INFORME PROYECTO CLASIFICADOR DE ACTIVIDADES FÍSICAS

Transcripción

1 Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Eléctrica EL4106 Inteligencia Computacional INFORME PROYECTO CLASIFICADOR DE ACTIVIDADES FÍSICAS Nombre Alumno : Sebastián Gálvez Profesor : Javier Ruiz del Solar Profesor Auxiliar : Daniel Herrmann Felipe Valdés Fecha : 8/07/2014 Santiago, Chile.

2 Contenido Contenido... II Tabla de Figuras y Tablas... III 1. Introducción Desarrollo Análisis del Problema Metodología para resolución del problema Clasificación Conclusiones Anexos Bibliografía y Referencias... 18

3 Tabla de Figuras y Tablas Figura 1: Señales de la base de datos para muestras de actividad Walking (Izquierda) Y Laying (Derecha)... 3 Figura 2: Señales temporales para los ejemplos 68 y 71 de la clase Laying en el conjunto de entrenamiento, correspondientes a Outliers detectados en la base de datos Figura 3: Señales temporales graficadas para las 6 actividades a clasificar para un ejemplo aleatorio Figura 4: Cascada de clasificación de dos capas propuesta con separación en dos macro clases M1 y M Figura 5: Curvas ROC de SVM{1} para distintos set de características Figura 6: Matrices de Confusión luego de seleccionar características con el método iterativo descrito. (Izq) Rendimiento del clasificador RNA{2}, Clases 1=Walking, 2=Walking Upstairs, 3=Walking Downstairs. (Der) Rendimiento del clasificador RNA{3}, Clases 1=Sitting, 2=Standing, 3=Laying Figura 7: Evolución del rendimiento para distinto número de neuronas de la capa oculta de la red neuronal. (Izq) en Clasificador RNA{2} (Der) en Clasificador RNA{3} Figura 8: Matriz de confusión para mejor clasificador RNA{2} logrado. Clases 1=Walking, 2=Walking Upstairs, 3=Walking Downstairs. NHL2= Figura 9: Matriz de confusión para mejor clasificador RNA{3} logrado. Clases 1=Sitting, 2=Standing, 3=Laying. NHL3= Figura 10: Matriz de Confusión para clasificación del conjunto de prueba al considerar la cascada completa

4 Introducción 1. Introducción El objetivo del proyecto en esta entrega final consiste en implementar un clasificador de actividades físicas usando el conocimiento adquirido durante las fases previas del proyecto, además de las técnicas aprendidas en el curso. Para esto se utilizará la base de datos Human Activity Recognition Using Smartphones Data Set, que forma parte del UC Irvine Machine Learning Repository ( Esta base de datos contiene mediciones de la Unidad de Mediciones Inerciales (IMU) de un Samsung Galaxy S II, para 30 personas realizando 6 actividades físicas, las cuales son: 1. Caminar (Walking) 2. Subir escaleras (Walking Upstairs) 3. Bajar escaleras (Walking Dwonstairs) 4. Estar sentado (Sitting) 5. Estar parado (Standing) 6. Estar acostado (Laying) Las IMU del smartphone cuenta con dos sensores: un acelerómetro 3D y un giroscopio de 3 ejes. La base de datos incluye los ejemplos obtenidos para cada actividad, para los cuales se realizó un filtrado y división de muestras mediante ventanas traslapadas. Se requiere diseñar, implementar y entrenar un sistema de clasificación que tome cada una de las muestras, obtener características convenientes, ya sean las previamente calculadas en la base de datos o nuevas, y la clasifique la acción realizada. Para este problema de clasificación multiclase se permite utilizar cualquier clasificador, cascada de clasificadores, árbol de clasificadores o cualquier método que se estime conveniente para la realización del proyecto. U. de Chile. FCFM. DIE ~1~

