Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/9118| Title: | Clasificación de Actividad Física Mediante Señales de Acelerometría y Redes Neuronales |
| Authors: | Cavita Huerta, Elizabeth |
| metadata.dc.subject.other: | Acelerometría, Actividad Física, Redes Neuronales Artificiales, Radio de Curvatura, Modelos de Clasificación, Reconocimiento de Actividad Humana |
| Issue Date: | 2024-12-12 |
| Publisher: | Tecnológico Nacional de México |
| metadata.dc.publisher.tecnm: | Centro Nacional de Investigación y Desarrollo Tecnológico |
| Description: | El reconocimiento de la actividad física mediante acelerometría es un campo en rápida evolución, con profundas implicaciones para la salud, la ciencia del deporte y la tecnología portátil. Este trabajo de tesis propone un enfoque original para clasificar actividades físicas, utilizando exclusivamente datos de acelerometría procesados a través de redes neuronales artificiales (RNA). La metodología abarca desde la adquisición de datos y el preprocesamiento, hasta la extracción de características y la aplicación de algoritmos de aprendizaje profundo, todo ello orientado a identificar patrones de actividad con precisión. Una de las contribuciones más significativas de esta investigación es la incorporación del radio de curvatura como una nueva característica derivada del dominio temporal. Este parámetro se calcula segmentando las señales de acelerometría en ventanas temporales y realizando una doble integración para obtener datos posicionales. Posteriormente, se estima una circunferencia a partir de estos datos, evaluando el movimiento en los tres planos (coronal, sagital y transversal). Este enfoque no solo enriquece el análisis cinemático, sino que también establece una conexión fundamental entre la anatomía del movimiento y la clasificación de actividades físicas, ya que aprovecha la información temporal y del espacio bidimensional de los planos de movimiento. El uso del radio de curvatura proporciona una herramienta robusta y completa para la clasificación de actividades, mejorando notablemente la precisión de los modelos RNAs, que alcanzan más del 95% de exactitud. Esto resalta la importancia del dominio temporal en la identificación de patrones de movimiento, lo que es esencial para optimizar los sistemas de monitoreo físico en dispositivos portátiles. Los hallazgos de esta investigación subrayan el potencial de este método, que permite mejorar la precisión y confiabilidad del reconocimiento de actividad física, abriendo nuevas vertientes para la aplicación de la acelerometría en la salud y el deporte. |
| metadata.dc.type: | info:eu-repo/semantics/doctoralThesis |
| Appears in Collections: | Tesis de Doctorado en Ingeniería Electrónica |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| DE_Elizabeth_Cavita_Huerta_2024.pdf | Tesis | 2.54 MB | Adobe PDF | View/Open |
| DE_Elizabeth_Cavita_Huerta_2024_c.pdf Restricted Access | Cesión de derechos | 518.51 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
