El documento describe un estudio para desarrollar una metodología para el reconocimiento de actividades físicas cotidianas mediante el uso de acelerómetros. Se propone una metodología en cinco fases que incluye el análisis de señales, extracción de características, selección de características, clasificación y pruebas para evaluar los resultados y seleccionar el mejor modelo de clasificación.

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 usuarios monitorización
Andar
Sentarse y relajarse
Permanecer de pie
Correr

7. 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

8. • 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

9. • Offset
• Saltos de discontinuidad (descalibración)
• Anomalías (movimientos irregulares, cambios
de orientación, caídas, etc.)
• Ruido de alta frecuencia
NECESIDAD DE
PREPROCESAMIENTO

10. • 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

13. • Método de la señal completa
• Método de la subseñal más característica
– Basado en correlación
– Basado en coherencia
• Método de la ventana
– Fija
– Deslizante

14. LABORATORIO
SEMINATURALÍSTICOS
Filtrados
Originales
Sin Offset
Señal completa
Subseñal (correlación)
Subseñal (coherencia)
Ventana (fijo)
Ventana (deslizante)
Filosofía de
monitorización
Preprocesado Técnica de
extracción

16. • Conjunto de
características muy
amplio (861 variables)
• 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

17. Criterio de
solapamiento
0
10
20
30
40
Acel. MUSLO, Act.CORRER
Carac. media geom. de los coef. wavelets a5
Valordelacaracterística
Criterio de calidad
discriminante
Actividades
discriminadas
Acelerómetros
donde lo
permite
Grado 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
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
100
200
300
400
500
600
700
800
900
Nivel de solapamiento
Númerodecaracterísticasdiscriminantes
ACELERÓMETRO DEL MUSLO
Andar
Sentarse y relajarse
Permanecer de pie
Correr
Act. conjuntas
Act. y acel. conjuntas

18. • 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

20. • 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

21. • Rápidos
• 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
0 20 40 60 80 100 120 140
0
5
10
15
20
25
30
35
40
45
50
Media geométrica de los coeficientes wavelets d3
Mediageométricadeloscoeficienteswaveletsd4
Hiperplano separador para kernel de tipo lineal
Resto de actividades (entrenamiento)
Resto de actividades (clasificado)
Correr (entrenamiento)
Correr (clasificado)
Vectores de soporte

22. • Muy rápido
• Fácil interpretación
• Relación con el selector basado en
solapamiento
• Modelo multiclase
directo
• Modo binario y
modo multivariable

24. • Validación cruzada
– Un sujeto se aísla en el entrenamiento para el test
– La mitad se utilizan para entrenar y el resto para test
SVM:
- RBF más regular
- Mejores tasas de acierto
para las actividades “correr” y
“sentarse y relajarse”
- Resultados muy buenos para
datos de tipo laboratorio y
puntualmente aceptables para
seminaturalísticos

25. ÁRBOLES DE DECISIÓN:
- Profundidad inferior a nivel 5
- Excelentes resultados para las categorías de
laboratorio, con resultados muy buenos para
la aproximación seminaturalística
SVM FILTRADOS ORIGINALES SIN OFFSET
LAB 96.37 ± 4.58 84.43 ± 5.94 86.90 ± 6.99
SEM 75.81 ± 0.90 75.73 ± 3.02 78.20 ± 2.14
ÁRBOLES FILTRADOS ORIGINALES SIN OFFSET
LAB 98.92 ± 1.08 98.48 ± 1.19 98.87 ± 0.66
SEM 95.05 ± 1.20 92.8 ± 4.01 93.00 ± 4.20
Mejoresresultadospara
cadacategoría
Media (%) ± desviación estándar (%)

26. • Comparativa con otros trabajos
TRABAJO Porcentajes de acierto
S.W. Lee and K. Mase. Activity and location
recognition using wearable sensors. 92.85% a 95.91%
J. Mantyjarvi, J. Himberg, and T. Seppanen.
Recognizing human motion with
multiple acceleration sensors.
83% a 90%
K. Aminian, P. Robert, E. E. Buchser,
B. Rutschmann, D. Hayoz, and M. Depairon.
Physical activity monitoring based on accelerometry:
validation and comparison with video observation.
89.30%
L. Bao and S.S. Intille. Physical Activity Recognition from
Acceleration Data under Semi-Naturalistic Conditions 89%
ESTE ESTUDIO 95.05% (SEM), 98.92(LAB)
Fuente: L. Bao and S.S. Intille. Physical Activity Recognition from Acceleration Data under Semi-Naturalistic Conditions

28. • El preprocesado, modelo de extracción y selección de
características, y clasificador determinan de forma directa
la eficiencia del sistema
• Los mejores resultados (≈ 100%) para datos de laboratorio
se obtienen con:
• Para datos seminaturalísticos hay que valorar otras
posibilidades (resultados dependientes de la metodología
seguida que pueden llegar a dar ≈ 95%)
• 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)
Filtrado
Extracción sobre la
señal completa
Variables como media
geom. de los coef.
wavelets,
autocorrelación o
amplitud
Clasificación basada en
árboles de decisión

29. • Estudiar otras alternativas a la metodología
propuesta, trabajando también en la mejora
de las técnicas ideadas
• Analizar otras actividades, acelerómetros y
proponer un sistema propio de monitorización
• Integrar el diseño
junto a otros sistemas
de reconocimiento
para aplicaciones
específicas