5 2.1. Análisis del Problema 2. Desarrollo Antes de comenzar a resolver el problema es necesario comprender a cabalidad la estructura de la base de datos a utilizar, las distintas mediciones que se hicieron y las características que vienen pre-calculadas. A continuación se explican los principales aspectos que se deben considerar para utilizar la base de datos para el diseño del clasificador. a) Mediciones base de datos: Human Activity Recognition Using Smartphones La información que constituye la base de datos fue obtenida a partir de las señales medidas en la unidad IMU de un Smartphone Samsung Galaxy S II, la cual mide señales de aceleración en los ejes X,Y y Z, y de velocidad angular en los 3 ejes. Para las mediciones realizadas para los 6 tipos de actividad física, el celular se encontraba ubicado en la cintura de los sujetos de prueba. Para los experimentos se utilizó un grupo de 30 voluntarios, con un rango etario de 19 a 48 años. Cada persona realizó las 6 actividades (Caminar, Subir escaleras, Bajar escaleras, Estar sentado, Estar Parado, Estar acostado). Las 6 señales fueron capturadas a una tasa de 50Hz, el ruido fue removido con un proceso de filtrado previo y posteriormente se definieron los ejemplos a utilizar mediante ventanas de las señales de duración 2.56[s], es decir, considerando 128 muestras en cada ventana, las cuales tienen un 50% de traslape entre dos ventanas consecutivas. Luego de este proceso se cuenta con un total de ejemplos, con sus respectivas etiquetas para cada actividad, de los cuales se extrajo aleatoriamente un conjunto de prueba (con 30% de los datos) y un conjunto de entrenamiento (con 70%). Además de las señales obtenidas por los sensores, se generaron otras adicionales. En primer lugar, la señal de aceleración TotalAcceleration fue separada con un filtro pasabajos (con frecuencia de corte 0.3Hz) estimando una componente gravitacional GravitationalAcceleration (baja frecuencia) y la componente del cuerpo BodyAcceleration. La base de datos disponible muestra 9 señales, la aceleración total, la velocidad rotacional total, y la aceleración estimada del cuerpo, para los 3 ejes. En la FIGURA 1 se observan estas 9 señales para un ejemplo de la actividad Walking, y para un ejemplo de la actividad Laying. U. de Chile. FCFM. DIE ~2~

6 Figura 1: Señales de la base de datos para muestras de actividad Walking (Izquierda) Y Laying (Derecha) Para importar la base de datos en Matlab, se desarrolló el script importdata.m. b) Características pre-calculadas A partir de las muestras obtenidas, la base de datos también incluye un set de 561 características distintas extraídas. Para obtenerlas, además de las 9 señales mencionadas previamente, se generaron señales Jerk (derivadas temporales) para la aceleración y rotación del cuerpo, para los 3 ejes en cada una. También se calculó la magnitud tridimensional mediante la norma Euclidiana, usando para cada ventana las componentes en X, Y y Z para la aceleración de cuerpo, de gravedad, y las 2 señales Jerk generadas. Finalmente, se obtuvieron espectros de frecuencia mediante la Fast Fourier Transform (FFT) para las señales de aceleración y rotación del cuerpo, y la señal Jerk de aceleración de cuerpo, además de las señales de magnitud generadas, exceptuando la de aceleración de gravedad. Para mayor información sobre estas señales se puede obtener la información del archivo features_info.txt disponible en la base de datos. A partir del nuevo conjunto de señales y espectros de frecuencia disponibles, se calcularon las siguientes variables a cada una de las señales para obtener el set de características. Para ver la lista completa, se puede consultar el archivo Excel Features.xls. mean(): Mean value std(): Standard deviation mad(): Median absolute deviation max(): Largest value in array min(): Smallest value in array sma(): Signal magnitude area energy(): Energy measure. Sum of the squares divided by the number of values. U. de Chile. FCFM. DIE ~3~

7 iqr(): Interquartile range entropy(): Signal entropy arcoeff(): Autorregresion coefficients with Burg order equal to 4 correlation(): correlation coefficient between two signals maxinds(): index of the frequency component with largest magnitude meanfreq(): Weighted average of the frequency components to obtain a mean frequency skewness(): skewness of the frequency domain signal kurtosis(): kurtosis of the frequency domain signal bandsenergy(): Energy of a frequency interval within the 64 bins of the FFT of each window. Además, se obtuvieron señales promedio para cada ventana, para las siguientes señales: gravitymean, tbodyaccmean, tbodyaccmean, tbodyaccjerkmean, tbodygyromean, tbodygyrojerkmean. Y se calculó el ángulo de los vectores que representan, conformando la última característica: angle(): Angle between two vectors. c) Outliers Durante el desarrollo de la actividad se identificaron datos que tenian señales que no correspondían al comportamiento normal dentro de esa clase, como lo son los ejemplos 67,68, 71 y 72, los cuales debieron ser eliminados para lograr mejores resultados al entrenar clasificadores, por lo que se contó finalmente con una totalidad de ejemplos. En la se muestran las señales que claramente no se condicen con el comportamiento esperado, posiblemente debido a que hayan sido medidas en un transiente iniciando la actividad o terminándola. Figura 2: Señales temporales para los ejemplos 68 y 71 de la clase Laying en el conjunto de entrenamiento, correspondientes a Outliers detectados en la base de datos. U. de Chile. FCFM. DIE ~4~

