Reconocimiento de actividad mediante relojes inteligentes

Abstract

En este Trabajo de Fin de Grado se aborda el reconocimiento de la actividad humana (HAR) a partir de datos de acelerómetro y giroscopio procedentes del dataset WISDM. Tras una amplia fase de preprocesado y limpieza de señales, se extraen características en el dominio del tiempo (media, percentiles, curtosis, autocorrelación, etc.) y en el dominio de la frecuencia (frecuencias dominantes, área bajo la curva espectral, estadísticas de amplitud). Se comparan tres familias de modelos: Random Forest, SVM con kernel RBF y una arquitectura LSTM de dos capas, tanto en tareas multiclasificación de 13 actividades como en un escenario binario (“caminar” vs. “no caminar”). Para los enfoques clásicos se evalúan estrategias “multiclass” y “ensemble” One-vs-Rest; para la LSTM se diseñan dos versiones (multiclase con softmax y binaria con sigmoide). La evaluación, basada en accuracy, precision, recall y F1-score en validación cruzada por usuario, muestra que en multiclasificación Random Forest estandarizado lidera el rendimiento (aproximadamente 84 % de accuracy), mientras que en la tarea binaria la SVM-RBF alcanza el mejor desempeño (92 % de aciertos). Finalmente, se discuten posibles extensiones: explorar CNN/Transformer, ajustar arquitecturas recurrentes (GRU, atención), combinar HAR con identificación de usuario por marcha y desplegar la solución en aplicaciones móviles, tanto en tiempo real como en informes diarios.

Human Activity Recognition (HAR) based on mobile sensors has become a critical component in health monitoring, sports analytics, and context-aware services. In this project, we use the WISDM accelerometer and gyroscope dataset to design a complete HAR pipeline. After signal cleaning and temporal segmentation into overlapping windows, we compute statistical features in the time domain (e.g., mean, percentiles, kurtosis, autocorrelation peaks) and in the frequency domain (e.g., dominant frequencies, spectral area, amplitude statistics). We evaluate three model families—Random Forest, Radial Basis Function SVM, and a two-layer LSTM—on both a 13-class multiclass problem and a binary “walking vs. non-walking” task. Classical classifiers are tested under multiclass and One-vs-Rest ensemble schemes, while the LSTM is implemented with softmax and sigmoid output layers. Using user-wise cross-validation and metrics including accuracy, precision, recall, and F1-score, we find that Random Forest achieves the highest multiclass accuracy (approximately 84 %), whereas the standardized RBF SVM leads in the binary task with approximately 92 % accuracy. We conclude with future directions: incorporating CNNs or Transformer-based encoders, experimenting with GRU and attention mechanisms, combining HAR with gait-based user identification, and deploying real-time and daily-summary applications on mobile devices.