Publicación: Implementación de algoritmo de machine learning
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Director
Fecha
Resumen en español
El documento presenta el desarrollo e implementación de un sistema de detección automática de caídas utilizando algoritmos de Machine Learning. El problema surge porque las caídas representan una causa importante de lesiones en adultos mayores y trabajadores, y muchos sistemas actuales se entrenan con datos simulados que no reflejan completamente situaciones reales. Para abordar este problema, el estudio utiliza datasets públicos como SisFall, MobiAct y Prev-Fall, que contienen datos de sensores inerciales (acelerómetros y giroscopios). Se implementa un pipeline de procesamiento de datos que incluye filtrado, segmentación por ventanas, normalización y extracción de características. Se evaluaron varios algoritmos de aprendizaje automático, incluyendo Random Forest, k-NN y una red neuronal convolucional (CNN). Los resultados mostraron que el modelo CNN optimizado obtuvo el mejor rendimiento, alcanzando métricas perfectas de precisión, sensibilidad, especificidad y F1-score en las pruebas realizadas. Finalmente, el modelo fue exportado para su posible integración en sistemas reales, como aplicaciones móviles o dispositivos portátiles, aunque se reconoce que una limitación del estudio es el uso de datos sintéticos o controlados, por lo que se recomienda realizar futuras validaciones en entornos reales.
Resumen en inglés
The document presents the development and implementation of an automatic fall detection system using Machine Learning algorithms. The problem arises because falls are a major cause of injuries among older adults and workers, and many current detection systems are trained with simulated data that do not fully represent real-world conditions. To address this issue, the study uses public datasets such as SisFall, MobiAct, and Prev-Fall, which contain inertial sensor data (accelerometers and gyroscopes). A data processing pipeline was implemented, including signal filtering, window segmentation, normalization, and feature extraction. Several machine learning algorithms were evaluated, including Random Forest, k-Nearest Neighbors (k-NN), and a Convolutional Neural Network (CNN). The results showed that the optimized CNN model achieved the best performance, reaching perfect metrics for accuracy, precision, sensitivity, specificity, and F1-score during the experiments. Finally, the model was exported to enable potential integration into real systems such as mobile applications or wearable monitoring devices. However, the study recognizes a limitation due to the use of synthetic or controlled datasets, and future work should focus on validating the model in real-world environments.