8 2.2. Metodología para resolución del problema Para abordar este problema de clasificación, se plantea utilizar una cascada de clasificadores, para lo cual en primer lugar se definirán macroclases heurísticamente mediante observación de las formas de las señales temporales para las distintas actividades y a partir de estas macroclases, proponer un clasificador para la primera capa. Si se logra una muy buena clasificación, se sigue adelante con el diseño en cascada, evaluando si existen macroclases internas para cada rama de la cascada de la misma forma. Así, se definirán clasificadores para la segunda capa y tercera si es necesaria. Una vez definido el esquema de la cascada de clasificadores, se prosigue a realizar selección de características y ajuste de parámetros para cada clasificador, empezando por la primera capa. Se utilizará el set de características presentado en la base de datos, y en cada caso se proponen conjuntos de características de manera intuitiva, y si no se logran buenos resultados, se realiza varias veces una selección iterativa por agregación. Luego, se rescatan la totalidad de características obtenidas por cada proceso y se procede con una selección iterativa por eliminación a partir de este conjunto. Finalmente, una vez terminada la selección de características para cada clasificador por separado, se realizará un ajuste de parámetros si es necesario, para aumentar el rendimiento del mismo. Cuando se complete el diseño de la cascada, se evaluará el rendimiento de la misma mediante la obtención de una matriz de confusión al realizar la clasificación del conjunto de prueba. U. de Chile. FCFM. DIE ~5~

9 2.3. Clasificación a) Observación y determinación de macroclases Para comenzar, se generó un archivo script de MATLAB visualizar.m que permite visualizar las 9 señales temporales de la base de datos para un ejemplo aleatorio del conjunto de entrenamiento, cuyos gráficos se observan en la FIGURA 3. Figura 3: Señales temporales graficadas para las 6 actividades a clasificar para un ejemplo aleatorio. U. de Chile. FCFM. DIE ~6~

10 A partir de estas observaciones, es intuitivo pensar en dos macroclases, una primera que agrupa las actividades con movimiento (Walking,Walking Upstairs y Walking Downstairs) y la segunda que agrupa las actividades estáticas (Sitting, Standing, Laying). Debido a que tienen mucha variación de un ejemplo a otro las señales en cada clase dentro de ambas macroclases, se determinó probar con una clasificación directa en la segunda capa. b) Esquema de clasificación En base a lo anterior, se define que la primera capa corresponde a un clasificador binario, que por facilidad y buen desempeño logrado en la etapa previa al proyecto se escogió que fuera un clasificador Support Vector Machine (SVM). Por la misma razón, para los clasificadores de la segunda capa se eligió utilizar Redes Neuronales Artificiales (RNA), ya que demostraron ser muy efectivas para clasificación multiclase en la fase anterior al proyecto. Con esto, el esquema de la cascada de clasificadores es el mostrado en la FIGURA 4. M1= {Walking, Walking Upstairs, Walking Downstairs} RNA{2} Walking(1) Walking Upstairs(2) Walking Downstairs(3) SVM{1} M2= {Sitting, Standing, Laying} RNA{3} Sitting(4) Standing(5) Laying(6) Figura 4: Cascada de clasificación de dos capas propuesta con separación en dos mac ro clases M1 y M2. U. de Chile. FCFM. DIE ~7~

