Video Experimental Relacionado
Updated: May 10, 2026
Evaluation of a Smartphone-based Human Activity Recognition System in a Daily Living Environment
Published on: December 11, 2015
Sistema avanzado de reconocimiento inteligente de la actividad humana para personas con discapacidad que utiliza
Manal Abdullah Alohali1, Mohammed Yahya Alzahrani2, Asmaa Mansour Alghamdi3
1Department of Information Systems, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University, P.O. Box 84428, Riyadh, 11671, Saudi Arabia. maalohaly@pnu.edu.sa.
Este estudio presenta un reconocimiento inteligente avanzado de la actividad humana para personas con discapacidad que utiliza el aprendizaje profundo con un enfoque de optimización de serpientes (AHARDP-DLSO). El modelo AHARDP-DLSO logra una precisión del 95,81% en el reconocimiento de las actividades diarias de las personas con discapacidad.
Área de la Ciencia:
- Inteligencia artificial
- Ingeniería biomédica
- Ciencias de la computación
Sus antecedentes:
- El reconocimiento de la actividad humana (HAR) es crucial para el cuidado de ancianos y los hogares inteligentes.
- El envejecimiento disminuye la actividad física y el rendimiento de las tareas diarias, lo que afecta la salud.
- La investigación limitada se centra en HAR para adultos mayores y personas con discapacidades.
Objetivo del estudio:
- Introducir un reconocimiento inteligente avanzado de la actividad humana para personas con discapacidad utilizando el aprendizaje profundo con un enfoque de optimización de serpientes (AHARDP-DLSO).
- Desarrollar un modelo eficiente basado en el aprendizaje profundo para detectar y clasificar las actividades diarias de las personas con discapacidad.
- Lograr una alta precisión y adaptabilidad en HAR para la población objetivo.
Principales métodos:
- Normalización de los datos mediante escalamiento mínimo-máximo.
- Clasificación mediante una red de creencias profundas (DBN).
- Optimización de hiperparámetros de DBN con el algoritmo de optimizador de serpiente (SOA).
Principales resultados:
- El modelo AHARDP-DLSO demostró un rendimiento superior en el conjunto de datos WISDM.
- Logró una alta precisión del 95,81% en el reconocimiento de actividades.
- Superó a los modelos existentes de HAR en la validación experimental.
Conclusiones:
- El enfoque AHARDP-DLSO ofrece una solución efectiva para el HAR en personas discapacitadas.
- El aprendizaje profundo combinado con el optimizador de serpientes es prometedor para aplicaciones especializadas de HAR.
- El modelo proporciona una base para tecnologías de asistencia mejoradas para las personas con discapacidad.
