Desarollo de un clasificador de la actividad para niños basado en sensores inerciales incluidos en el calzado

Abstract

[ES] El incremento de la obesidad infantil ha suscitado, en los últimos años, el auge de técnicas de valoración de la actividad física, que es uno de los factores determinantes en la misma. Una de las técnicas punteras, en este campo, es la acelerometría. Este tipo de técnicas permiten la obtención de datos de intensidad, sin embargo, no permiten distinguir entre tipos de actividad. Los acelerómetros MEMS utilizados en estas técnicas, son capaces de recoger la información registrada y transmitirla a otro dispositivo, como una computadora. Con estos datos se pueden crear algoritmos de clasificación, que analizando los datos de entradas (aceleraciones), consiguen que a su salida se prediga el tipo de actividad que se está llevando a cabo. Bajo estas premisas, el objetivo del trabajo ha sido desarrollar un algoritmo capaz de clasificar las actividades infantiles de gateo, marcha y carrera, mediante las señales obtenidas a través de un acelerómetro triaxial. Para su creación se han empleado técnicas estadísticas cuya principal característica es la extracción de información de las señales obtenidas a través del acelerómetro. Una vez obtenida la información, estas técnicas también son capaces de averiguar la relación existente entre los datos. Para la realización del algoritmo, la técnica seleccionada ha sido la discriminante lineal. La misma predice como influyen cada una de las variables que diferencian a los distintos grupos que se han determinado para la clasificación. Durante la realización del trabajo se han extraído la media y la desviación típica en las tres direcciones del espacio (X, Y, Z), y después de examinar todos los datos, el modelo ha determinado los coeficientes de influencia de cada una de ellas en la marcha, gateo y carrera. Tras la creación del algoritmo, se ha utilizado una validación cruzada. En este tipo de validación los datos se dividen en dos grupos de datos, uno de ellos se utiliza para ajustar el modelo, y el otro para realizar un testeo. Considerando que el número de datos obtenido en este estudio no es elevado, el método de validación cruzada seleccionado para el mismo ha sido “Leave-oneout”. Su funcionamiento está basado en seleccionar todos los datos excepto uno para ajustar el modelo, y posteriormente el dato excluido se utiliza para realizar el testeo. El testeo consiste en realizar la predicción para el valor excluido y una vez obtenida la misma se compara con el valor real de este dato. Este proceso se repite hasta que todos los datos hayan pasado por testeo. De esta forma, se consigue que haya un mayor número de ensayos y que la capacidad el algoritmo de generalizar aumente. Para evaluar la capacidad de generalización y por tanto su calidad, una vez validado, se han obtenido los siguientes indicadores: la matriz de confusión o error y el parámetro de exactitud. Los resultados obtenidos en la evaluación del algoritmo creado muestran que su poder discriminatorio es óptimo en comparación a resultados obtenidos con algoritmos de cualidades similares

