Identificación de acciones humanas y detección de caídas en adultos mayores basada en datos de sensores de dispositivos móviles

Abstract

El presente proyecto se desarrolla en el contexto de la ciencia de datos y máquinas de aprendizaje, se trata de obtener el mejor modelo posible para aplicar a datos que generan y proveen los dispositivos móviles como el acelerómetro y giroscopio, para obtener de estos una estimación del estado corporal de los individuos, estados como son: Parado, acostado, subiendo gradas, bajando gradas, sentado o caminando. Se han evaluado entrenamientos de los modelos: Random forest, CNN (convolutional neural network) en una dimensión y SVM (support vector machine), en este último caso también se evaluó la aplicación de la herramienta GRIDSEARCH para evaluación de múltiples hiper parámetros y conseguir los mejores resultados.Se presenta entonces el desarrollo de este trabajo de evaluación, tratamiento, entrenamiento y modelado de los datos de la base UCI-HAR, siendo esta una de las más completas disponibles para el trabajo. Se presentan los resultados mostrando como el modelo SVM nos ofreció los mejores resultados en la clasificación de los datos. superior al CNN y random forest. This project, developed in the context of data science and machine learning, aims to obtain the best possible model to apply to data generated and provided by mobile devices such as accelerometers and gyroscopes, in order to obtain an estimate of the body state of individuals, such as: standing, lying down, ascending stairs, descending stairs, sitting, or walking. Training models were evaluated: Random Forest, one-dimensional CNN (convolutional neural network), and SVM (support vector machine). In the latter case, the application of the GRIDSEARCH tool was also evaluated to evaluate multiple hyperparameters and achieve the best results.The development of this work is then presented: evaluation, processing, training, and modeling of data from the UCI-HAR database, which is one of the most comprehensive available for this work.The results are presented, showing how the SVM model offered the best results in data classification, superior to CNN and random forest.