SlideShare una empresa de Scribd logo
1 de 43
• La globalización tecnológica y la innovación han
transformado la manera en que se imparten los
servicios de salud
• Las intervenciones médicas han sufrido un cambio
radical, pasando del “contacto personal directo y
puntual” en tiempo y espacio, hacia una interacción
“continua e independiente del espacio físico”
• Las enfermedades han
evolucionado, de agudas a
crónicas, al tiempo que la
población envejece
rápidamente en todo el mundo
2
• Estudio de técnicas aplicadas
al reconocimiento de
actividades físicas cotidianas
• Monitorización supervisada y
no supervisada
• Diferentes campos de
aplicación (teleasistencia,
e-salud, deportes, etc.)
3
• Definir una metodología propia para el
reconocimiento de actividades
• Mejorar los resultados en el marco
supervisado y seminaturalístico
 Analizar la información extraída de la
monitorización de ejercicios habituales
 Definir modelos de caracterización a partir
de las señales asociadas a cada actividad
 Establecer metodologías para la selección
de las variables más adecuadas
 Comparar diversas metodologías de
extracción de conocimiento
Para ello
4
FASE I:
Análisis de las
señales y
valoración de
qué pre-
procesado es
necesario
FASE II:
Identificación,
definición y
aplicación de
las técnicas
para extracción
de
características
FASE III:
Selección de
características
FASE IV:
Clasificación
FASE V:
Test, análisis de
los resultados y
selección del
modelo de
clasificador
5
• Cinco acelerómetros • Cuatro actividades
• Dos metodologías de
• Veinte individuos monitorización
Andar
Sentarse y relajarse
Permanecer de pie
Correr
6
7
SENTARSE Y RELAJARSE
PERMANECER
DE PIE
CORRER
ANDAR
0 200 400
5
5.5
6
6.5
Tiempo (seg)
Aceleración(G)
Cadera
0 200 400
3
4
5
6
7
8
Tiempo (seg)
Aceleración(G)
Muñeca
0 200 400
4
5
6
7
Tiempo (seg)
Aceleración(G)
Brazo
0 200 400
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 200 400
4
4.5
5
5.5
6
6.5
Tiempo (seg)
Aceleración(G)
Muslo0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Cadera
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Muñeca
0 100 200 300
2
4
6
8
10
12
Tiempo (seg)
Aceleración(G)
Brazo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Muslo
0 200 400 600
2
4
6
8
10
Tiempo (seg)
Aceleración(G)
Cadera
0 200 400 600
0
2
4
6
8
10
Tiempo (seg)
Aceleración(G)
Muñeca
0 200 400 600
0
5
10
15
Tiempo (seg)
Aceleración(G)
Brazo
0 200 400 600
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 200 400 600
2
4
6
8
10
Tiempo (seg)
Aceleración(G)
Muslo
0 100 200 300
4
6
8
10
Tiempo (seg)
Aceleración(G)
Cadera
0 100 200 300
3
4
5
6
7
8
Tiempo (seg)
Aceleración(G)
Muñeca
0 100 200 300
4
5
6
7
Tiempo (seg)
Aceleración(G)
Brazo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 100 200 300
2
4
6
8
10
12
Tiempo (seg)
Aceleración(G)
Muslo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Cadera
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Muñeca
0 100 200 300
2
4
6
8
10
12
Tiempo (seg)
Aceleración(G)
Brazo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Muslo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Cadera
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Muñeca
0 100 200 300
2
4
6
8
10
12
Tiempo (seg)
Aceleración(G)
Brazo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Muslo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Cadera
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Muñeca
0 100 200 300
2
4
6
8
10
12
Tiempo (seg)
Aceleración(G)
Brazo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Muslo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Cadera
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Muñeca
0 100 200 300
2
4
6
8
10
12
Tiempo (seg)
Aceleración(G)
Brazo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Muslo
0 200 400
5
5.5
6
6.5
Tiempo (seg)
Aceleración(G)
Cadera
0 200 400
3
4
5
6
7
8
Tiempo (seg)
Aceleración(G)
Muñeca
0 200 400
4
5
6
7
Tiempo (seg)
Aceleración(G)
Brazo
0 200 400
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 200 400
4
4.5
5
5.5
6
6.5
Tiempo (seg)
Aceleración(G)
Muslo
0 200 400
5
5.5
6
6.5
Tiempo (seg)
Aceleración(G)
Cadera
0 200 400
3
4
5
6
7
8
Tiempo (seg)
Aceleración(G)
Muñeca
0 200 400
4
5
6
7
Tiempo (seg)
Aceleración(G)
Brazo
0 200 400
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 200 400
4
4.5
5
5.5
6
6.5
Tiempo (seg)
Aceleración(G)
Muslo
0 200 400
5
5.5
6
6.5
Tiempo (seg)
Aceleración(G)
Cadera
0 200 400
3
4
5
6
7
8
Tiempo (seg)
Aceleración(G)
Muñeca
0 200 400
4
5
6
7
Tiempo (seg)
Aceleración(G)
Brazo
0 200 400
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 200 400
4
4.5
5
5.5
6
6.5
Tiempo (seg)
Aceleración(G)
Muslo
0 200 400
5
5.5
6
6.5
Tiempo (seg)
Aceleración(G)
Cadera
0 200 400
3
4
5
6
7
8
Tiempo (seg)
Aceleración(G)
Muñeca
0 200 400
4
5
6
7
Tiempo (seg)
Aceleración(G)
Brazo
0 200 400
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 200 400
4
4.5
5
5.5
6
6.5
Tiempo (seg)
Aceleración(G)
Muslo
0 200 400 600
2
4
6
8
10
Tiempo (seg)
Aceleración(G)
Cadera
0 200 400 600
0
2
4
6
8
10
Tiempo (seg)
Aceleración(G)
Muñeca
0 200 400 600
0
5
10
15
Tiempo (seg)
Aceleración(G)
Brazo
0 200 400 600
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 200 400 600
2
4
6
8
10
Tiempo (seg)
Aceleración(G)
Muslo
0 200 400 600
2
4
6
8
10
Tiempo (seg)
Aceleración(G)
Cadera
0 200 400 600
0
2
4
6
8
10
Tiempo (seg)
Aceleración(G)
Muñeca
0 200 400 600
0
5
10
15
Tiempo (seg)
Aceleración(G)
Brazo
0 200 400 600
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 200 400 600
2
4
6
8
10
Tiempo (seg)
Aceleración(G)
Muslo
0 200 400 600
2
4
6
8
10
Tiempo (seg)
Aceleración(G)
Cadera
0 200 400 600
0
2
4
6
8
10
Tiempo (seg)
Aceleración(G)
Muñeca
0 200 400 600
0
5
10
15
Tiempo (seg)
Aceleración(G)
Brazo
0 200 400 600
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 200 400 600
2
4
6
8
10
Tiempo (seg)
Aceleración(G)
Muslo
0 200 400 600
2
4
6
8
10
Tiempo (seg)
Aceleración(G)
Cadera
0 200 400 600
0
2
4
6
8
10
Tiempo (seg)
Aceleración(G)
Muñeca
0 200 400 600
0
5
10
15
Tiempo (seg)
Aceleración(G)
Brazo
0 200 400 600
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 200 400 600
2
4
6
8
10
Tiempo (seg)
Aceleración(G)
Muslo
0 100 200 300
4
6
8
10
Tiempo (seg)
Aceleración(G)
Cadera
0 100 200 300
3
4
5
6
7
8
Tiempo (seg)
Aceleración(G)
Muñeca
0 100 200 300
4
5
6
7
Tiempo (seg)
Aceleración(G)
Brazo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 100 200 300
2
4
6
8
10
12
Tiempo (seg)
Aceleración(G)
Muslo
0 100 200 300
4
6
8
10
Tiempo (seg)
Aceleración(G)
Cadera
0 100 200 300
3
4
5
6
7
8
Tiempo (seg)
Aceleración(G)
Muñeca
0 100 200 300
4
5
6
7
Tiempo (seg)
Aceleración(G)
Brazo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 100 200 300
2
4
6
8
10
12
Tiempo (seg)
Aceleración(G)
Muslo
0 100 200 300
4
6
8
10
Tiempo (seg)
Aceleración(G)
Cadera
0 100 200 300
3
4
5
6
7
8
Tiempo (seg)
Aceleración(G)
Muñeca
0 100 200 300
4
5
6
7
Tiempo (seg)
Aceleración(G)
Brazo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 100 200 300
2
4
6
8
10
12
Tiempo (seg)
Aceleración(G)
Muslo
0 100 200 300
4
6
8
10
Tiempo (seg)
Aceleración(G)
Cadera
0 100 200 300
3
4
5
6
7
8
Tiempo (seg)
Aceleración(G)
Muñeca
0 100 200 300
4
5
6
7
Tiempo (seg)
Aceleración(G)
Brazo
0 100 200 300
0
5
10
15
Tiempo (seg)
Aceleración(G)
Tobillo
0 100 200 300
2
4
6
8
10
12
Tiempo (seg)
Aceleración(G)
Muslo
Andar
Sentarse
y
relajarse
Permanecer
depie
Correr
9
• Acelerómetro del tobillo
28 30 32 34 36
3
4
5
6
7
Tiempo (seg)
Aceleración(G)
Andar
82 84 86 88 90 92
5
5.5
6
Tiempo (seg)
Aceleración(G)
Sentarse y relajarse
420 430 440 450
5
5.2
5.4
5.6
5.8
6
6.2
6.4
Tiempo (seg)
Aceleración(G)
Permanecer de pie
76 77 78 79 80
1
2
3
4
5
6
7
8
Tiempo (seg)
Aceleración(G)
Correr
10
• Offset
• Saltos de discontinuidad (descalibración)
• Anomalías (movimientos irregulares, cambios
de orientación, caídas, etc.)
• Ruido de alta frecuencia
NECESIDAD DE
PREPROCESAMIENTO
11
• Filtrado de media modificado
– Permite eliminar el offset
– Elimina las descalibraciones
• Filtrado paso bajo + paso alto
– Elimina ruido de alta frecuencia
– Elimina offset
– Elimina picos de baja frecuencia
• Otras opciones valoradas
– Filtro de mediana
– Wavelets
Original Filtrado media
LPF + HPF
12
Magnitudes
Amplitud
Autocorrelación
Cepstrum
Densidad espectral de energía
Espectro en amplitud
Espectro en fase
Histograma
Reconstrucción de mínima fase
Valor de los históricos
Wavelet
Correlación cruzada
Coherencia espectral
Índice de desfase
Operaciones matemático-estadísticas
Coeficiente de asimetría
Cruces por cero
Curtosis
Desviación estándar
Distorsión armónica total
Energía total
Entropía
Máximo
Media aritmética, armónica, geométrica, truncada
