Video Experimental Relacionado
Updated: Jun 30, 2026
Capturing Representative Hand Use at Home Using Egocentric Video in Individuals with Upper Limb Impairment
Published on: December 23, 2020
Una integración de modelos de aprendizaje profundo para la clasificación efectiva de patrones de actividad humana en
Hend Khalid Alkahtani1, Nouf Al-Kahtani2, Gouse Pasha Mohammed3
1Department of Information Systems, College of Computer and Information Sciences, Princess Nourah Bint Abdulrahman University, P.O. Box 84428, 11671, Riyadh, Saudi Arabia. hkAlqahtani@pnu.edu.sa.
Este estudio presenta un modelo optimizado de aprendizaje profundo híbrido para el reconocimiento de actividad humana (HAR) utilizando optimización metaheurística. El modelo logra una precisión del 99 %, mejorando significativamente el monitoreo de actividades para personas con discapacidades.
Área de la Ciencia:
- Visión por Computadora; Inteligencia Artificial; Aprendizaje Automático
Sus antecedentes:
- El reconocimiento de actividad humana (HAR) es crucial para aplicaciones como la videovigilancia y las tecnologías de asistencia.
- Los modelos de aprendizaje profundo (DL) son vitales para un HAR preciso, especialmente para personas con discapacidades y ancianos.
- Los métodos HAR existentes requieren optimización para mejorar el rendimiento y la confiabilidad.
Objetivo del estudio:
- Desarrollar un modelo optimizado de aprendizaje profundo híbrido (OHDLM-HARMOA) para mejorar el reconocimiento de actividad humana.
- Mejorar la calidad de vida de las personas con discapacidades a través de un monitoreo preciso de actividades.
- Aprovechar los algoritmos de optimización metaheurística para un rendimiento superior en HAR.
Principales métodos:
- Preprocesamiento de datos mediante normalización Z-score.
- Selección de características mediante Optimización de Colonia de Hormigas (ACO).
- Clasificación híbrida utilizando Red Neuronal Convolucional (CNN) y Unidad de Puerta Recurrente Bidireccional con Atención (BiGRU-A).
- Ajuste de parámetros con el Algoritmo Seno-Coseno (SCA).
Principales resultados:
- El modelo OHDLM-HARMOA logró una alta precisión del 99,00 % en el conjunto de datos WISDM.
- Demostró un rendimiento superior en comparación con los modelos HAR existentes.
- La selección eficaz de características y la optimización de parámetros fueron clave para el éxito del modelo.
Conclusiones:
- El modelo OHDLM-HARMOA ofrece una solución altamente precisa y efectiva para el reconocimiento de actividad humana.
- Este enfoque tiene un potencial significativo para ayudar a las personas con discapacidades a través de un monitoreo avanzado de actividades.
- La optimización metaheurística mejora significativamente el rendimiento de los modelos de aprendizaje profundo en HAR.
