Human activity recognitionnew approaches based on machine learning and deep learning

Resumo

Na actualidade, a comunidade científica está a prestar moita atención ao campo do recoñecemento das actividades humanas (HAR), o cal cobrou considerable protagonismo como tema de debate. Dende a irrupción dos smartphones e os dispositivos wearables na vida cotiá, os custos e a facilidade de realizar estudos neste eido experimentaron unha mellora significativa. Ademais, a súa aplicabilidade en diversos campos de estudo como a medicina, o fitness ou a domótica fan que este tema sexa aínda máis atractivo para os investigadores da materia. Porén, a pesar dos grandes avances acadados na última década, non é posible trasladar estes coñecementos adquiridos a un entorno da vida real. Isto débese a que a gran maioría dos traballos relacionados realizáronse en condicións de laboratorio. Noutras palabras, con indicacións moi específicas, colocando os aparellos de medida e realizando as accións dun xeito moi concreto que non representa para nada a variabilidade presente no mundo real. Por iso, esta Tese centrouse en dirixir a investigación neste campo cara a un entorno da vida real. Para iso, construíuse un conxunto de datos propio co que realizar a investigación principal, baseado nos sensores dos smartphones persoais de 19 individuos diferentes. A principal diferenza deste conxunto de datos con respecto aos xa existentes na comunidade científica é que estas persoas tiveron a maior liberdade posible para usar o seu smartphone durante a recollida de datos. Deste xeito, aínda realizando conceptualmente a mesma acción, os datos resultantes poden variar, xa que cada individuo pode utilizar o smartphone de forma diferente, tal e como ocorre na vida diaria. Así, unha vez obtidos os datos, realizouse un estudo exhaustivo sobre eles, na procura dos mellores modelos de machine learning e deep learning para clasificar os datos segundo as accións estudadas. Os resultados confirman a posibilidade de transferir os coñecementos adquiridos a un entorno da vida real. Entre os métodos utilizados, convén destacar, en relación aos seus rendementos, aos modelos baseados en árbores, como Random Forest, e outros de deep learning como as redes de neuronas convolucionais (CNN) ou redes neuronais recorrentes baseadas na técnica de Long Short-Term Memory (LSTM).