Mediana
Mínimo
Moda
Momento de orden 4 y 5
Posición del máximo/mínimo
Rango
Varianza
14
• Método de la señal completa
• Método de la subseñal más característica
– Basado en correlación
– Basado en coherencia
• Método de la ventana
– Fija
– Solapada
15
LABORATORIO
SEMINATURALÍSTICOS
Filtrados
Originales
Sin Offset
Señal completa
Subseñal (correlación)
Subseñal (coherencia)
Ventana (fija)
Ventana (solapamiento)
Filosofía de
monitorización
Preprocesado Técnica de
extracción
16
• Influye en el proceso
de clasificación
POSICIÓN ÓPTIMA
Pocas Características
Buena Clasificación
0 200 400 600 800
-1
-0.5
0
0.5
1
x 10
4 Acel. TOBILLO, Act. CORRER
Características
Valordelacaracterística
0 0.2 0.4 0.6 0.8 1
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
x 10
4
Nivel de solapamiento
Númerodecaracterísticasdiscriminantes
ACELERÓMETRO DEL TOBILLO
Andar
Sentarse y relajarse
Permanecer de pie
Correr
Act. conjuntas
Act. y acel. conjuntas
0 200 400 600 800
-1
-0.5
0
0.5
1
x 10
4 Acel. TOBILLO, Act. CORRER
Características
Valordelacaracterística
• Conjunto de características muy amplio
(861 variables  2861  1.5 x 10259 posibles
combinaciones)
18
Criterio de
solapamiento
19
ACELERÓMETRO DEL MUSLO
Criterio de
solapamiento
Criterio de calidad
discriminante
Actividades
discriminadas
Acelerómetros
donde lo
permite
Grupo de Calidad
4 5 #1
4 4 #2
4 3 #3
4 2 #4
4 1 #5
3 5 #6
3 4 #7
3 3 #8
3 2 #9
3 1 #10
2 5 #11
2 4 #12
2 3 #13
2 2 #14
2 1 #15
1 5 #16
1 4 #17
1 3 #18
1 2 #19
1 1 #20
0 5 #21
20
ACELERÓMETRO DEL MUSLO
Criterio de
solapamiento
21
Publicaciones:
Baños, O., Pomares, H., Rojas, I.: Ambient Living Activity
Recognition based on Feature-set Ranking Using Intelligent
Systems. In: Proceedings of the 2010 International Joint
Conference on Neural Networks (IJCNN 2010), IEEE,
Barcelona July 18-23, (2010)
Baños, O., Pomares, H., Rojas, I.: Novel Method for Feature-
set Ranking Applied to Physical Activity Recognition. In:
Proceedings of The Twenty Third International Conference
on Industrial, Engineering & Other Applications of Applied
Intelligent Systems (IEA-AIE 2010), Córdoba June 1-4,(2010)
Baños, O., Pomares, H., Rojas, I.: Hibridación de Paradigmas
de Clasificación en el Contexto del Reconocimiento
Automático de Actividades Físicas Cotidianas. En: XV
Congreso Español sobre Tecnologías y Lógica Fuzzy (ESTYLF
2010), Huelva Febrero 3-5, (2010)
Baños, O., Pomares, H., Rojas, I.: Redes de Sensores
Inalámbricos en Entornos de Inteligencia Ambiental,
Teleasistencia y E-Salud. En: III Simposio de Inteligencia
Computacional (SICO 2010), Valencia Septiembre 8-9, (2010)
ACELERÓMETRO DEL MUSLO
• Nº de características
discriminantes en
función del umbral
de solapamiento
0 0.2 0.4 0.6 0.8 1
0
200
400
600
800
1000
Nivel de solapamiento
Númerodecaracterísticasdiscriminantes
ACELERÓMETRO DEL BRAZO
• Modelo utilizado: criterio de restricción máximo
(usolap, ÓPTIMO = 0)
– Categorías basadas en el método de extracción de la
subseñal más característica no superan la condición
0 0.2 0.4 0.6 0.8 1
0
100
200
300
400
500
600
700
800
900
Nivel de solapamiento
Númerodecaracterísticasdiscriminantes
ACELERÓMETRO DE LA MUÑECA
Andar
Sentarse y relajarse
Permanecer de pie
Correr
Act. conjuntas
Act. y acel. conjuntas
0 0.2 0.4 0.6 0.8 1
0
100
200
300
400
500
600
700
800
900
Nivel de solapamiento
Númerodecaracterísticasdiscriminantes
ACELERÓMETRO DE LA MUÑECA
Andar
Sentarse y relajarse
Permanecer de pie
Correr
Act. conjuntas
Act. y acel. conjuntas
22
• Selectores basados en distancias o criterios
estadísticos, usados ampliamente en diversos
contextos
23
• Nuestra
herramienta
destaca como
la más rápida
de las
empleadas
• Pueden ser
 Supervisados / No supervisados
 Binarios / Multientrada
 Binarios / Multiobjetivo
 Paramétricos / No paramétricos
 Etc.
• Principales
opciones
 Lógica Difusa
 Redes Neuronales
 Máquinas de Soporte Vectorial (SVM)
 Árboles de Decisión
 Redes Bayesianas
 Modelos Ocultos de Markov
25
• Muy rápido
• Fácil interpretación
• Relación con el selector basado en
solapamiento
• Modelo multiclase
directo
• Modo binario y
modo multivariable
26
• Rápido
• Opera bien a partir de datos parciales
• Asume independencia estadística entre las
variables de entrenamiento
27
• Rápido
• Solución simple
• Buenos precedentes
• Multiclase basado en
modelos binarios
• Diferentes tipos de
kernels (lineal,
cuadrático, RBF, MPL,
etc.).
0 50 100 150 200
0
20
40
60
80
100
120
Media geométrica de los coeficientes wavelets a3, señal del eje X
Mediageométricadeloscoeficienteswaveletsa3,señaldelejeY
Hiperplano separador para kernel RBF
Resto de actividades (entrenamiento)
Resto de actividades (clasificado)
Andar (entrenamiento)
Andar (clasificado)
Vectores de soporte
28
29
• Clasificadores binarios son más robustos y
ofrecen por lo general mejor performance
• Los modelos para definir sistemas de
decisión multiclase no aprovechan por lo
general las capacidades que ofrecen las
unidades binarias o resultan muy costosos
• No existe un modelo unificado que
proporcione resultados destacables bajo
cualquier contexto o ámbito de aplicación
30
• Principal (P)
• Grupos de calidad (GC)
• Roles cambiados (RC)
32
• Principal (P)
• Grupos de calidad (GC)
• Roles cambiados (RC)
33
1 Carac. 2 Carac. 3 Carac. 4 Carac. 5 Carac. 10 Carac.
2-fold
5-fold
10-fold
• Principal (P)
• Grupos de calidad (GC)
• Roles cambiados (RC)
34
1er GC 1º+2o GC 1º+2o+3o GC
1º+2o+3o+4o
GC
1º+2o+3o+4o
+5o GC
1º+2o+3o+4o
+5o+6o GC
2-fold
5-fold
10-fold
• La metodología basada en el CHJP ofrece los mejores
resultados (para ambos ámbitos de monitorización)
• Usando sólo una característica se alcanzan ratios de
acierto prácticamente absolutos
35
Laboratorio (DT, empleando 1 característica)
Seminaturalístico (DT, empleando 1 característica)
• La metodología basada en el CHJP ofrece los mejores resultados
• Resultados muy buenos, sobretodo al emplear características
seminaturalísticas en contextos de laboratorio
36
Laboratorio (DT, empleando 1 característica)
Seminaturalístico (DT, empleando 1 característica)
• La metodología basada en el CHJP ofrece los mejores resultados
• Resultados muy buenos, sobretodo al emplear características
seminaturalísticas en contextos de laboratorio
• Al aumentar la longitud del vector de características se mejoran los
resultados (salvo en los NB), logrando un altísimo performance
37
Laboratorio (DT, empleando 3 características)
Seminaturalístico (DT, empleando 3 características)
38
• Se obtienen sistemas de clasificación con ratios
de acierto próximos o iguales al 100%
• La metodología más interesante es la basada en
el CHJP, empleando DT y SVM. Los NB operan
bien pero su eficiencia se ve reducida al
aumentar el número de características
• La metodología Propia de selección ofrece
características con un alto nivel de discriminación
• Cualquier fuente es utilizable, pero destaca el uso
de la información monitorizada a través de la
muñeca
TRABAJO Ratios de acierto
L. Bao and S.S. Intille.,“Physical Activity Recognition from
Acceleration Data under Semi-Naturalistic Conditions”
(2004)
DT (89%), kNN (83%), NB (52%)
M. Ermes et al, “Detection of Daily Activities and Sports
With Wearable Sensors in Controlled and Uncontrolled
Conditions” (2008)
ANN (93%), Jerárquico (83%),
DT (60%)
U. Maurer et al, “Activity Recognition and Monitoring
Using Multiple Sensors on Different Body Positions”
(2006)
DT (87%), NB y kNN (<87%)
S. Pirttikangas et al, “Feature Selection and Activity
Recognition from Wearable Sensors” (2006)
ANN (93%), kNN (90%)
ESTE ESTUDIO
CHJP + DT (>98.00% (SEM),
99.99% (LAB))
Fuente: S. J. Preece et al, “Activity identification using body-mounted sensors—a review of classification techniques” (2009)
39
• El preprocesado, modelo de extracción y
selección de características, y clasificador
determinan de forma directa la eficiencia del
sistema
• Se obtienen diferentes realizaciones algunas de
las cuales ofrecen ratios de eficiencia
prácticamente absolutos
• Cada acelerómetro ofrece por sí mismo un ratio
de acierto alto, luego a priori no sería necesario
utilizar combinaciones (si bien se pueden
emplear en modo redundante). Especialmente
interesante es el acelerómetro de la muñeca
41
• Estudiar otras alternativas a la metodología
propuesta, trabajando también en la mejora de
las técnicas ideadas y aplicando un estudio
cruzado
• Analizar otras actividades, acelerómetros y
proponer un sistema propio de monitorización
• Integrar el diseño junto
a otros sistemas de
reconocimiento para
aplicaciones específicas
42
Reconocimiento automático de la actividad física diaria aplicado a contextos de e-Salud y teleasistencia