11 c) Primera capa: Clasificador SVM {1} Para realizar la clasificación con un SVM se desarrolló la función clasificador_svm.m que utiliza el Toolbox de Support Vector Machine de Matlab. El método de optimización se fijó como Least Squares, usando como parámetros C=1, y Kernel Gaussiano con, ya que estos valores demostraron ser los óptimos en varias ocasiones durante el desarrollo del curso. Se comenzó la prueba eligiendo características que se creyó convenientes para diferenciar las macroclases en base a intensidad del cambio del movimiento. En un inicio se utilizó las características 4, 5 y 6, correspondientes a la desviación estándar de la señal de aceleración de cuerpo para X, Y y Z. Se logró un muy buen rendimiento, pero aún tenía error asociado a la clasificación por lo que se agregaron las características 84, 85 y 86, correspondientes a la desviación estándar de la señal Jerk en X, Y y Z, y las características y 296, que son el promedio de la magnitud de frecuencia de la aceleración de cuerpo en los 3 ejes. Con esto, se logró mejorar aún más los resultados. Finalmente se consideró la posibilidad de que algún eje no contribuyera a la separación de macroclases, por lo que se probó remover las características del eje Z. Así, se logró tener un clasificador perfecto con TPR=1 y FPR=0, por lo que se detuvo el proceso de selección de características y se dejaron los parámetros escogidos como definitivos. En la FIGURA 5 se observan las curvas ROC obtenidas de las 3 pruebas descritas anteriormente. Figura 5: Curvas ROC de SVM{1} para distintos set de características. (Arriba-Izq) Características 4, 5 y 6. (Arriba-Der) Características 4,5, 6, 84, 85, 86, 294, 295 y 296. (Abajo) Características 4,5, 84, 85, 294 y 295. U. de Chile. FCFM. DIE ~8~

12 Una vez finalizado el diseño del clasificador de la primera capa, se procedió a dividir el conjunto de entrenamiento según lo asignado por el clasificador SVM{1}, para entrenar los clasificadores de cada rama de la cascada únicamente con lo que les puede llegar desde la primera capa. En este caso, al lograr una clasificación perfecta no existen ejemplos mal clasificados que alteren el correcto entrenamiento de los clasificadores de la segunda capa. d) Segunda Capa: Clasificadores RNA{2} y RNA{3} En esta etapa se utilizó la función clasificador_nn.m, que entrena y prueba la red neuronal. Las RNA implementadas son de una sola capa oculta, más la capa de entrada y de salida, y se fijaron los parámetros de entrenamiento como se muestra a continuación, dejando libre la cantidad de neuronas en la capa oculta (NHL): net.trainparam.epochs=100; net.trainparam.goal=0.0005; net.trainparam.mu=0.01; %número máximo de épocas %meta %tasa de aprendizaje Además, cabe destacar que el Toolbox de Redes neuronales de Matlab por defecto genera un conjunto de validación a partir del de entrenamiento, de manera que no exista sobreajuste a los datos de entrenamiento. d.1) Selección de características Para ambos clasificadores se comenzó utilizando la heurística de usar un número de neuronas en la capa oculta según la fórmula, que ha mostrado buenos resultados durante el desarrollo del curso. Las características iniciales utilizadas fueron definidas puramente en base a la intuición para definir un punto de referencia para el método iterativo de selección de características. Cabe mencionar que el proceso de selección para esta etapa es automático, y consiste en seleccionar un índice aleatorio, agregar la característica, evaluar el rendimiento de clasificación y ver cuán cercano es al punto óptimo de clasificación con 100% de clasificación correcta y 0% de falsos positivos. Si la distancia a este punto disminuye, se actualiza el vector que almacena las características que mejoran el rendimiento, si no lo hace, simplemente no se incluye. Así, al concluir las iteraciones se evalúa el vector generado para las mejores características. En el caso del clasificador RNA{2}, que diferencia las clases Walking, Walking Upstairs y Walking Downstairs, se realizó la selección de características por agregación 3 veces distintas, para luego juntar las características obtenidas y realizar una selección por eliminación para descartar algunas de ellas. Para el clasificador RNA{3}, correspondiente a las clases Sitting, Standing y Laying, se realizaron 4 selecciones por agregación y luego una por eliminación de las seleccionadas en las cuatro ocasiones. Las mejores características obtenidas se encuentran en los archivos best_caract2_rnav123_elim2.mat y best_caract3_rnav1234_elim.mat U. de Chile. FCFM. DIE ~9~

