Reconocimiento automático de actividades físicas humanas en sistemas multimodales

La importancia del análisis de actividad física ha motivado a diferentes investigadores a desarrollar metodologías que permitan la detección automática de un conjunto de actividades. Este tipo de métodos permiten desarrollar aplicaciones en áreas como la salud, seguridad, deporte, entre otras. Los sensores más comunes para captar movimientos humanos son las cámaras de vídeo, los sensores de profundidad, los sensores electromiográficos (EMG), goniómetros, giroscopios, acelerómetros, unidades de masa inercial (IMU-Inertial Measured Unit), entre otros. Aunque cada sensor tiene ventajas significativas con respecto a otras modalidades, utilizar un solo tipo sensor para la detección de actividad, ha demostrado ser insuficiente para caracterizar una amplia variedad de actividades físicas humanas. Entonces la combinación de diferentes fuentes sensóricas o fusión de datos es una opción para mejorar el factor discriminante de una observación aprovechando las ventajas individuales de cada sensor. En la literatura se han diseñado metodologías eficientes de fusión de datos, sin embargo, no se evidencia una metodología que realice la fusión de los sensores más utilizados para estas tareas, como lo son, el Kinect®, los IMU y los EMG. En este trabajo, se propone una nueva metodología para el reconocimiento de actividades humanas utilizando fusión de características provistas por sensores IMU, EMG y Kinect®. Para la captura de los datos se utiliza una red de cuatro acelerómetros distribuidos en diferentes puntos del cuerpo, una red de cuatro sensores EMG utilizados para sensar la actividad eléctrica de músculos del cuerpo y un sensor Kinect encargado de extraer las coordenas 3D de los principales puntos del cuerpo. Estos datos son utilizados para el reconocimiento del conjunto de movimientos primitivos que codifican de forma única una actividad y la secuencia generada por esta codificación permitirá la clasificación durante una ventana de tiempo utilizando un modelo oculto de Markov (HMMHidden Markov Model). Esta metodología demuestra que la fusión multimodal de los sensores Kinect®, IMU y EMG, permite obtener mayor desempeño en el reconocimiento, que cualquier combinación de este grupo de sensores o incluso, el uso individual de alguno de ellos