Human activity recognition using penalized support vector machines and hidden Markov models

La detección de actividades humanas ha logrado evolucionar debido a los avances y desarrollos de técnicas del aprendizaje de máquinas, las cuales han permitido dar soluciones a nuevos desafíos sin ignorar las dificultades que aún persisten y abogan atención; uno de ellos concierne a la sensibilidad que presenta el modelo de aprendizaje ante información traslapada, desbalanceada y atípica que repercute propiamente en el desempeño del modelo. En este artículo se evalúa una metodología para la clasificación de actividades humanas que castiga información con imperfectos. El proceso metodológico se lleva cabo por medio de dos clasificadores redundantes, una Máquinas de Vectores de Soporte penalizada que detecta los sub movimientos (micromovimientos) y luego un Modelo Oculto de Markov que predice la actividad dada la secuencia de micro movimiento. El desempeño del método fue comparado con técnicas del estado de arte, los resultados sugieren un avance significativo en la detección de micromovientos frente a los obtenidos con paradigmas no penalizados. En este trabajo se obtiene un adecuado desempeño en la clasificación de movimientos primitivos, con aciertos del 95,15% para el Kinect One®, del 96,86% para la red de sensores IMU y del 67,51% para la red de sensores EMG. Lo anterior impacta directamente la detección de actividades físicas con aciertos mayores al 95% de eficiencia.