13 A continuación se muestran los resultados para cada uno de los clasificadores una vez realizado el proceso completo de selección de características. Al ejecurtar el archivo Clasificacion.m en la consola se muestran los resultados de Clasificación correcta (C_acc) y Clasificación errónea (C_err), junto a la distancia al punto óptimo definido como el par (1, 0). Las matrices de confusión se pueden observar en la FIGURA 6, donde se incluyen los rendimientos específicos para cada clase. Para el clasificador RNA{2} se logró reducir el set de características a utilizar a 60, y para el clasificador RNA{3} se seleccionaron finalmente 90. Para ver en detalle las características utilizadas en cada clasificador se adjunta una tabla con la información en la sección de Anexos. Figura 6: Matrices de Confusión luego de seleccionar características con el método iterativo descrito. (Izq) Rendimiento del clasificador RNA{2}, Clases 1=Walking, 2=Walking Upstairs, 3=Walking Downstairs. (Der) Rendimiento del clasificador RNA{3}, Clases 1=Sitting, 2=Standing, 3=Laying. U. de Chile. FCFM. DIE ~10~

14 d.2) Ajuste de parámetro: número de neuronas en capa oculta (NHL). Con el objetivo de encontrar el número de neuronas en la capa oculta óptimo para cada red, se realizó un proceso iterativo para NHL entre 4 y 35, evaluando el rendimiento del clasificador y guardando el valor que maximiza el rendimiento. En la FIGURA 7 se muestra la evolución de este proceso, donde se determinó que los valores óptimos son y. Figura 7: Evolución del rendimiento para distinto número de neuronas de la capa oculta de la red neuronal. (Izq) en Clasificador RNA{2} (Der) en Clasificador R NA{3} Si bien se logró mejorar los resultados de clasificación como se ve en las FIGURA 8 y FIGURA 9, no es completamente seguro que el rendimiento sea mayor cada vez que se entrena la red, ya que también depende de la inicialización aleatoria de las neuronas. Figura 8: Matriz de confusión para mejor clasificador RNA{2} logrado. Clases 1=Walking, 2=Walking Upstairs, 3=Walking Downstairs. NHL2=14. U. de Chile. FCFM. DIE ~11~

15 Figura 9: Matriz de confusión para mejor clasificador RNA{3} logrado. Clases 1=Sitting, 2=Standing, 3=Laying. NHL3=20. e) Rendimiento final de la cascada de clasificadores. Para los mejores clasificadores logrados luego del proceso de selección, se guardaron las estructuras entrenadas en los archivos SVM1.mat, RNA2.mat, RNA3.mat. Con esto, se utilizaron las funciones svm_classify( ) y sim(net, ) de los Toolbox SVM y de Redes neuronales de Matlab, respectivamente, para clasificar los datos de prueba y obtener el rendimiento completo de la cascada de clasificadores. La matriz de confusión lograda se observa en la FIGURA 10, donde se aprecia que se logró un rendimiento de 94. Número de Etiqueta Clase 1 Caminar 2 Subir escaleras 3 Bajar escaleras 4 Estar sentado 5 Estar parado 6 Estar acostado Figura 10: Matriz de Confusión para clasificación del conjunto de prueba al considerar la cascada completa. U. de Chile. FCFM. DIE ~12~

16 Conclusiones 3. Conclusiones Comenzando por un análisis detallado del problema a resolver y de la definición de una metodología de resolución del mismo, se logró cumplir los objetivos del proyecto, logrando diseñar, implementar y entrenar un clasificador de actividades físicas con un alto rendimiento. A partir del sistema de clasificadores propuesto se diseñaron clasificadores mediante Support Vector Machine y Redes Neuronales Artificiales, los cuales fueron refinados al seleccionar las características con un método automatizado y ajustar los parámetros. Los resultados logrados para cada clasificador fueron satisfactorios y se concluye que se puede lograr un buen rendimiento con la metodología propuesta. Además, se puede concluir que el set de características pre-calculadas es suficiente para lograr una buena clasificación, y al seleccionar las características adecuadas para cada clasificador se reduce el número de características que se deben calcular. Una posibilidad de mejorar el sistema de clasificación sería el realizar una eliminación sistemática de los outliers en el conjunto de entrenamiento, ya que esto mejoraría la división del espacio de características de manera más exacta, cuidando que no se pierda generalidad. Otra posibilidad para mejorar el rendimiento sería considerar otros tipos de clasificadores multiclase en la segunda capa como Bayesianos, o basados en métodos de clustering como K-means o redes SOM. Se concluye finalmente, que la cascada de clasificadores implementada, con las macroclases definidas logra un desempeño de % de datos de prueba clasificados correctamente, lo cual se considera satisfactorio para todos los efectos de clasificación de las actividades físicas requeridas. U. de Chile. FCFM. DIE ~13~

