RT info:eu-repo/semantics/bachelorThesis
T1 Reconocimiento de actividad mediante relojes inteligentes
A1 Álvarez Mayordomo, Santiago
A2 Universidad de Valladolid. Escuela de Ingeniería Informática de Valladolid
K1 Wearables
K1 Machine learning
K1 Human activity recognition
AB En este Trabajo de Fin de Grado se aborda el reconocimiento de la actividad humana (HAR) a partirde 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 lacurva espectral, estadísticas de amplitud). Se comparan tres familias de modelos: Random Forest, SVMcon 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 evalúanestrategias “multiclass” y “ensemble” One-vs-Rest; para la LSTM se diseñan dos versiones (multiclasecon softmax y binaria con sigmoide). La evaluación, basada en accuracy, precision, recall y F1-score envalidación cruzada por usuario, muestra que en multiclasificación Random Forest estandarizado lidera elrendimiento (aproximadamente 84 % de accuracy), mientras que en la tarea binaria la SVM-RBF alcanzael mejor desempeño (92 % de aciertos). Finalmente, se discuten posibles extensiones: explorar CNN/Transformer, ajustar arquitecturas recurrentes (GRU, atención), combinar HAR con identificación de usuariopor marcha y desplegar la solución en aplicaciones móviles, tanto en tiempo real como en informes diarios.
YR 2025
FD 2025
LK https://uvadoc.uva.es/handle/10324/79173
UL https://uvadoc.uva.es/handle/10324/79173
LA spa
NO Departamento de Informática (Arquitectura y Tecnología de Computadores, Ciencias de la Computación e Inteligencia Artificial, Lenguajes y Sistemas Informáticos)
DS UVaDOC
RD 18-dic-2025