Más contenido relacionado

Más de Oresti Banos

Enabling remote assessment of cognitive behaviour through mobile experience s...
Enabling remote assessment of cognitive behaviour through mobile experience s...Enabling remote assessment of cognitive behaviour through mobile experience s...
Enabling remote assessment of cognitive behaviour through mobile experience s...Oresti Banos
 
Ontological Modeling of Motivational Messages for Physical Activity Coaching
Ontological Modeling of Motivational Messages for Physical Activity CoachingOntological Modeling of Motivational Messages for Physical Activity Coaching
Ontological Modeling of Motivational Messages for Physical Activity CoachingOresti Banos
 
Mobile Health System for Evaluation of Breast Cancer Patients During Treatmen...
Mobile Health System for Evaluation of Breast Cancer Patients During Treatmen...Mobile Health System for Evaluation of Breast Cancer Patients During Treatmen...
Mobile Health System for Evaluation of Breast Cancer Patients During Treatmen...Oresti Banos
 
Analysis of the Innovation Outputs in mHealth for Patient Monitoring
Analysis of the Innovation Outputs in mHealth for Patient MonitoringAnalysis of the Innovation Outputs in mHealth for Patient Monitoring
Analysis of the Innovation Outputs in mHealth for Patient MonitoringOresti Banos
 
First Approach to Automatic Performance Status Evaluation and Physical Activi...
First Approach to Automatic Performance Status Evaluation and Physical Activi...First Approach to Automatic Performance Status Evaluation and Physical Activi...
First Approach to Automatic Performance Status Evaluation and Physical Activi...Oresti Banos
 
First Approach to Automatic Measurement of Frontal Plane Projection Angle Dur...
First Approach to Automatic Measurement of Frontal Plane Projection Angle Dur...First Approach to Automatic Measurement of Frontal Plane Projection Angle Dur...
First Approach to Automatic Measurement of Frontal Plane Projection Angle Dur...Oresti Banos
 
High-Level Context Inference for Human Behavior Identi cation
High-Level Context Inference for Human Behavior IdenticationHigh-Level Context Inference for Human Behavior Identication
High-Level Context Inference for Human Behavior Identi cationOresti Banos
 
On the Development of A Real-Time Multi-Sensor Activity Recognition System
On the Development of A Real-Time Multi-Sensor Activity Recognition SystemOn the Development of A Real-Time Multi-Sensor Activity Recognition System
On the Development of A Real-Time Multi-Sensor Activity Recognition SystemOresti Banos
 
Facilitating Trunk Endurance Assessment by means of Mobile Health Technologies
Facilitating Trunk Endurance Assessment by means of Mobile Health TechnologiesFacilitating Trunk Endurance Assessment by means of Mobile Health Technologies
Facilitating Trunk Endurance Assessment by means of Mobile Health TechnologiesOresti Banos
 
Mining Human Behavior for Health Promotion
Mining Human Behavior for Health PromotionMining Human Behavior for Health Promotion
Mining Human Behavior for Health PromotionOresti Banos
 
Multiwindow Fusion for Wearable Activity Recognition
Multiwindow Fusion for Wearable Activity RecognitionMultiwindow Fusion for Wearable Activity Recognition
Multiwindow Fusion for Wearable Activity RecognitionOresti Banos
 
