Human activity recognition using penalized support vector machines and hidden Markov models/Reconocimiento de actividades humanas utilizando máquinas de soporte vectorial penalizadas y modelos ocultos de Markov

Human activity detection has evolved due to the advances and developments of machine learning techniques, which have enabled solutions to new challenges without ignoring prevalent difficulties that need to be addressed. One of the challenges is the learning model's sensitivity regarding the unbalanced, atypical, and overlapping information that directly affects the performance of the model. This article evaluates a methodology for the classification of human activities that penalizes defective information. The methodology is carried out through two redundant classifiers, a penalized support vector machine that detects the sub-movements (micro-movements) and the Marvok Hidden Model that predicts the activity given the micro- movements sequence. The performance of the method was compared with state-of-the-art techniques, and the findings suggested significative advance in the detection of micro-movements compared to the data obtained with non-penalized paradigms. In this research, an adequate performance isfound in the classification of primitive movements, with hit rates of 95.15% for the Kinect One[R], 96.86% for the IMU sensor network, and 67.51% for the EMG sensor network. KEYWORDS: Multisensor; data fusion; primitive motion; machine learning; overlapping databases 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 clasifcadores 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[R], del 96,86