Análisis del número de sensores para la clasificación postural en sedestación

  1. Vermander, Patrick 1
  2. Pérez, Nerea 1
  3. Otamendi, Janire 1
  4. Brull, Asier 1
  5. Mancisidor, Aitziber 1
  6. Cabanes, Itziar 1
  1. 1 Universidad del País Vasco/Euskal Herriko Unibertsitatea
    info

    Universidad del País Vasco/Euskal Herriko Unibertsitatea

    Lejona, España

    ROR https://ror.org/000xsnr85

Libro:
XLIII Jornadas de Automática: libro de actas: 7, 8 y 9 de septiembre de 2022, Logroño (La Rioja)
  1. Carlos Balaguer Bernaldo de Quirós (coord.)
  2. José Manuel Andújar Márquez (coord.)
  3. Ramon Costa Castelló (coord.)
  4. Carlos Ocampo Martínez (coord.)
  5. Jesús Fernández Lozano (coord.)
  6. Matilde Santos Peñas (coord.)
  7. José Enrique Simó Ten (coord.)
  8. Montserrat Gil Martínez (coord.)
  9. Jose Luis Calvo Rolle (coord.)
  10. Raúl Marín Prades (coord.)
  11. Eduardo Rocón de Lima (coord.)
  12. Elisabet Estévez Estévez (coord.)
  13. Pedro Jesús Cabrera Santana (coord.)
  14. David Muñoz de la Peña Sequedo (coord.)
  15. José Luis Guzmán Sánchez (coord.)
  16. José Luis Pitarch Pérez (coord.)
  17. Oscar Reinoso García (coord.)
  18. Oscar Déniz Suárez (coord.)
  19. Emilio Jiménez Macías (coord.)
  20. Vanesa Loureiro Vázquez (coord.)

Editorial: Servizo de Publicacións ; Universidade da Coruña

ISBN: 978-84-9749-841-8

Año de publicación: 2022

Páginas: 171-178

Congreso: Jornadas de Automática (43. 2022. Logroño)

Tipo: Aportación congreso

DIALNET GOOGLE SCHOLAR lock_openRUC editor

Resumen

La clasificación postural es fundamental de cara a realizar un correcto seguimiento del estado postural en personas mayores. Este seguimiento, además de aportar información continuada a los especialistas sanitarios, puede servir para prevenir trastornos musculoesqueléticos. En este trabajo, se presenta el análisis del número de sensores de un dispositivo de monitorización postural portable compuesto por 16 sensores FSR. Con ello, se busca reducir el coste computacional a la hora de realizar la clasificación, simplificando el modelo y aumentando la autonomía. Para ello, se aplica una metodología basada en dos pasos: 1) Calcular el orden de relevancia de los sensores, mediante Random Forest y ReliefF. 2) Seguir un proceso iterativo de entrenamiento para dos modelos de clasificación basados en SVM y KNN. En cada iteración se aumenta en uno el número de sensores introducidos como entrada, estudiando cómo afecta este número en el desempeño final de los modelos. Los resultados demuestran que un número de 5 sensores es suficiente para lograr porcentajes de acierto superiores al 90 %.

Fuente de los datos: Dialnet