Mining Minds: an innovative framework for personalized health and wellness su...
Mining Minds: an innovative framework for personalized health and wellness su...Mining Minds: an innovative framework for personalized health and wellness su...
Mining Minds: an innovative framework for personalized health and wellness su...Oresti Banos
 
A Novel Watermarking Scheme for Image Authentication in Social Networks
A Novel Watermarking Scheme for Image Authentication in Social NetworksA Novel Watermarking Scheme for Image Authentication in Social Networks
A Novel Watermarking Scheme for Image Authentication in Social NetworksOresti Banos
 
mHealthDroid: a novel framework for agile development of mobile health appli...
mHealthDroid: a novel framework for agile development of mobile health appli...mHealthDroid: a novel framework for agile development of mobile health appli...
mHealthDroid: a novel framework for agile development of mobile health appli...Oresti Banos
 
Sistema automático para la estimación de la presión arterial a partir de pará...
Sistema automático para la estimación de la presión arterial a partir de pará...Sistema automático para la estimación de la presión arterial a partir de pará...
Sistema automático para la estimación de la presión arterial a partir de pará...Oresti Banos
 
Diseño e implementación de técnicas de monitorización indoor en e-salud
Diseño e implementación de técnicas de monitorización indoor en e-saludDiseño e implementación de técnicas de monitorización indoor en e-salud
Diseño e implementación de técnicas de monitorización indoor en e-saludOresti Banos
 
Handling displacement effects in on-body sensor-based activity recognition
Handling displacement effects in on-body sensor-based activity recognitionHandling displacement effects in on-body sensor-based activity recognition
Handling displacement effects in on-body sensor-based activity recognitionOresti Banos
 
Activity recognition based on a multi-sensor meta-classifier
Activity recognition based on a multi-sensor meta-classifierActivity recognition based on a multi-sensor meta-classifier
Activity recognition based on a multi-sensor meta-classifierOresti Banos
 
A benchmark dataset to evaluate sensor displacement in activity recognition
A benchmark dataset to evaluate sensor displacement in activity recognitionA benchmark dataset to evaluate sensor displacement in activity recognition
A benchmark dataset to evaluate sensor displacement in activity recognitionOresti Banos
 
Recognition of Human Physical Activity based on a novel Hierarchical Weighted...
Recognition of Human Physical Activity based on a novel Hierarchical Weighted...Recognition of Human Physical Activity based on a novel Hierarchical Weighted...
Recognition of Human Physical Activity based on a novel Hierarchical Weighted...Oresti Banos
 

Más de Oresti Banos (20)

Enabling remote assessment of cognitive behaviour through mobile experience s...
Enabling remote assessment of cognitive behaviour through mobile experience s...Enabling remote assessment of cognitive behaviour through mobile experience s...
Enabling remote assessment of cognitive behaviour through mobile experience s...
 
Ontological Modeling of Motivational Messages for Physical Activity Coaching
Ontological Modeling of Motivational Messages for Physical Activity CoachingOntological Modeling of Motivational Messages for Physical Activity Coaching
Ontological Modeling of Motivational Messages for Physical Activity Coaching
 
Mobile Health System for Evaluation of Breast Cancer Patients During Treatmen...
Mobile Health System for Evaluation of Breast Cancer Patients During Treatmen...Mobile Health System for Evaluation of Breast Cancer Patients During Treatmen...
Mobile Health System for Evaluation of Breast Cancer Patients During Treatmen...
 
Analysis of the Innovation Outputs in mHealth for Patient Monitoring
Analysis of the Innovation Outputs in mHealth for Patient MonitoringAnalysis of the Innovation Outputs in mHealth for Patient Monitoring
Analysis of the Innovation Outputs in mHealth for Patient Monitoring
 
First Approach to Automatic Performance Status Evaluation and Physical Activi...
First Approach to Automatic Performance Status Evaluation and Physical Activi...First Approach to Automatic Performance Status Evaluation and Physical Activi...
First Approach to Automatic Performance Status Evaluation and Physical Activi...
 
First Approach to Automatic Measurement of Frontal Plane Projection Angle Dur...
First Approach to Automatic Measurement of Frontal Plane Projection Angle Dur...First Approach to Automatic Measurement of Frontal Plane Projection Angle Dur...
First Approach to Automatic Measurement of Frontal Plane Projection Angle Dur...
 
High-Level Context Inference for Human Behavior Identi cation
High-Level Context Inference for Human Behavior IdenticationHigh-Level Context Inference for Human Behavior Identication
High-Level Context Inference for Human Behavior Identi cation
 
On the Development of A Real-Time Multi-Sensor Activity Recognition System
On the Development of A Real-Time Multi-Sensor Activity Recognition SystemOn the Development of A Real-Time Multi-Sensor Activity Recognition System
On the Development of A Real-Time Multi-Sensor Activity Recognition System
 
Facilitating Trunk Endurance Assessment by means of Mobile Health Technologies
Facilitating Trunk Endurance Assessment by means of Mobile Health TechnologiesFacilitating Trunk Endurance Assessment by means of Mobile Health Technologies
Facilitating Trunk Endurance Assessment by means of Mobile Health Technologies
 
Mining Human Behavior for Health Promotion
Mining Human Behavior for Health PromotionMining Human Behavior for Health Promotion
Mining Human Behavior for Health Promotion
 
Multiwindow Fusion for Wearable Activity Recognition
Multiwindow Fusion for Wearable Activity RecognitionMultiwindow Fusion for Wearable Activity Recognition
Multiwindow Fusion for Wearable Activity Recognition
 
Mining Minds: an innovative framework for personalized health and wellness su...
Mining Minds: an innovative framework for personalized health and wellness su...Mining Minds: an innovative framework for personalized health and wellness su...
Mining Minds: an innovative framework for personalized health and wellness su...
 
A Novel Watermarking Scheme for Image Authentication in Social Networks
A Novel Watermarking Scheme for Image Authentication in Social NetworksA Novel Watermarking Scheme for Image Authentication in Social Networks
A Novel Watermarking Scheme for Image Authentication in Social Networks
 
mHealthDroid: a novel framework for agile development of mobile health appli...
mHealthDroid: a novel framework for agile development of mobile health appli...mHealthDroid: a novel framework for agile development of mobile health appli...
mHealthDroid: a novel framework for agile development of mobile health appli...
 
Sistema automático para la estimación de la presión arterial a partir de pará...
Sistema automático para la estimación de la presión arterial a partir de pará...Sistema automático para la estimación de la presión arterial a partir de pará...
Sistema automático para la estimación de la presión arterial a partir de pará...
 
Diseño e implementación de técnicas de monitorización indoor en e-salud
Diseño e implementación de técnicas de monitorización indoor en e-saludDiseño e implementación de técnicas de monitorización indoor en e-salud
Diseño e implementación de técnicas de monitorización indoor en e-salud
 
Handling displacement effects in on-body sensor-based activity recognition
Handling displacement effects in on-body sensor-based activity recognitionHandling displacement effects in on-body sensor-based activity recognition
Handling displacement effects in on-body sensor-based activity recognition
 
Activity recognition based on a multi-sensor meta-classifier
Activity recognition based on a multi-sensor meta-classifierActivity recognition based on a multi-sensor meta-classifier
Activity recognition based on a multi-sensor meta-classifier
 
A benchmark dataset to evaluate sensor displacement in activity recognition
A benchmark dataset to evaluate sensor displacement in activity recognitionA benchmark dataset to evaluate sensor displacement in activity recognition
A benchmark dataset to evaluate sensor displacement in activity recognition
 
Recognition of Human Physical Activity based on a novel Hierarchical Weighted...
Recognition of Human Physical Activity based on a novel Hierarchical Weighted...Recognition of Human Physical Activity based on a novel Hierarchical Weighted...
Recognition of Human Physical Activity based on a novel Hierarchical Weighted...
 