17 Anexos 4. Anexos Características utilizadas por clasificador SVM{1} RNA{2} N Característica 4 tbodyacc-std()-x 5 tbodyacc-std()-y 84 tbodyaccjerk-std()-x 85 tbodyaccjerk-std()-y 294 fbodyacc-meanfreq()-x 295 fbodyacc-meanfreq()-y 6 tbodyacc-std()-z 24 tbodyacc-entropy()-y 28 tbodyacc-arcoeff()-x,3 31 tbodyacc-arcoeff()-y,2 40 tbodyacc-correlation()-y,z 55 tgravityacc-min()-z 60 tgravityacc-iqr()-x 71 tgravityacc-arcoeff()-y,2 82 tbodyaccjerk-mean()-y 88 tbodyaccjerk-mad()-y 94 tbodyaccjerk-min()-y 95 tbodyaccjerk-min()-z 102 tbodyaccjerk-iqr()-z 129 tbodygyro-mad()-z 140 tbodygyro-iqr()-x 142 tbodygyro-iqr()-z 143 tbodygyro-entropy()-x 144 tbodygyro-entropy()-y 163 tbodygyrojerk-mean()-z 164 tbodygyrojerk-std()-x 165 tbodygyrojerk-std()-y 172 tbodygyrojerk-max()-z 201 tbodyaccmag-mean() 202 tbodyaccmag-std() U. de Chile. FCFM. DIE ~14~

18 Anexos 214 tgravityaccmag-mean() 219 tgravityaccmag-sma() 222 tgravityaccmag-entropy() 232 tbodyaccjerkmag-sma() 234 tbodyaccjerkmag-iqr() 240 tbodygyromag-mean() 241 tbodygyromag-std() 268 fbodyacc-mean()-z 275 fbodyacc-max()-x 288 fbodyacc-entropy()-x 289 fbodyacc-entropy()-y 290 fbodyacc-entropy()-z 292 fbodyacc-maxinds-y 297 fbodyacc-skewness()-x 298 fbodyacc-kurtosis()-x 313 fbodyacc-bandsenergy()-33, fbodyacc-bandsenergy()-49, fbodyaccjerk-mad()-x 354 fbodyaccjerk-max()-x 369 fbodyaccjerk-entropy()-z 372 fbodyaccjerk-maxinds-z 385 fbodyaccjerk-bandsenergy()-25, fbodyaccjerk-bandsenergy()-41, fbodyaccjerk-bandsenergy()-17, fbodyaccjerk-bandsenergy()-17, fbodyaccjerk-bandsenergy()-33, fbodyaccjerk-bandsenergy()-49, fbodygyro-mad()-x 464 fbodygyro-bandsenergy()-25, fbodygyro-bandsenergy()-41, fbodygyro-bandsenergy()-33, fbodygyro-bandsenergy()-49, fbodyaccmag-std() 508 fbodyaccmag-sma() 543 fbodybodygyrojerkmag-std() 549 fbodybodygyrojerkmag-iqr() U. de Chile. FCFM. DIE ~15~

