Análisis de la influencia de los sensores y su ubicación en el reconocimiento de actividades humanas para el dataset MHEALTH

• Autor: Gonzales Atoche, Jose
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/7731
• Enlace del recurso: https://hdl.handle.net/11042/7731
• Nivel de acceso: acceso abierto
• Materia: Reconocimiento de actividades humanas -- Investigaciones; Procesamiento electrónico de datos -- Rendimiento -- Investigaciones; Aprendizaje automático (Inteligencia artificial) -- Investigaciones; 006.31; https://purl.org/pe-repo/ocde/ford#2.11.04

La tesis se centra en evaluar el impacto que tienen distintas combinaciones de sensores inerciales (acelerómetro, giroscopio y magnetómetro) y sus ubicaciones corporales (muñeca derecha y tobillo izquierdo) sobre el rendimiento del modelo de clasificación. Se utiliza el conjunto de datos MHEALTH como base experimental, simulando un entorno real de captura de señales mediante dispositivos portátiles. El objetivo principal de la investigación es identificar configuraciones óptimas de sensores que permitan obtener altos niveles de precisión en la clasificación de actividades, al tiempo que se optimiza la eficiencia del sistema en términos de complejidad, costos y consumo energético. Para ello, se implementa el algoritmo Random Forest con validación cruzada (10 folds, 30 repeticiones) y la técnica de muestreo estratificado y sin reemplazo, aplicando análisis estadístico tanto paramétricos (prueba t para dos muestras independientes) como no paramétricos (Kruskal-Wallis, Mann-Whitney). La metodología del estudio se divide en cuatro fases clave: preparación del dataset mediante ventanas de tiempo y etiquetado de actividades; entrenamiento inicial para identificar el mejor rendimiento base por combinación; sintonización del hiperparámetro max_depth para optimizar el modelo; y una etapa de análisis estadístico a partir de los datos generados mediante la técnica de resample. Este enfoque metodológico permite comparar configuraciones en condiciones controladas y reproducibles. Además del desarrollo experimental, la tesis analiza las implicancias de estos hallazgos en el diseño de sistemas de reconocimiento de actividades humanas (HAR) portables y eficientes, proponiendo un marco metodológico replicable. Se destaca así el valor de aplicar enfoques mixtos y robustos para la toma de decisiones técnicas en el desarrollo de soluciones inteligentes. En síntesis, esta investigación propone un enfoque escalable para optimizar la selección de sensores en sistemas HAR. La combinación de análisis estadístico y aprendizaje automático permite identificar soluciones técnicamente viables que maximizan el rendimiento sin comprometer la eficiencia, lo que contribuye al avance de aplicaciones prácticas en contextos reales de monitoreo y asistencia tecnológica.