Último

NEUMONIA PRESENTACION (2).ppt en adultosx
NEUMONIA PRESENTACION (2).ppt en adultosxNEUMONIA PRESENTACION (2).ppt en adultosx
NEUMONIA PRESENTACION (2).ppt en adultosxRubnJacoboGarcaLpez
 
Ovulos y Supositorio facultad de ciencias.pptx
Ovulos y Supositorio facultad de ciencias.pptxOvulos y Supositorio facultad de ciencias.pptx
Ovulos y Supositorio facultad de ciencias.pptxmanujimenez8
 
ESTENOSIS - INSUFICIENCIA AORTICA Y PULMONAR.pptx
ESTENOSIS - INSUFICIENCIA AORTICA Y PULMONAR.pptxESTENOSIS - INSUFICIENCIA AORTICA Y PULMONAR.pptx
ESTENOSIS - INSUFICIENCIA AORTICA Y PULMONAR.pptxDanielAlejandroRocaD
 
Duverger, Christian. - El Primer Mestizaje [ocr] [2007].pdf
Duverger, Christian. - El Primer Mestizaje [ocr] [2007].pdfDuverger, Christian. - El Primer Mestizaje [ocr] [2007].pdf
Duverger, Christian. - El Primer Mestizaje [ocr] [2007].pdffrank0071
 
PTI PEDIA PURPURA TROMBOCITOPENIA IDIOPATICA.pptx
PTI PEDIA PURPURA TROMBOCITOPENIA IDIOPATICA.pptxPTI PEDIA PURPURA TROMBOCITOPENIA IDIOPATICA.pptx
PTI PEDIA PURPURA TROMBOCITOPENIA IDIOPATICA.pptxRenzo Navarro
 
Murray Schafer, R. - El paisaje sonoro y la afinación del mundo [ocr] [2013].pdf
Murray Schafer, R. - El paisaje sonoro y la afinación del mundo [ocr] [2013].pdfMurray Schafer, R. - El paisaje sonoro y la afinación del mundo [ocr] [2013].pdf
Murray Schafer, R. - El paisaje sonoro y la afinación del mundo [ocr] [2013].pdffrank0071
 
Marzal, Manuel M. - Historia de la antropología. Vol. II. Antropología Cultur...
Marzal, Manuel M. - Historia de la antropología. Vol. II. Antropología Cultur...Marzal, Manuel M. - Historia de la antropología. Vol. II. Antropología Cultur...
Marzal, Manuel M. - Historia de la antropología. Vol. II. Antropología Cultur...frank0071
 
Traverso, Enzo. - La historia como campo de batalla [ocr] [2012].pdf
Traverso, Enzo. - La historia como campo de batalla [ocr] [2012].pdfTraverso, Enzo. - La historia como campo de batalla [ocr] [2012].pdf
Traverso, Enzo. - La historia como campo de batalla [ocr] [2012].pdffrank0071
 
Sloterdijk, Peter. - Crítica de la razón cínica [2019].pdf
Sloterdijk, Peter. - Crítica de la razón cínica [2019].pdfSloterdijk, Peter. - Crítica de la razón cínica [2019].pdf
Sloterdijk, Peter. - Crítica de la razón cínica [2019].pdffrank0071
 
Matematicas Financieras ejercicios tarea
Matematicas Financieras ejercicios tareaMatematicas Financieras ejercicios tarea
Matematicas Financieras ejercicios tareaArmandoCM5
 
Biología 3 _ Serie nuevas miradas - Tinta fresca.pdf
Biología 3 _ Serie nuevas miradas - Tinta fresca.pdfBiología 3 _ Serie nuevas miradas - Tinta fresca.pdf
Biología 3 _ Serie nuevas miradas - Tinta fresca.pdfLudmys1
 
LA ELECTROQUIMICA.pptx..................
LA ELECTROQUIMICA.pptx..................LA ELECTROQUIMICA.pptx..................
LA ELECTROQUIMICA.pptx..................60011033
 
Anatomia radiologica borrador itb (1).docx
Anatomia radiologica borrador itb (1).docxAnatomia radiologica borrador itb (1).docx
Anatomia radiologica borrador itb (1).docxKarenBonilla53
 
Clase 7 Sistema nervioso. Anatomia Veterinaria
Clase 7 Sistema nervioso. Anatomia VeterinariaClase 7 Sistema nervioso. Anatomia Veterinaria
Clase 7 Sistema nervioso. Anatomia VeterinariaSerprovetMedellin
 
LINEAMIENTOS DE PRACTICA PECUARIA PARA EL DESARROLLO LOCAL DE LA GANDERIA BOV...
LINEAMIENTOS DE PRACTICA PECUARIA PARA EL DESARROLLO LOCAL DE LA GANDERIA BOV...LINEAMIENTOS DE PRACTICA PECUARIA PARA EL DESARROLLO LOCAL DE LA GANDERIA BOV...
LINEAMIENTOS DE PRACTICA PECUARIA PARA EL DESARROLLO LOCAL DE LA GANDERIA BOV...SteveenVallejo
 
10 etapas del proceso administrativo.pptx
10 etapas del proceso administrativo.pptx10 etapas del proceso administrativo.pptx
10 etapas del proceso administrativo.pptxGuillianaAgurto
 
Colón, Cristóbal. - Diario de a bordo [2016].pdf
Colón, Cristóbal. - Diario de a bordo [2016].pdfColón, Cristóbal. - Diario de a bordo [2016].pdf
Colón, Cristóbal. - Diario de a bordo [2016].pdffrank0071
 
Proceso-metabolico-de-la-ureogenesis-en-el-ser-humano.pdf
Proceso-metabolico-de-la-ureogenesis-en-el-ser-humano.pdfProceso-metabolico-de-la-ureogenesis-en-el-ser-humano.pdf
Proceso-metabolico-de-la-ureogenesis-en-el-ser-humano.pdfahr151117
 
Flori, Jean. - Caballeros y caballería en la Edad Media [ocr] [2001].pdf
Flori, Jean. - Caballeros y caballería en la Edad Media [ocr] [2001].pdfFlori, Jean. - Caballeros y caballería en la Edad Media [ocr] [2001].pdf
Flori, Jean. - Caballeros y caballería en la Edad Media [ocr] [2001].pdffrank0071
 

Último (20)

NEUMONIA PRESENTACION (2).ppt en adultosx
NEUMONIA PRESENTACION (2).ppt en adultosxNEUMONIA PRESENTACION (2).ppt en adultosx
NEUMONIA PRESENTACION (2).ppt en adultosx
 
Ovulos y Supositorio facultad de ciencias.pptx
Ovulos y Supositorio facultad de ciencias.pptxOvulos y Supositorio facultad de ciencias.pptx
Ovulos y Supositorio facultad de ciencias.pptx
 
ESTENOSIS - INSUFICIENCIA AORTICA Y PULMONAR.pptx
ESTENOSIS - INSUFICIENCIA AORTICA Y PULMONAR.pptxESTENOSIS - INSUFICIENCIA AORTICA Y PULMONAR.pptx
ESTENOSIS - INSUFICIENCIA AORTICA Y PULMONAR.pptx
 
Duverger, Christian. - El Primer Mestizaje [ocr] [2007].pdf
Duverger, Christian. - El Primer Mestizaje [ocr] [2007].pdfDuverger, Christian. - El Primer Mestizaje [ocr] [2007].pdf
Duverger, Christian. - El Primer Mestizaje [ocr] [2007].pdf
 
PTI PEDIA PURPURA TROMBOCITOPENIA IDIOPATICA.pptx
PTI PEDIA PURPURA TROMBOCITOPENIA IDIOPATICA.pptxPTI PEDIA PURPURA TROMBOCITOPENIA IDIOPATICA.pptx
PTI PEDIA PURPURA TROMBOCITOPENIA IDIOPATICA.pptx
 
Murray Schafer, R. - El paisaje sonoro y la afinación del mundo [ocr] [2013].pdf
Murray Schafer, R. - El paisaje sonoro y la afinación del mundo [ocr] [2013].pdfMurray Schafer, R. - El paisaje sonoro y la afinación del mundo [ocr] [2013].pdf
Murray Schafer, R. - El paisaje sonoro y la afinación del mundo [ocr] [2013].pdf
 
Marzal, Manuel M. - Historia de la antropología. Vol. II. Antropología Cultur...
Marzal, Manuel M. - Historia de la antropología. Vol. II. Antropología Cultur...Marzal, Manuel M. - Historia de la antropología. Vol. II. Antropología Cultur...
Marzal, Manuel M. - Historia de la antropología. Vol. II. Antropología Cultur...
 
