una tarea importante en aplicaciones de visión por computador. Los enfoques robustos que utilizan unos o varios sensores generalmente vinculan características redundantes que consumen recursos computaciones y tiempo de cómputo durante elproceso de clasificación de subactividades. En este artículo se explora la reducción de dimensión parael reconocimiento de actividades y movimientos primitivos humanos fusionando datos provenientes desensores de profundidad visual Kinect, sensores inerciales IMUs y electrodos de registro electromiográfico(EMGs). También se enseña un estudio comparativo donde se evalúa diferentes técnicas de reducción decaracterísticas del estado arte, se analiza el comportamiento en base al desempeño en el reconocimientode actividades física y el tiempo de cómputo de los métodos bajo estudio. Los resultados muestran que,metodologías del estado de arte pueden tener un menor costo temporal a la hora de su implementación sin afectar considerablemente el desempeño al reconocer la actividad.
INTRODUCCIÓN
El estudio de actividad física humana es una temática de interés debido a las aplicaciones que requieren de este tipo de análisis. Algunos ejemplos son la rehabilitación de pacientes, cuidado de enfermos, seguridad, monitoreo y seguimiento de elementos móviles. Esta tarea ha sido constituida a través de sistemas expertos que utilizan sensores electrónicos para la caracterización e identificación de los movimientos (1,2,3,4,5.
Para la implementación, se requieren sensores de movimiento y técnicas modernas de análisis de datos. Algunas de las variaciones de sensor más comunes en esta tarea son: Cámaras de profundidad, sensores de masa inercial (IMU) y electromiográficos (EMG). Aunque se han realizado diferentes estudios con información proveniente de estas modalidades de sensor, cada enfoque ha demostrado tener ventajas y desventajas ante diferentes escenarios (1, 4,6,7.
En la investigación 1 se plantea una metodología basada en movimientos primitivos para la detección automática de actividades físicas, si bien en este se conservan elementos presentados en (6, 8), este trabajo introduce el uso de la fusión de sensores (Kinect, IMU y EMG). Esta variante aumenta el desempeño en la clasificación de actividad aprovechando las virtudes de cada sensor, además de ofrecer alternativas de funcionamiento al sistema ante posibles fallas tales como auto oclusiones, desconexiones de los sensores y daños en los mismos (1. Otro aporte importante de este trabajo es el cambio de un diccionario de posturas, por uno de micro-movimientos (movimientos primitivos), tal y como se plantea en el trabajo 6, permitiendo la asignación de etiquetas, no solo para el sensor Kinect, si no para las otras modalidades de sensores donde no existe la forma de asignar una etiqueta a las posturas para diferentes frecuencias de muestreo de los sensores.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Aplicación de la computación en nube en la predicción de la mejora del ejercicio de los sistemas cardiovascular y digestivo en pacientes obesos
Artículo:
Utilización de la circunvolución de entidades y la atención multinivel a las frases para mejorar la extracción de relaciones supervisadas a distancia
Artículo:
Tecnología de diagnóstico automático de la insuficiencia cardíaca basada en señales de ECG
Artículo:
Propiedades de electrodo de nanoesferas de Mn2O3 sintetizadas por método combinado sonoquímico/solvotérmico para su uso en condensadores electroquímicos
Artículo:
Avances recientes en la fabricación de nanoestructuras de baja dimensión mediante transformación y acoplamiento asistidos por superficie
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Presentación:
Estudio de movimientos y tiempos
Artículo:
Estudio sobre la evaluación de la sostenibilidad de los productos innovadores
Software:
Simulación del proceso de extracción sólido-líquido EXTSL