RT info:eu-repo/semantics/masterThesis
T1 Estudio comparativo de redes de aprendizaje profundo para reconocimiento de actividades empleando sensores inerciales
A1 Antolínez López, Daniel
A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
K1 REALDISP
K1 Aprendizaje profundo
K1 Unidad de medida inercial
AB HAR (Human Activity Recognition) o reconocimiento de actividades humanas, es un campo de investigación centrado, como su nombre indica, en la capacidad de reconocer la actividad humana que está siendo realizada. Suponiendo, especialmente en la última década, un campo de elevada relevancia en investigación, dadas las posibilidades que ofrece para la mejora de la calidad de vida de las personas en ámbitos muy diversos, tales como el sanitario, el transporte o la seguridad entre otros.Aunque este campo de investigación no es nuevo, la evolución reciente de los sistemas de sensores inerciales, y de los sistemas de computación (aprendizaje automático), han supuesto un incremento notable en la capacidad de los investigadores de trabajar en este problema. Por ejemplo, centrándonos únicamente en el campo del aprendizaje automático, es posible encontrar en la literatura más reciente propuestas de redes neuronales muy diversas, aportando diferentes opciones para poder dar una mejor solución al problema del HAR, superando los resultados anteriores.Con esta última afirmación como base, en el presente trabajo se realiza una búsqueda de las arquitecturas de red, propuestas en la literatura de la última década, para resolver el problema del HAR con sensores inerciales. A continuación, se implementan algunas de dichas arquitecturas y se comparan los resultados con los obtenidos en un trabajo de fin de máster previo, empleando la base de datos pública REALDISP. Adicionalmente, se estudia cómo la utilización de datos de aceleración, cuaternios, orientación o su combinación afecta a la exactitud del reconocimiento. Este TFM ha permitido identificar las mejores aproximaciones de redes neuronales con sensores inerciales, así como cuáles son los mejores datos de entrada a utilizar, para el reconocimiento de actividades con la base de datos REALDISP.
YR 2023
FD 2023
LK https://uvadoc.uva.es/handle/10324/63086
UL https://uvadoc.uva.es/handle/10324/63086
LA spa
NO Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática
DS UVaDOC
RD 17-jul-2024