Traverso, Enzo. - La historia como campo de batalla [ocr] [2012].pdf
Traverso, Enzo. - La historia como campo de batalla [ocr] [2012].pdfTraverso, Enzo. - La historia como campo de batalla [ocr] [2012].pdf
Traverso, Enzo. - La historia como campo de batalla [ocr] [2012].pdf
 
Sloterdijk, Peter. - Crítica de la razón cínica [2019].pdf
Sloterdijk, Peter. - Crítica de la razón cínica [2019].pdfSloterdijk, Peter. - Crítica de la razón cínica [2019].pdf
Sloterdijk, Peter. - Crítica de la razón cínica [2019].pdf
 
Explorando la materia con Dinámica Molecular
Explorando la materia con Dinámica MolecularExplorando la materia con Dinámica Molecular
Explorando la materia con Dinámica Molecular
 
Matematicas Financieras ejercicios tarea
Matematicas Financieras ejercicios tareaMatematicas Financieras ejercicios tarea
Matematicas Financieras ejercicios tarea
 
Biología 3 _ Serie nuevas miradas - Tinta fresca.pdf
Biología 3 _ Serie nuevas miradas - Tinta fresca.pdfBiología 3 _ Serie nuevas miradas - Tinta fresca.pdf
Biología 3 _ Serie nuevas miradas - Tinta fresca.pdf
 
LA ELECTROQUIMICA.pptx..................
LA ELECTROQUIMICA.pptx..................LA ELECTROQUIMICA.pptx..................
LA ELECTROQUIMICA.pptx..................
 
Anatomia radiologica borrador itb (1).docx
Anatomia radiologica borrador itb (1).docxAnatomia radiologica borrador itb (1).docx
Anatomia radiologica borrador itb (1).docx
 
Clase 7 Sistema nervioso. Anatomia Veterinaria
Clase 7 Sistema nervioso. Anatomia VeterinariaClase 7 Sistema nervioso. Anatomia Veterinaria
Clase 7 Sistema nervioso. Anatomia Veterinaria
 
LINEAMIENTOS DE PRACTICA PECUARIA PARA EL DESARROLLO LOCAL DE LA GANDERIA BOV...
LINEAMIENTOS DE PRACTICA PECUARIA PARA EL DESARROLLO LOCAL DE LA GANDERIA BOV...LINEAMIENTOS DE PRACTICA PECUARIA PARA EL DESARROLLO LOCAL DE LA GANDERIA BOV...
LINEAMIENTOS DE PRACTICA PECUARIA PARA EL DESARROLLO LOCAL DE LA GANDERIA BOV...
 
10 etapas del proceso administrativo.pptx
10 etapas del proceso administrativo.pptx10 etapas del proceso administrativo.pptx
10 etapas del proceso administrativo.pptx
 
Colón, Cristóbal. - Diario de a bordo [2016].pdf
Colón, Cristóbal. - Diario de a bordo [2016].pdfColón, Cristóbal. - Diario de a bordo [2016].pdf
Colón, Cristóbal. - Diario de a bordo [2016].pdf
 
Proceso-metabolico-de-la-ureogenesis-en-el-ser-humano.pdf
Proceso-metabolico-de-la-ureogenesis-en-el-ser-humano.pdfProceso-metabolico-de-la-ureogenesis-en-el-ser-humano.pdf
Proceso-metabolico-de-la-ureogenesis-en-el-ser-humano.pdf
 
Flori, Jean. - Caballeros y caballería en la Edad Media [ocr] [2001].pdf
Flori, Jean. - Caballeros y caballería en la Edad Media [ocr] [2001].pdfFlori, Jean. - Caballeros y caballería en la Edad Media [ocr] [2001].pdf
Flori, Jean. - Caballeros y caballería en la Edad Media [ocr] [2001].pdf
 

Reconocimiento automático de la actividad física diaria aplicado a contextos de e-Salud y teleasistencia

