Los wearables, prendas de ropa que incorporan sensores capaces de monitorizar movimientos, actividades o señales biológicas de las personas, como los ritmos cardíacos o la conductividad de la piel entre otros, son una de las grandes apuestas de la ciencia actual. El interés que despiertan en la comunicad científica es parejo al que suscitan entre el público general. Tras la llegada de los smartphones y shes (relojes inteligentes) que incorporan cada vez más soluciones de este tipo, el público tiene cada vez mayores expectativas depositadas en estos desarrollos tecnológicos y las aplicaciones que pueden tener para su vida actual.

En el Centro de Procesado de la Información y de las Telecomunicaciones (IPTC) de la Universidad Politécnica de Madrid (UPM), investigadores del Grupo de Tecnología del Habla (GTH) están analizando hasta qué punto los wearables pueden reconocer el modo en que una persona se mueve o camina y lograr identificarla. Sus resultados son prometedores: si se trata de caminar o de desarrollar otras tareas de la vida cotidiana, los wearables son capaces de identificar a la persona con una precisión de hasta el 90%.

“Los resultados de la investigación confirman que el sistema de aprendizaje profundo basado en d-vectors utilizado en los wearables permite obtener una tasa de identificación de personas superior al 95% para conjuntos de 36 personas. Esa tasa de precisión se reduce al 90% cuando hablamos del reconocimiento de la persona mientras realiza actividades y movimientos de la vida cotidiana tales como correr o subir escaleras”, explica Manuel Gil Martín, del Grupo de Tecnología del Habla de la ETSI de Telecomunicación de la UPM y uno de los autores del proyecto.

Foto: Engineering Applications of Artificial Intelligence

El creciente interés por las redes de sensores y su incorporación en entornos inteligentes ha aumentado enormemente la posibilidad de monitorización y seguimiento de las personas, permitiendo modelar y predecir su comportamiento. En este nuevo abanico de posibilidades, destaca la línea de investigación centrada en el modelado y reconocimiento de actividades físicas realizadas por personas durante su vida diaria. Para ello se procesan las señales inerciales obtenidas de los acelerómetros y giróscopos disponibles en los wearables.

“En los últimos años ha habido un crecimiento exponencial del número de trabajos de investigación centrados en el procesado de estas señales inerciales para caracterizar el movimiento realizado. Actualmente existen diversas arquitecturas de aprendizaje profundo o Deep learning, tales como redes neuronales convolucionales (Convolutional Neural Networks (CNNs)) o redes neuronales recurrentes (Recurrent Neural Networks (RNNs)) que permiten modelar el movimiento humano a través de wearables”, explica Rubén San Segundo, coautor del estudio y también investigador del Grupo de Tecnología del Habla de la UPM.

Los resultados del trabajo realizado por los investigadores de la UPM muestran el potencial de los wearables para desarrollar tareas que impliquen el reconocimiento de la persona. En lo que se refiere a la identificación continua de personas, los wearables fueron capaces de obtener una tasa de identificación superior al 95% para conjuntos de 36 personas. “La estrategia conocida como d-vectors permite obtener sistemas de identificación continua de personas a través de su forma de andar a través de sensores no intrusivos. Esta estrategia está basada en la capacidad de las redes neuronales para generar representaciones de la forma de andar de las personas y clasificar su identidad a través de su movimiento”, explica Manuel Gil.

Los resultados de la identificación de actividades cotidianas también son esperanzadores: se lograron tasas de acierto superiores al 90% para grupos de entre 3 y 12 actividades.

En este segundo punto, matizan los investigadores de la UPM, las diferencias entre actividades son importantes: “Los movimientos repetitivos tales como andar, correr o subir escaleras, se reconocen con una mayor tasa de acierto cuando se combinan ventanas largas de análisis (25s) con el uso de una red basada en niveles convolucionales”, explica Rubén San Segundo.

Por su parte, los movimientos no repetitivos como tomar una taza de café o abrir un cajón, se reconocen con una mayor tasa de acierto cuando se combinan ventanas cortas de análisis (tiempos de unos 3s) con el uso de una red basada en niveles recurrentes modelando la evolución del movimiento en el espacio temporal analizado. Y si nos referimos a posturas tales como estar sentado o estar de pie, el incremento de la longitud de ventana y de la resolución espectral permite detectar oscilaciones lentas en dichos movimientos, lo que permite incrementar la tasa de reconocimiento en estas actividades.

Las aplicaciones prácticas de los resultados de esta investigación son múltiples. “Por ejemplo, es posible que los deportistas quieran monitorizar su actividad física con exactitud a través de sus smartphones. También, supervisar los movimientos de los trabajadores en una cadena de montaje con el fin de aumentar la seguridad de estos evitando movimientos que puedan producir lesiones. Del mismo modo, el propio teléfono podría animar a personas mayores si detecta un largo período de inactividad física, con el objetivo de prevenir futuros problemas de salud derivados de dicha inactividad”, explica Manuel Gil.

Y no solo eso. La identificación continua de personas a través de su forma de andar se postula como una nueva forma de biometría. “Al igual que ahora mismo es posible identificarse a través del smartphone de una forma no intrusiva, sin necesidad de introducir un patrón o un PIN en el teléfono cada vez que queremos utilizarlo para pagar en una tienda o acceder a una aplicación con información personal, con este tipo de wearables sería posible asegurarnos que la persona que está llevando el dispositivo es efectivamente su dueño a través del análisis de sus movimientos en diferentes situaciones”, explica Rubén San Segundo.

El trabajo desarrollado por los investigadores de la UPM se engloba dentro de los proyectos AMIC (MINECO, TIN2017-85854-C4-4-R) y CAVIAR (MINECO, TEC2017-84593-C2-1-R), parcialmente financiados por la Unión Europea.

  • M. Gil-Martín, R. San-Segundo, F. Fernández-Martínez, J. Ferreiros-López, "Improving physical activity recognition using a new deep learning architecture and post-processing techniques". Engineering Applications of Artificial Intelligence, Vol.92 2020, doi.org/10.1016/j.engappai.2020.103679.
  • M. Gil-Martín, R. San-Segundo, F. Fernández-Martínez, R. de Córdoba, "Human activity recognition adapted to the type of movement". Computers & Electrical Engineering, Vol.88 2020, doi.org/10.1016/j.compeleceng.2020.106822.
  • M. Gil-Martín, R. San-Segundo, R. de Córdoba, J. M. Pardo, "Robust Biometrics from Motion Wearable Sensors Using a D-vector Approach". Neural Processing Letters, 2020, doi.org/10.1007/s11063-020-10339-z.
  • Subscribe to Directory
    Write an Article

    Recent News

    Tuneable reverse photochromes in the sol...

    A new technique allows the design of solid materia...

    La Unidad de Chequeos de la Clínica sup...

    El estudio realizado sobre una muestra significati...

    Highlight

    Interview with Dámaso Molero, general m...

    by 3P Biopharmaceuticals

    Dámaso Molero: “There are great opportunities in Latin America for ...

    Iron deficiency is associated with large...

    by Vall d’Hebron

    The study shows that not only excess but also iron deficiency can have...

    Photos Stream