[CASTELLÀ] Los sensores inerciales basados en Sistemas Micro Electro Mecánicos, gracias a su reducido tamaño y bajo consumo de energía, han permitido el desarrollo de sistemas portables orientados al reconocimiento de actividades humanas aplicadas tanto en el deporte como en la medicina. Una de las actividades humanas de interés son las transiciones posturales, dado que su analisís y evolución temporal pueden ser empleados como indicadores de la fragilidad en personas mayores. En el presente trabajo de Fin de Master, se describe el desarrollo de un modelo para la detección y clasi cación de transiciones posturales de sentado a parado (sist), y de parado a sentado (stsi). Para la obtención del modelo se hace uso de una base de datos heterogénea que dispone el Centro de Estudios Tecnológicos para la Atención a la Dependencia y la Vida Autónoma, de la cual se extraen las características que permitan identificar una transición postural de otras actividades. Las características extraídas son empleadas para entrenar modelos que permitan identificarlas las transiciones posturales mediante algoritmos de aprendizaje supervisado. El modelo consta de dos etapas, en la primera se hace uso una combinación de características provenientes de la señal de un acelerómetro y un sensor de presión atmosférica para identificar transiciones posturales. La segunda etapa, basada en el aumento o disminución de la presión atmosférica, permite clasificar en sist y stsi las transiciones identificadas en la primera etapa. Adicionalmente, las transiciones son caracterizadas mediante el tiempo de duración de las mismas. Finalmente, nuevos datos con diferentes usuarios son recolectados para evaluar el rendimiento del modelo desarrollado en términos de sensibilidad y especificidad.
[ANGLÈS] Inertial sensors based on Micro Electro Mechanic Systems, because of their low energy consumption and tiny size, have allowed to develop wearable systems to human activity recognition (HAR) which work not only in medicine field but also in sport. Postural transitions are important human activity due to the fact that their analysis and temporal evolution can be used as indicators of fragility in elderly people. This Master thesis describe a model to detect and classification postural transitions: stand to sit (stsi) and sit to stand (sist). In order to get the model, a heterogeneous database developed by The Technical Research Centre for Dependency Care and Autonomous Living (CETPD) is used. From this database, relevant features than distinguish postural transitions to others human activities are extracted. These features allow to identity postural transitions using machine learning algorithms. The model has two stages. The first one identifies postural transitions based on features from an accelerometer and a pressure sensor. The second stage based on changed of atmospheric pressure allow to classify (in sist and stsi) the postural transitions identified in the first stage. Additionally, the postural transitions are characterized by transition duration time (TD). Finally, new data with di¤erent user are collected in order to evaluate the performances of model develop by specificity and sensitivity.
