UA-61751701-2

Detección de fases de las actividades de sentarse y levantarse mediante métodos de machine learning
    • español
    • English
EscuelaIng
  • English 
    • español
    • English
  • Login
  • Inicio
  • Guías de Uso
    • Directrices
    • Procedimientos de Trabajo de Grado
    • Guía de Autoarchivo
    • Formato de Autorización para Publicación
  • Navegar
    • Comunidades
    • Autores
    • Títulos
    • Fechas
    • Materias
    • Tipo de Material
  • Investigadores
  • Organizaciones
  • Proyectos

Repositorio Digital

  • Comunities Comunities
  • Authors Authors
  • Titles Titles
  • Dates Dates
  • Subjects Subjects
  • Resource Type Resource Type
View Item 
  •   DSpace Home
  • 1- Tesis de Grado y Trabajos Dirigidos
  • B - Ingeniería Biomédica
  • BA - Trabajos Dirigidos de Biomédica
  • View Item
  •   DSpace Home
  • 1- Tesis de Grado y Trabajos Dirigidos
  • B - Ingeniería Biomédica
  • BA - Trabajos Dirigidos de Biomédica
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Cambiar vista

Browse

All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsResource TypeThis CollectionBy Issue DateAuthorsTitlesSubjectsResource Type

My Account

LoginRegister

Statistics

View Usage Statistics

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


Otálora González, Sophia

Cifuentes García, Carlos Andrés
Perdomo Charry, Oscar Julián

Trabajo de grado - Pregrado

2021

Ingeniería Biomédica

Inteligencia artificialBuscar en Repositorio UMECIT
Dispositivos robóticosBuscar en Repositorio UMECIT
Métodos de machine learning – sentarseBuscar en Repositorio UMECIT
Métodos de machine learning – levantarseBuscar en Repositorio UMECIT
Inteligencia artificialBuscar en Repositorio UMECIT
Dispositivos robóticosBuscar en Repositorio UMECIT
Robotic devicesBuscar en Repositorio UMECIT
Artificial intelligenceBuscar en Repositorio UMECIT
Métodos de machine learning – sentarseBuscar en Repositorio UMECIT
Métodos de machine learning – levantarseBuscar en Repositorio UMECIT
Machine learning methods – sit backBuscar en Repositorio UMECIT
Machine learning methods – get upBuscar en Repositorio UMECIT

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.
 
Identifying the phases of sitting and standing activities is essential for the control of a lower limb exoskeleton. In this study, the most suitable methods to recognize the phases of sitting and standing activities using position data from the Kinect Activity Recognition Dataset (KARD) are presented. Ten subjects participated in the study, performing the two activities three times each. Seven of the fifteen markers referring to the lower extremities were analyzed. According to the literature, two machine learning techniques such as k-nearest neighbors (kNN) and support vector machines (SVM) with their respective kernels (SVM, SVM, SVMg and SVM) are used to detect the phases of each activity. The performance of each algorithm is analyzed through confusion matrices and values ​​such as accuracy, recall, precision and F1-score, where the results show that SVMp has a better performance for the sitting activity with an accuracy value of 86%. kNN presents greater precision for the activity of getting up with a value of 84%. Both algorithms have good performances to classify the phases of each activity, however, SVM is the most stable method with high values ​​in both activities in precision, recovery and F1-score. Also, for the sitting activity, an additional phase should be added to avoid confusion between phase 0 and phase 1, and vice versa.
 

https://repositorio.escuelaing.edu.co/handle/001/1966

  • BA - Trabajos Dirigidos de Biomédica [159]

Descripción: Trabajo dirigido
Título: Otálora González.Sophia.-2021.pdf
Tamaño: 1.252Mb

Unicordoba LogoPDFOpen AccessFLIPLEER EN FLIP

Descripción: Autorización de publicación firmada por el tutor
Título: Autorizacion.pdf
Tamaño: 807.8Kb

Unicordoba LogoPDFClosed Access

Show full item record

Cita

Cómo citar

Cómo citar

Miniatura

Thumbnail

Gestores Bibliográficos

Exportar a Bibtex

Exportar a RIS

Exportar a Excel

Buscar en google Schoolar

Buscar en microsoft academic

untranslated

Código QR

Envíos recientes

    No hay artículos recientes

Oferta académica

Carreras profesionales

Especializaciones

Maestrías

Doctorado

Nustros Campus

Introducción al campus

Tecnología

Fortalezas

Premios y reconocimientos

Flora y fauna

Visita el campus

Internacionalización

Programas y alianzas

Movilidad

Sobre la Escuela y Bogotá

Convenios internacionales, nacionales y con colegios

Ayuda

PQRSFC

Centro de Ayuda

Contáctenos

Habeas Data

Centro de Servicios Tecnológicos

Directorio Escuela

acriditación institucional
icoMaps

AK. 45 No. 205 - 59, Autopista Norte.

PBX: +57(1) 668 3600 - Bogotá.

Línea nacional gratuita:

018000112668.

Sistema DSPACE - Metabiblioteca | logo