  • 1.
  • 2. • La globalización tecnológica y la innovación han transformado la manera en que se imparten los servicios de salud • Las intervenciones médicas han sufrido un cambio radical, pasando del “contacto personal directo y puntual” en tiempo y espacio, hacia una interacción “continua e independiente del espacio físico” • Las enfermedades han evolucionado, de agudas a crónicas, al tiempo que la población envejece rápidamente en todo el mundo 2
  • 3. • Estudio de técnicas aplicadas al reconocimiento de actividades físicas cotidianas • Monitorización supervisada y no supervisada • Diferentes campos de aplicación (teleasistencia, e-salud, deportes, etc.) 3
  • 4. • Definir una metodología propia para el reconocimiento de actividades • Mejorar los resultados en el marco supervisado y seminaturalístico  Analizar la información extraída de la monitorización de ejercicios habituales  Definir modelos de caracterización a partir de las señales asociadas a cada actividad  Establecer metodologías para la selección de las variables más adecuadas  Comparar diversas metodologías de extracción de conocimiento Para ello 4
  • 5. FASE I: Análisis de las señales y valoración de qué pre- procesado es necesario FASE II: Identificación, definición y aplicación de las técnicas para extracción de características FASE III: Selección de características FASE IV: Clasificación FASE V: Test, análisis de los resultados y selección del modelo de clasificador 5
  • 6. • Cinco acelerómetros • Cuatro actividades • Dos metodologías de • Veinte individuos monitorización Andar Sentarse y relajarse Permanecer de pie Correr 6
  • 8.
  • 9. 0 200 400 5 5.5 6 6.5 Tiempo (seg) Aceleración(G) Cadera 0 200 400 3 4 5 6 7 8 Tiempo (seg) Aceleración(G) Muñeca 0 200 400 4 5 6 7 Tiempo (seg) Aceleración(G) Brazo 0 200 400 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 200 400 4 4.5 5 5.5 6 6.5 Tiempo (seg) Aceleración(G) Muslo0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Cadera 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Muñeca 0 100 200 300 2 4 6 8 10 12 Tiempo (seg) Aceleración(G) Brazo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Muslo 0 200 400 600 2 4 6 8 10 Tiempo (seg) Aceleración(G) Cadera 0 200 400 600 0 2 4 6 8 10 Tiempo (seg) Aceleración(G) Muñeca 0 200 400 600 0 5 10 15 Tiempo (seg) Aceleración(G) Brazo 0 200 400 600 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 200 400 600 2 4 6 8 10 Tiempo (seg) Aceleración(G) Muslo 0 100 200 300 4 6 8 10 Tiempo (seg) Aceleración(G) Cadera 0 100 200 300 3 4 5 6 7 8 Tiempo (seg) Aceleración(G) Muñeca 0 100 200 300 4 5 6 7 Tiempo (seg) Aceleración(G) Brazo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 100 200 300 2 4 6 8 10 12 Tiempo (seg) Aceleración(G) Muslo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Cadera 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Muñeca 0 100 200 300 2 4 6 8 10 12 Tiempo (seg) Aceleración(G) Brazo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Muslo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Cadera 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Muñeca 0 100 200 300 2 4 6 8 10 12 Tiempo (seg) Aceleración(G) Brazo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Muslo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Cadera 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Muñeca 0 100 200 300 2 4 6 8 10 12 Tiempo (seg) Aceleración(G) Brazo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Muslo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Cadera 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Muñeca 0 100 200 300 2 4 6 8 10 12 Tiempo (seg) Aceleración(G) Brazo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Muslo 0 200 400 5 5.5 6 6.5 Tiempo (seg) Aceleración(G) Cadera 0 200 400 3 4 5 6 7 8 Tiempo (seg) Aceleración(G) Muñeca 0 200 400 4 5 6 7 Tiempo (seg) Aceleración(G) Brazo 0 200 400 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 200 400 4 4.5 5 5.5 6 6.5 Tiempo (seg) Aceleración(G) Muslo 0 200 400 5 5.5 6 6.5 Tiempo (seg) Aceleración(G) Cadera 0 200 400 3 4 5 6 7 8 Tiempo (seg) Aceleración(G) Muñeca 0 200 400 4 5 6 7 Tiempo (seg) Aceleración(G) Brazo 0 200 400 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 200 400 4 4.5 5 5.5 6 6.5 Tiempo (seg) Aceleración(G) Muslo 0 200 400 5 5.5 6 6.5 Tiempo (seg) Aceleración(G) Cadera 0 200 400 3 4 5 6 7 8 Tiempo (seg) Aceleración(G) Muñeca 0 200 400 4 5 6 7 Tiempo (seg) Aceleración(G) Brazo 0 200 400 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 200 400 4 4.5 5 5.5 6 6.5 Tiempo (seg) Aceleración(G) Muslo 0 200 400 5 5.5 6 6.5 Tiempo (seg) Aceleración(G) Cadera 0 200 400 3 4 5 6 7 8 Tiempo (seg) Aceleración(G) Muñeca 0 200 400 4 5 6 7 Tiempo (seg) Aceleración(G) Brazo 0 200 400 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 200 400 4 4.5 5 5.5 6 6.5 Tiempo (seg) Aceleración(G) Muslo 0 200 400 600 2 4 6 8 10 Tiempo (seg) Aceleración(G) Cadera 0 200 400 600 0 2 4 6 8 10 Tiempo (seg) Aceleración(G) Muñeca 0 200 400 600 0 5 10 15 Tiempo (seg) Aceleración(G) Brazo 0 200 400 600 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 200 400 600 2 4 6 8 10 Tiempo (seg) Aceleración(G) Muslo 0 200 400 600 2 4 6 8 10 Tiempo (seg) Aceleración(G) Cadera 0 200 400 600 0 2 4 6 8 10 Tiempo (seg) Aceleración(G) Muñeca 0 200 400 600 0 5 10 15 Tiempo (seg) Aceleración(G) Brazo 0 200 400 600 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 200 400 600 2 4 6 8 10 Tiempo (seg) Aceleración(G) Muslo 0 200 400 600 2 4 6 8 10 Tiempo (seg) Aceleración(G) Cadera 0 200 400 600 0 2 4 6 8 10 Tiempo (seg) Aceleración(G) Muñeca 0 200 400 600 0 5 10 15 Tiempo (seg) Aceleración(G) Brazo 0 200 400 600 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 200 400 600 2 4 6 8 10 Tiempo (seg) Aceleración(G) Muslo 0 200 400 600 2 4 6 8 10 Tiempo (seg) Aceleración(G) Cadera 0 200 400 600 0 2 4 6 8 10 Tiempo (seg) Aceleración(G) Muñeca 0 200 400 600 0 5 10 15 Tiempo (seg) Aceleración(G) Brazo 0 200 400 600 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 200 400 600 2 4 6 8 10 Tiempo (seg) Aceleración(G) Muslo 0 100 200 300 4 6 8 10 Tiempo (seg) Aceleración(G) Cadera 0 100 200 300 3 4 5 6 7 8 Tiempo (seg) Aceleración(G) Muñeca 0 100 200 300 4 5 6 7 Tiempo (seg) Aceleración(G) Brazo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 100 200 300 2 4 6 8 10 12 Tiempo (seg) Aceleración(G) Muslo 0 100 200 300 4 6 8 10 Tiempo (seg) Aceleración(G) Cadera 0 100 200 300 3 4 5 6 7 8 Tiempo (seg) Aceleración(G) Muñeca 0 100 200 300 4 5 6 7 Tiempo (seg) Aceleración(G) Brazo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 100 200 300 2 4 6 8 10 12 Tiempo (seg) Aceleración(G) Muslo 0 100 200 300 4 6 8 10 Tiempo (seg) Aceleración(G) Cadera 0 100 200 300 3 4 5 6 7 8 Tiempo (seg) Aceleración(G) Muñeca 0 100 200 300 4 5 6 7 Tiempo (seg) Aceleración(G) Brazo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 100 200 300 2 4 6 8 10 12 Tiempo (seg) Aceleración(G) Muslo 0 100 200 300 4 6 8 10 Tiempo (seg) Aceleración(G) Cadera 0 100 200 300 3 4 5 6 7 8 Tiempo (seg) Aceleración(G) Muñeca 0 100 200 300 4 5 6 7 Tiempo (seg) Aceleración(G) Brazo 0 100 200 300 0 5 10 15 Tiempo (seg) Aceleración(G) Tobillo 0 100 200 300 2 4 6 8 10 12 Tiempo (seg) Aceleración(G) Muslo Andar Sentarse y relajarse Permanecer depie Correr 9
  • 10. • Acelerómetro del tobillo 28 30 32 34 36 3 4 5 6 7 Tiempo (seg) Aceleración(G) Andar 82 84 86 88 90 92 5 5.5 6 Tiempo (seg) Aceleración(G) Sentarse y relajarse 420 430 440 450 5 5.2 5.4 5.6 5.8 6 6.2 6.4 Tiempo (seg) Aceleración(G) Permanecer de pie 76 77 78 79 80 1 2 3 4 5 6 7 8 Tiempo (seg) Aceleración(G) Correr 10
  • 11. • Offset • Saltos de discontinuidad (descalibración) • Anomalías (movimientos irregulares, cambios de orientación, caídas, etc.) • Ruido de alta frecuencia NECESIDAD DE PREPROCESAMIENTO 11
  • 12. • Filtrado de media modificado – Permite eliminar el offset – Elimina las descalibraciones • Filtrado paso bajo + paso alto – Elimina ruido de alta frecuencia – Elimina offset – Elimina picos de baja frecuencia • Otras opciones valoradas – Filtro de mediana – Wavelets Original Filtrado media LPF + HPF 12
  • 13.
  • 14. Magnitudes Amplitud Autocorrelación Cepstrum Densidad espectral de energía Espectro en amplitud Espectro en fase Histograma Reconstrucción de mínima fase Valor de los históricos Wavelet Correlación cruzada Coherencia espectral Índice de desfase Operaciones matemático-estadísticas Coeficiente de asimetría Cruces por cero Curtosis Desviación estándar Distorsión armónica total Energía total Entropía Máximo Media aritmética, armónica, geométrica, truncada Mediana Mínimo Moda Momento de orden 4 y 5 Posición del máximo/mínimo Rango Varianza 14