[CA] L'increment de l'obesitat infantil ha suscitat, en els últims anys, l'auge de tècniques de valoració de l'activitat física, que és un dels seus factors determinants. Una de les tècniques capdavanteres, en este camp, és l'acelerometría. Este tipus de tècniques permeten l'obtenció de dades d'intensitat, no obstant això, no permeten distingir entre els tipus d'activitat. Els acceleròmetres MEMS utilitzats en estes tècniques, són capaços de recollir la informació registrada i transmetre-la a un altre dispositiu, com una computadora. Amb estes dades es poden crear algorismes de classificació, que analitzant les dades d'entrades (acceleracions), aconsegueixen que a la seua eixida es prediga el tipus d'activitat que s'està duent a terme. Sota estes premisses, l'objectiu del treball ha sigut desenvolupar un algorisme capaç de classificar les activitats infantils del gateig, marxa i carrera, mitjançant els senyals obtinguts a través d'un acceleròmetre triaxial. Per a la seua creació s'han emprat tècniques estadístiques que tenen com a característica principal l'extracció d'informació dels senyals obtinguts a través de l'acceleròmetre. Una vegada obtinguda la informació, estes tècniques també són capaces d'esbrinar la relació existent entre les dades. Per a la realització de l'algorisme, la tècnica seleccionada ha sigut la discriminació lineal. Esta prediu com influeixen cadascuna de les variables que diferencien als diferents grups, que s'han determinat per a la classificació. Durant la realització del treball s'han extret la mitjana i la desviació típica en les tres adreces de l'espai (X, I, Z), i després d'examinar totes les dades, el model ha determinat els coeficients d'influència de cadascuna d'elles en la marxa, gateig i carrera. Després de la creació de l'algorisme, s'ha utilitzat una validació creuada. En este tipus de validació les dades es divideixen en dos grups de dades, un d'ells s'utilitza per ajustar el model, i l'altre per realitzar un testeig. Considerant que el nombre de dades obtingut en este estudi no és elevat, el mètode de validació creuada seleccionat ha sigut "Leave-one-out". El seu funcionament està basat a seleccionar totes les dades excepte una per ajustar el model, i posteriorment la dada exclosa s'utilitza per realitzar el testeig. Este consisteix a realitzar la predicció per al valor exclòs i una vegada obtinguda es compara amb el valor real. Este procés es repeteix fins que totes les dades s’hagen passat per el teste. D'esta forma, s'aconsegueix que hi haja un major nombre d'assajos i que la capacitat de l'algorisme per generalitzar augmente. Per avaluar la capacitat de generalització i per tant la seua qualitat, una vegada validat, s'han obtingut els següents indicadors: la matriu de confusió o error i el paràmetre d'exactitud. Els resultats obtinguts en l'avaluació de l'algorisme creat mostren que el seu poder discriminatori és òptim, en comparació a resultats obtinguts amb algorismes de qualitats similars.

[EN] In the recent years, the increasement in childhood obesity has cause the rise of techniques for the assessment of physical activity. This is due to the fact that physical activity is one of the determining factors in obesity. One of the leading techniques in this field is accelerometry. Although this technic allows obtaining intensity data, it does not allow to distinguish between types of activity. The MEMS accelerometers are used to solve this issue. These ones have the capacity of collecting the recorded information and transmitting it to another device, such as a computer. With this data, classification algorithms can be created. After its creation, they can analyze the input data (accelerations) and afterwards get a prediction, at its output, of the type of activity that is being carried out. Under these premises, the objective of these work has been to develop an algorithm capable of classifying children's activities, through the signals obtained through a triaxial accelerometer. The activities that were able to distinguish were: crawling, running and gait. For its creation, statistical techniques have been used. Their main characteristic is the capability of extracting information from the signals obtained through the accelerometer and then finding out the relationship between data. The selected technique for the work has been the linear discriminant analysis. This supervised method predicts how the variables selected for the classification can differentiate between groups and which is its influence. During the work, the mean and the standard deviation were extracted in the three directions of the space (X, Y, Z), and after examining all the data, the model was able to determine the coefficients of influence of each of three activities studied. After the creation of the algorithm, a cross-validation was used. In this type of validation, the data is divided into two groups, one of them is used to adjust the model, and the other is used for testing. Considering that the number of data obtained in this study is not high, the method of cross validation selected for it has been "Leave-one-out". The way it proceeds is: it takes all data except one to adjust the model, and subsequently the excluded data is used to perform the test. The test consists of making the prediction for the excluded value and once it is obtained, it is possible to compare it with the real value. This process is repeated until all the data has gone through testing. In this way, there is a larger number of iterations and the ability of the generalization of the algorithm is increased. Once it is validated, the confusion or error matrix and the accuracy parameter were obtained. These indicators make possible the evaluation of the algorithm and it capacity of generalizing. The results obtained in the evaluation of the algorithm created show that its discriminatory power is optimal compared to results obtained with algorithms with similar qualities.