Reconocimiento Robusto de Actividad mediante Redes Neuronales Convolucionales (CNN) Conscientes de la Redundancia y...

Área de la Ciencia:

• Ciencias de la Computación
• Aprendizaje Automático
• Procesamiento de Señales

Sus antecedentes:

• El reconocimiento de actividad humana (HAR) es crucial para las aplicaciones de salud móvil e IoT.
• Los métodos existentes a menudo luchan con el ruido y la discriminación de características en los datos de los sensores.
• Los acelerómetros de teléfonos inteligentes ofrecen datos ricos para HAR, pero requieren un procesamiento robusto.

Objetivo del estudio:

• Desarrollar una arquitectura robusta de red neuronal convolucional (CNN) para HAR utilizando datos de acelerómetro de teléfonos inteligentes.
• Introducir y evaluar mecanismos de agrupación novedosos para mejorar la discriminación de características y la resistencia al ruido.
• Investigar la eficacia de la codificación de imágenes basada en histogramas para HAR.

Principales métodos:

• Se propusieron dos mecanismos de agrupación novedosos: Agrupación de Contraste de Extremos (ECP) y Centro Menos Variación (CMV).
• Se implementó una CNN 1D en flujos de sensores sin procesar y una CNN 2D con codificación de imágenes basada en histogramas.
• Se normalizaron los datos de entrada a [0, 1] para obtener salidas agrupadas acotadas.
• Se realizaron estudios de ablación para evaluar la contribución de diferentes componentes.

Principales resultados:

• El sistema CNN 2D con codificación de histogramas logró una precisión de clasificación ponderada de hasta el 96,84% en el conjunto de datos WISDM.
• Las capas de agrupación propuestas (ECP y CMV) demostraron una mejora constante del rendimiento y robustez al ruido.
• La codificación de histogramas proporcionó la mejora de rendimiento más significativa, seguida de la combinación de ECP y CMV.
• El sistema mostró una menor degradación del rendimiento en diversas condiciones de ruido (Gaussiano, sal y pimienta, mixto).

Conclusiones:

• La arquitectura CNN propuesta con agrupación novedosa y codificación de histogramas ofrece una solución robusta y precisa para HAR móvil.
• La agrupación consciente de la redundancia y las representaciones basadas en histogramas son beneficiosas para desarrollar sistemas HAR estables en el mundo real.
• Los métodos desarrollados superan significativamente a los modelos de referencia y a las técnicas de agrupación tradicionales en entornos ruidosos.