Estudio Comparativo de Diferentes Algoritmos para la Predicción de la Dirección del Movimiento Humano Basado en Datos...

Área de la Ciencia:

• Biomecánica; Inteligencia Artificial; Tecnología Portátil

Sus antecedentes:

• La predicción precisa del movimiento humano es vital para la rehabilitación, la ciencia del deporte y los sistemas inteligentes.; Los métodos existentes pueden no capturar completamente la dinámica espaciotemporal compleja del movimiento humano.

Objetivo del estudio:

• Desarrollar y evaluar un modelo híbrido de aprendizaje profundo para la predicción precisa de la dirección del movimiento humano.; Comparar el rendimiento de un modelo CNN-BiLSTM con otras arquitecturas de aprendizaje profundo.

Principales métodos:

• Se desarrolló un modelo híbrido de aprendizaje profundo que integra redes neuronales convolucionales (CNN) y de memoria a largo plazo bidireccional (BiLSTM).; Se utilizaron datos de presión plantar y sensores inerciales para el aprendizaje de características espaciotemporales.; Se realizaron experimentos comparativos con modelos CNN, BiLSTM, CNN-LSTM y CNN-BiLSTM.

Principales resultados:

• El modelo CNN-BiLSTM demostró un rendimiento superior con el RMSE (0.26) y MAE (0.14) más bajos, y un R² de 0.86.; Logró una alta precisión de ajuste y capacidad de generalización en el conjunto de prueba.; Capturó eficazmente las características espaciales locales y las dependencias temporales bidireccionales.

Conclusiones:

• El modelo CNN-BiLSTM ofrece un marco confiable para la predicción del movimiento humano en tiempo real.; Demuestra una fuerte adaptabilidad para escenarios de movimiento complejos.; Aplicaciones potenciales en análisis de marcha inteligente, monitoreo portátil e interacción humano-máquina.