  • 15. • Método de la señal completa • Método de la subseñal más característica – Basado en correlación – Basado en coherencia • Método de la ventana – Fija – Solapada 15
  • 16. LABORATORIO SEMINATURALÍSTICOS Filtrados Originales Sin Offset Señal completa Subseñal (correlación) Subseñal (coherencia) Ventana (fija) Ventana (solapamiento) Filosofía de monitorización Preprocesado Técnica de extracción 16
  • 17.
  • 18. • Influye en el proceso de clasificación POSICIÓN ÓPTIMA Pocas Características Buena Clasificación 0 200 400 600 800 -1 -0.5 0 0.5 1 x 10 4 Acel. TOBILLO, Act. CORRER Características Valordelacaracterística 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 x 10 4 Nivel de solapamiento Númerodecaracterísticasdiscriminantes ACELERÓMETRO DEL TOBILLO Andar Sentarse y relajarse Permanecer de pie Correr Act. conjuntas Act. y acel. conjuntas 0 200 400 600 800 -1 -0.5 0 0.5 1 x 10 4 Acel. TOBILLO, Act. CORRER Características Valordelacaracterística • Conjunto de características muy amplio (861 variables  2861  1.5 x 10259 posibles combinaciones) 18
  • 20. Criterio de solapamiento Criterio de calidad discriminante Actividades discriminadas Acelerómetros donde lo permite Grupo de Calidad 4 5 #1 4 4 #2 4 3 #3 4 2 #4 4 1 #5 3 5 #6 3 4 #7 3 3 #8 3 2 #9 3 1 #10 2 5 #11 2 4 #12 2 3 #13 2 2 #14 2 1 #15 1 5 #16 1 4 #17 1 3 #18 1 2 #19 1 1 #20 0 5 #21 20 ACELERÓMETRO DEL MUSLO
  • 21. Criterio de solapamiento 21 Publicaciones: Baños, O., Pomares, H., Rojas, I.: Ambient Living Activity Recognition based on Feature-set Ranking Using Intelligent Systems. In: Proceedings of the 2010 International Joint Conference on Neural Networks (IJCNN 2010), IEEE, Barcelona July 18-23, (2010) Baños, O., Pomares, H., Rojas, I.: Novel Method for Feature- set Ranking Applied to Physical Activity Recognition. In: Proceedings of The Twenty Third International Conference on Industrial, Engineering & Other Applications of Applied Intelligent Systems (IEA-AIE 2010), Córdoba June 1-4,(2010) Baños, O., Pomares, H., Rojas, I.: Hibridación de Paradigmas de Clasificación en el Contexto del Reconocimiento Automático de Actividades Físicas Cotidianas. En: XV Congreso Español sobre Tecnologías y Lógica Fuzzy (ESTYLF 2010), Huelva Febrero 3-5, (2010) Baños, O., Pomares, H., Rojas, I.: Redes de Sensores Inalámbricos en Entornos de Inteligencia Ambiental, Teleasistencia y E-Salud. En: III Simposio de Inteligencia Computacional (SICO 2010), Valencia Septiembre 8-9, (2010) ACELERÓMETRO DEL MUSLO
  • 22. • Nº de características discriminantes en función del umbral de solapamiento 0 0.2 0.4 0.6 0.8 1 0 200 400 600 800 1000 Nivel de solapamiento Númerodecaracterísticasdiscriminantes ACELERÓMETRO DEL BRAZO • Modelo utilizado: criterio de restricción máximo (usolap, ÓPTIMO = 0) – Categorías basadas en el método de extracción de la subseñal más característica no superan la condición 0 0.2 0.4 0.6 0.8 1 0 100 200 300 400 500 600 700 800 900 Nivel de solapamiento Númerodecaracterísticasdiscriminantes ACELERÓMETRO DE LA MUÑECA Andar Sentarse y relajarse Permanecer de pie Correr Act. conjuntas Act. y acel. conjuntas 0 0.2 0.4 0.6 0.8 1 0 100 200 300 400 500 600 700 800 900 Nivel de solapamiento Númerodecaracterísticasdiscriminantes ACELERÓMETRO DE LA MUÑECA Andar Sentarse y relajarse Permanecer de pie Correr Act. conjuntas Act. y acel. conjuntas 22
  • 23. • Selectores basados en distancias o criterios estadísticos, usados ampliamente en diversos contextos 23 • Nuestra herramienta destaca como la más rápida de las empleadas
  • 24.
  • 25. • Pueden ser  Supervisados / No supervisados  Binarios / Multientrada  Binarios / Multiobjetivo  Paramétricos / No paramétricos  Etc. • Principales opciones  Lógica Difusa  Redes Neuronales  Máquinas de Soporte Vectorial (SVM)  Árboles de Decisión  Redes Bayesianas  Modelos Ocultos de Markov 25
  • 26. • Muy rápido • Fácil interpretación • Relación con el selector basado en solapamiento • Modelo multiclase directo • Modo binario y modo multivariable 26
  • 27. • Rápido • Opera bien a partir de datos parciales • Asume independencia estadística entre las variables de entrenamiento 27
  • 28. • Rápido • Solución simple • Buenos precedentes • Multiclase basado en modelos binarios • Diferentes tipos de kernels (lineal, cuadrático, RBF, MPL, etc.). 0 50 100 150 200 0 20 40 60 80 100 120 Media geométrica de los coeficientes wavelets a3, señal del eje X Mediageométricadeloscoeficienteswaveletsa3,señaldelejeY Hiperplano separador para kernel RBF Resto de actividades (entrenamiento) Resto de actividades (clasificado) Andar (entrenamiento) Andar (clasificado) Vectores de soporte 28
  • 29. 29 • Clasificadores binarios son más robustos y ofrecen por lo general mejor performance • Los modelos para definir sistemas de decisión multiclase no aprovechan por lo general las capacidades que ofrecen las unidades binarias o resultan muy costosos • No existe un modelo unificado que proporcione resultados destacables bajo cualquier contexto o ámbito de aplicación
  • 30. 30
  • 31.
  • 32. • Principal (P) • Grupos de calidad (GC) • Roles cambiados (RC) 32
  • 33. • Principal (P) • Grupos de calidad (GC) • Roles cambiados (RC) 33 1 Carac. 2 Carac. 3 Carac. 4 Carac. 5 Carac. 10 Carac. 2-fold 5-fold 10-fold
  • 34. • Principal (P) • Grupos de calidad (GC) • Roles cambiados (RC) 34 1er GC 1º+2o GC 1º+2o+3o GC 1º+2o+3o+4o GC 1º+2o+3o+4o +5o GC 1º+2o+3o+4o +5o+6o GC 2-fold 5-fold 10-fold
  • 35. • La metodología basada en el CHJP ofrece los mejores resultados (para ambos ámbitos de monitorización) • Usando sólo una característica se alcanzan ratios de acierto prácticamente absolutos 35 Laboratorio (DT, empleando 1 característica) Seminaturalístico (DT, empleando 1 característica)
  • 36. • La metodología basada en el CHJP ofrece los mejores resultados • Resultados muy buenos, sobretodo al emplear características seminaturalísticas en contextos de laboratorio 36 Laboratorio (DT, empleando 1 característica) Seminaturalístico (DT, empleando 1 característica)
  • 37. • La metodología basada en el CHJP ofrece los mejores resultados • Resultados muy buenos, sobretodo al emplear características seminaturalísticas en contextos de laboratorio • Al aumentar la longitud del vector de características se mejoran los resultados (salvo en los NB), logrando un altísimo performance 37 Laboratorio (DT, empleando 3 características) Seminaturalístico (DT, empleando 3 características)
  • 38. 38 • Se obtienen sistemas de clasificación con ratios de acierto próximos o iguales al 100% • La metodología más interesante es la basada en el CHJP, empleando DT y SVM. Los NB operan bien pero su eficiencia se ve reducida al aumentar el número de características • La metodología Propia de selección ofrece características con un alto nivel de discriminación • Cualquier fuente es utilizable, pero destaca el uso de la información monitorizada a través de la muñeca
  • 39. TRABAJO Ratios de acierto L. Bao and S.S. Intille.,“Physical Activity Recognition from Acceleration Data under Semi-Naturalistic Conditions” (2004) DT (89%), kNN (83%), NB (52%) M. Ermes et al, “Detection of Daily Activities and Sports With Wearable Sensors in Controlled and Uncontrolled Conditions” (2008) ANN (93%), Jerárquico (83%), DT (60%) U. Maurer et al, “Activity Recognition and Monitoring Using Multiple Sensors on Different Body Positions” (2006) DT (87%), NB y kNN (<87%) S. Pirttikangas et al, “Feature Selection and Activity Recognition from Wearable Sensors” (2006) ANN (93%), kNN (90%) ESTE ESTUDIO CHJP + DT (>98.00% (SEM), 99.99% (LAB)) Fuente: S. J. Preece et al, “Activity identification using body-mounted sensors—a review of classification techniques” (2009) 39
  • 40.
  • 41. • El preprocesado, modelo de extracción y selección de características, y clasificador determinan de forma directa la eficiencia del sistema • Se obtienen diferentes realizaciones algunas de las cuales ofrecen ratios de eficiencia prácticamente absolutos • Cada acelerómetro ofrece por sí mismo un ratio de acierto alto, luego a priori no sería necesario utilizar combinaciones (si bien se pueden emplear en modo redundante). Especialmente interesante es el acelerómetro de la muñeca 41
  • 42. • Estudiar otras alternativas a la metodología propuesta, trabajando también en la mejora de las técnicas ideadas y aplicando un estudio cruzado • Analizar otras actividades, acelerómetros y proponer un sistema propio de monitorización • Integrar el diseño junto a otros sistemas de reconocimiento para aplicaciones específicas 42