Detección de fases de las actividades de sentarse y levantarse mediante métodos de machine learning
Trabajo de grado - Pregrado
2021
Inteligencia artificial
Dispositivos robóticos
Métodos de machine learning – sentarse
Métodos de machine learning – levantarse
Inteligencia artificial
Dispositivos robóticos
Robotic devices
Artificial intelligence
Métodos de machine learning – sentarse
Métodos de machine learning – levantarse
Machine learning methods – sit back
Machine learning methods – get up
Dispositivos robóticos
Métodos de machine learning – sentarse
Métodos de machine learning – levantarse
Inteligencia artificial
Dispositivos robóticos
Robotic devices
Artificial intelligence
Métodos de machine learning – sentarse
Métodos de machine learning – levantarse
Machine learning methods – sit back
Machine learning methods – get up
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.
Descripción:
Trabajo dirigido
Título: Otálora González.Sophia.-2021.pdf
Tamaño: 1.252Mb
PDFLEER EN FLIP
Descripción: Autorización de publicación firmada por el tutor
Título: Autorizacion.pdf
Tamaño: 807.8Kb
PDF
Título: Otálora González.Sophia.-2021.pdf
Tamaño: 1.252Mb
PDFLEER EN FLIP
Descripción: Autorización de publicación firmada por el tutor
Título: Autorizacion.pdf
Tamaño: 807.8Kb