Resumen

Esta investigación aborda el reto de reconocer las actividades cotidianas humanas utilizando electromiografía de superficie (sEMG) y sensores inerciales portátiles. El reconocimiento eficaz y eficiente en este contexto se ha convertido en la piedra angular de los sistemas robustos de monitorización remota de la salud, entre otras aplicaciones. Proponemos un novedoso procedimiento que puede alcanzar las precisiones de reconocimiento más avanzadas en un conjunto de datos reciente y estándar: la Base de Datos de la Marcha Humana (HuGaDB). Usando giroscopios, acelerómetros y sensores electromiográficos portátiles colocados en el muslo, la espinilla y el pie, desarrollamos un método que realiza conjuntamente la fusión de sensores y la selección de características. Al realizarse de forma conjunta, el proceso propuesto permite que el modelo aprendido se beneficie de la interacción de características que, de otro modo, podrían haberse descartado. Utilizando características estadísticas y temporales de señales heterogéneas de los tipos de sensores mencionados, nuestro enfoque alcanza una precisión media del 99,8%, que es la mayor precisión en HuGaDB de la bibliografía. Esta investigación subraya el potencial de incorporar señales EMG, especialmente cuando la fusión y la selección se realizan simultáneamente. Además, es válido incluso con métodos sencillos de selección de características, como la familia de algoritmos de selección secuencial de características. Además, mediante extensas simulaciones, demostramos que el muslo izquierdo es una ubicación clave para alcanzar altas precisiones. Sólo con un sensor inercial en ese lugar, logramos una precisión media del 98,4%. El análisis comparativo en profundidad que presentamos muestra la influencia que cada tipo de sensor, posición y colocación puede tener en la precisión del reconocimiento, una herramienta que puede facilitar el desarrollo de sistemas robustos, adaptados a escenarios específicos y aplicaciones de la vida real.

• Materias:Inteligencia artificial Big Data Registros médicos electrónicos Acelerómetros Antecedentes teóricos
• Subjects:Artificial intelligence Big Data Electronic medical records Accelerometers Theoretical background
• Palabras claves:precisión media, familia de selección secuencial de características, sistemas robustos de control sanitario a distancia, métodos de selección de características de estanterías, base de datos de la marcha humana, tipos de sensores mencionados, precisiones de reconocimiento de arte, actividades diarias humanas, sensores inerciales portátiles, HuGaDB
• Keywords:mean accuracy, Sequential Feature Selection family, robust remote health monitoring systems, shelf feature selection methods, Human Gait Database, aforementioned sensor types, art recognition accuracies, human daily activities, wearable inertial sensors, HuGaDB