Tesis (Ingeniero Biomédica)

Identificar las fases de las actividades de sentarse y levantarse es primordial para el control de un exoesqueleto de miembro inferior. En este estudio, se presentan los métodos más
adecuados para reconocer las fases de las actividades sentarse y levantarse utilizando datos
de posición del dataset “Kinect Activity Recognition Dataset (KARD)”. Diez sujetos participaron en el estudio, realizando tres veces las dos actividades cada uno. Se analizaron siete de
los quince marcadores que hacen referencia a las extremidades inferiores. Según la literatura,
se utilizan dos técnicas de machine learning como k vecinos más cercanos (kNN) y máquinas
de soporte vectorial (SVM) con sus respectivos kernels (SVM, SVM, SVMg y SVM) para
detectar las fases de cada actividad. El rendimiento de cada algoritmo se analiza a través
de matrices de confusión y valores como exactitud, recuperación, precisión y puntuación-F1,
donde los resultados muestran que SVMp tiene un mejor rendimiento para la actividad de
sentarse con un valor de precisión del 86 %. kNN presenta mayor precisión para la actividad de
levantarse con un valor del 84 %. Ambos algoritmos tienen buenos rendimientos para clasificar
las fases de cada actividad, sin embargo, SVM es el método más estable con valores altos en
ambas actividades en precisión, recuperación y puntuación-F1. Además, para la actividad de
sentarse, se debe agregar una fase adicional para evitar confusiones entre la fase 0 y la fase 1,
y viceversa.