19 Anexos RNA{3} N Característica N Característica 1 tbodyacc-mean()-x 254 tbodygyrojerkmag-std() 2 tbodyacc-mean()-y 261 tbodygyrojerkmag-entropy() 3 tbodyacc-mean()-z 267 fbodyacc-mean()-y 4 tbodyacc-std()-x 270 fbodyacc-std()-y 11 tbodyacc-max()-y 282 fbodyacc-energy()-x 12 tbodyacc-max()-z 287 fbodyacc-iqr()-z 13 tbodyacc-min()-x 292 fbodyacc-maxinds-y 16 tbodyacc-sma() 297 fbodyacc-skewness()-x 50 tgravityacc-max()-x 302 fbodyacc-kurtosis()-z 51 tgravityacc-max()-y 307 fbodyacc-bandsenergy()-33,40 52 tgravityacc-max()-z 311 fbodyacc-bandsenergy()-1,16 54 tgravityacc-min()-y 340 fbodyacc-bandsenergy()-17,32 57 tgravityacc-energy()-x 351 fbodyaccjerk-mad()-x 58 tgravityacc-energy()-y 353 fbodyaccjerk-mad()-z 64 tgravityacc-entropy()-y 358 fbodyaccjerk-min()-y 70 tgravityacc-arcoeff()-y,1 359 fbodyaccjerk-min()-z 71 tgravityacc-arcoeff()-y,2 363 fbodyaccjerk-energy()-z 74 tgravityacc-arcoeff()-z,1 375 fbodyaccjerk-meanfreq()-z 78 tgravityacc-correlation()-x,y 379 fbodyaccjerk-kurtosis()-y 94 tbodyaccjerk-min()-y 396 fbodyaccjerk-bandsenergy()-1,8 99 tbodyaccjerk-energy()-z 403 fbodyaccjerk-bandsenergy()-57, tbodyaccjerk-arcoeff()-y,2 404 fbodyaccjerk-bandsenergy()-1, tbodyaccjerk-arcoeff()-z,4 409 fbodyaccjerk-bandsenergy()-25, tbodyaccjerk-correlation()-x,y 430 fbodygyro-mad()-x 119 tbodyaccjerk-correlation()-x,z 433 fbodygyro-max()-x 130 tbodygyro-max()-x 438 fbodygyro-min()-z 131 tbodygyro-max()-y 439 fbodygyro-sma() 133 tbodygyro-min()-x 443 fbodygyro-iqr()-x 143 tbodygyro-entropy()-x 446 fbodygyro-entropy()-x 146 tbodygyro-arcoeff()-x,1 447 fbodygyro-entropy()-y 156 tbodygyro-arcoeff()-z,3 451 fbodygyro-maxinds-z 164 tbodygyrojerk-std()-x 452 fbodygyro-meanfreq()-x 171 tbodygyrojerk-max()-y 456 fbodygyro-kurtosis()-x 176 tbodygyrojerk-sma() 459 fbodygyro-skewness()-z 186 tbodygyrojerk-arcoeff()-x,1 466 fbodygyro-bandsenergy()-41, tbodyaccmag-energy() 473 fbodygyro-bandsenergy()-1, tbodyaccmag-entropy() 505 fbodyaccmag-mad() 211 tbodyaccmag-arcoeff()2 508 fbodyaccmag-sma() U. de Chile. FCFM. DIE ~16~

20 Anexos 224 tgravityaccmag-arcoeff()2 534 fbodybodygyromag-sma() 230 tbodyaccjerkmag-max() 535 fbodybodygyromag-energy() 231 tbodyaccjerkmag-min() 539 fbodybodygyromag-meanfreq() 232 tbodyaccjerkmag-sma() 540 fbodybodygyromag-skewness() 235 tbodyaccjerkmag-entropy() 541 fbodybodygyromag-kurtosis() 242 tbodygyromag-mad() 555 angle(tbodyaccmean,gravity) 250 tbodygyromag-arcoeff()2 559 angle(x,gravitymean) U. de Chile. FCFM. DIE ~17~

21 Bibliografía y Referencias 5. Bibliografía y Referencias Davide Anguita, Alessandro Ghio, Luca Oneto, Xavier Parra and Jorge L. Reyes-Ortiz. Human Activity Recognition on Smartphones using a Multiclass Hardware-Friendly Support Vector Machine. International Workshop of Ambient Assisted Living (IWAAL 2012). Vitoria-Gasteiz, Spain. Dec 2012 Toda la documentación de la base de datos obtenida en ones Presentación EL4106 Inteligencia Computacional Performance Evaluation Otoño Presentación EL4106 Inteligencia Computacional - Feature Selection/Extraction Otoño Presentación EL Inteligencia Computacional - Introducción RNA - P.Estévez y C.Held, Otoño 2014, Adaptada por Javier Ruiz del Solar. Presentación Multi-Layer Perceptron (MLP) Lectures 5-6 Neural Networks Dr Andy Philippides, University of Sussex, UK. Presentación EL Inteligencia Computacional - SVMJRS - Otoño Centro de documentación de Mathworks, Sección de Support Vector Machine: U. de Chile. FCFM. DIE ~18~