Publication:

Detección de fases de las actividades de sentarse y levantarse mediante métodos de machine learning

Identificar las fases de las actividades de sentarse y levantarse es primordial para el con trol de un exoesqueleto de miembro inferior. En este estudio, se presentan los métodos más adecuados para reconocer las fases de las actividades sentarse y levantarse utilizando datos de posición del dataset “Kinect Activity Recognition Dataset (KARD)”. Diez sujetos partici paron en el estudio, realizando tres veces las dos actividades cada uno. Se analizaron siete de los quince marcadores que hacen referencia a las extremidades inferiores. Según la literatura, se utilizan dos técnicas de machine learning como k vecinos más cercanos (kNN) y máquinas de soporte vectorial (SVM) con sus respectivos kernels (SVM, SVM, SVMg y SVM) para detectar las fases de cada actividad. El rendimiento de cada algoritmo se analiza a través de matrices de confusión y valores como exactitud, recuperación, precisión y puntuación-F1, donde los resultados muestran que SVMp tiene un mejor rendimiento para la actividad de sentarse con un valor de precisión del 86 %. kNN presenta mayor precisión para la actividad de levantarse con un valor del 84 %. Ambos algoritmos tienen buenos rendimientos para clasificar las fases de cada actividad, sin embargo, SVM es el método más estable con valores altos en ambas actividades en precisión, recuperación y puntuación-F1. Además, para la actividad de sentarse, se debe agregar una fase adicional para evitar confusiones entre la fase 0 y la fase 1, y viceversa.