PROTOTIPO PARA LA CLASIFICACIÓN DE MOVIMIENTOS CORPORALES Y DETECCIÓN DE CAÍDAS USANDO UNA RNA (PROTOTYPE FOR BODY MOVEMENT CLASSIFICATION AND FALL DETECTION USING AN ANN)
Resumen
Si bien las Redes Neuronales Artificiales (RNAs) suelen desplegarse en equipos con vastos recursos de hardware, las tecnologías recientes han posibilitado su implementación incluso en aplicaciones con capacidades de hardware limitadas. Por lo anterior, este trabajo presenta la propuesta de un prototipo basado en Arduino Nano para clasificar patrones de actividad física elementales (como estar sentado o caminar) y detectar caídas súbitas. Los datos se obtienen mediante el uso de un sensor acelerómetro-giroscopio MPU-6050 colocado en alguna parte del cuerpo. Para que la red haga una correcta clasificación de los datos se utiliza la técnica de extracción de características. Para el entrenamiento de la red se utilizó el lenguaje Python, además de la librería Tensorflow. La red está construida con una sola capa oculta de 4 neuronas, por lo cual, los recursos de hardware utilizados en el arduino son mínimos. La red RNA resultante logra una exactitud del 96%.
Palabras Clave: Arduino, inteligencia artificial, machine learning, Python, redes neuronales artificiales.
Abstract
While Artificial Neural Networks (ANNs) are typically deployed on computers with extensive hardware resources, recent technologies have enabled their implementation even in applications with limited hardware capabilities. Therefore, this work presents a prototype based on the Arduino Nano to classify basic physical activity patterns (such as sitting or walking) and detect sudden falls. Data is obtained using an MPU-6050 accelerometer-gyroscope sensor placed on a specific part of the body. Feature extraction is used to correctly classify the data. The network was trained using Python and the Tensorflow library. The network is built with a single hidden layer of four neurons, thus, the hardware resources required on the Arduino are minimal. The resulting ANN network achieves an accuracy of 96%.
Keywords: Arduino, artificial intelligence, artificial neural networks, machine learning, Python.
Texto completo:
709-725 PDFReferencias
Artemiadis, P. K., Kyriakopoulos, K. J. An EMG-based robot control scheme robust to time-varying EMG signal features. IEEE Transactions on Information Technology in Biomedicine, Volume 14, Issue 3, pp. 582-588, 2010.
Arvetti, M., Gini, G., Folgheraiter, M. Classification of EMG signals through wavelet analysis and neural networks for controlling an active hand prosthesis. IEEE 10th international conference on Rehabilitation Robotics, IEEE, pp. 531-536, June 2007.
Barrett, S. F. Arduino Nano 33 BLE Sense. Arduino V: Machine Learning, Springer International Publishing, pp. 17-65, 2022.
Campesato, O. TensorFlow 2 Pocket Primer. Boston: Mercury Learning and Information, Berlin, 2019.
Cavita-Huerta, E., Reyes-Reyes, J. Clasificación de actividad física mediante señales de acelerometría. Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI, Volumen 12, pp. 50-56, 2024.
Dong, Q., Zhu, X., Gong, S. Single-label multi-class image classification by deep logistic regression. Proceedings of the AAAI conference on artificial intelligence, Volume 33, Issue 01, pp. 3486-3493, July 2019.
Fatayerji, H., Al Talib, R., Alqurashi, A., Qaisar, S. M. sEMG Signal Features Extraction and Machine Learning Based Gesture Recognition for Prosthesis Hand. Fifth International Conference of Women in Data Science at Prince Sultan University (WiDS PSU), IEEE, pp. 166-171, March 2022.
Hristov, B., Nadzinski, G., Latkoska, V. O., & Zlatinov, S. Classification of Individual and Combined Finger Flexions Using Machine Learning Approaches. IEEE 17th International Conference on Control & Automation (ICCA), IEEE, pp. 986-991, June 2022.
Kim, P. Matlab deep learning: With machine learning, neural networks and artificial intelligence. Apress, 2017.
Lee, K. H., Min, J. Y., Byun, S. Electromyogram-based classification of hand and finger gestures using artificial neural networks. MDPI, Sensors, Volume 22, Issue 1, 2021.
López-Reynaga, B. A., Acevedo-Mosqueda, M. E., Acevedo-Mosqueda, M. A., Gómez-Coronel, S. L. Clasificación de actividades humanas aplicando Inteligencia Computacional. Ingeniería, investigación y tecnología, Volumen 25, Número 2, 2024.
Nacelle, A., Mizraji, E. Redes neuronales artificiales: Núcleo de ingeniería biomédica. Universidad de la República Uruguay, 2009.
Nacke, L. E., Kalyn, M., Lough, C., Mandryk, R. L. Biofeedback game design: using direct and indirect physiological control to enhance game interaction. Proceedings of the SIGCHI conference on human factors in computing systems, pp. 103-112, May 2011.
Naosekpam, V., Sharma, R. K. Machine learning in 3D space gesture recognition. Jurnal Kejuruteraan, Volume 31, Issue 2, pp. 243-248, 2019.
Nope, S. E., Loaiza, H., Caicedo, E. Estudio Comparativo de Técnicas para el Reconocimiento de gestos por Visión Artificial. Avances en Sistemas e Informática, Volumen 5, Número 3, pp. 127-134, 2008.
Ortega-Asensio, E. Sistema de reconocimiento de gestos de la mano basado en procesamiento de imagen y redes neuronales convolucionales. UPCT, Tesis, 2017.
Ozdemir, M. A., Kisa, D. H., Guren, O., Akan, A. Hand gesture classification using time–frequency images and transfer learning based on CNN. Elsevier, Biomedical Signal Processing and Control, Volume 77, 2022.
Paluszek, M., Thomas, S. Practical Matlab deep learning: A Project-Based Approach, Apress, 2022.
Parajuli, N., Sreenivasan, N., Bifulco, P., Cesarelli, M., Savino, S., Niola, V., Gargiulo, G. D. Real-time EMG based pattern recognition control for hand prostheses: A review on existing methods, challenges and future implementation. MDPI, Sensors, Volume 19, Issue 20, 2019.
Páez, R. F. F., Medina, A. D. R. D. Desarrollo, entrenamiento y evaluación de modelos de machine learning para clasificación de imágenes. Revista Científica Estudios e Investigaciones, Volumen 9, pp. 175-176, 2020.
Serrezuela, R. R., Cardozo, M. Á. T., Montiel, J. J. G., Zamora, R. S., Reyes, E. M. Análisis comparativo entre de MAE y RNA en señales de EMG obtenidas para control de una prótesis mano robótica. Memorias de Congresos UTP, pp. 107-112, agosto 2019.
Spiewak, C. A comprehensive study on EMG feature extraction and classifiers. Open Access Journal of Biomedical Engineering and Biosciences, Volume 1, Issue 1, 2018.
Vargas, L. P., Barba Jiménez, L., Mattos, L. Sistema de identificación de lenguaje de señas usando redes neuronales artificiales. Revista Colombiana de Física, Volumen 42, Número 5, 2010.
URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es
Pistas Educativas está bajo la Licencia Creative Commons Atribución 3.0 No portada. 
TECNOLÓGICO NACIONAL DE MÉXICO / INSTITUTO TECNOLÓGICO DE CELAYA
Antonio García Cubas Pte #600 esq. Av. Tecnológico, Celaya, Gto. México
Tel. 461 61 17575 Ext 5450 y 5146
pistaseducativas@itcelaya.edu.mx