IMPLEMENTACIÓN DE UN ALGORITMO DE APRENDIZAJE AUTOMÁTICO PARA LA DETECCIÓN DE ACTIVIDADES EN EL HOGAR A PARTIR DE SENSORES

Abstract

Este trabajo se centra en el reconocimiento de actividades humanas (HAR) en entornos domésticos mediante el uso de sensores ambientales y dispositivos de monitorización. Se realiza una revisión del estado del arte sobre aprendizaje automático aplicado a HAR, seguido de un preprocesamiento de datos que incluye la sincronización de registros, eliminación de valores inconsistentes y obtención de la localización de los residentes. Se implementan y comparan diversos modelos de redes neuronales como CNN, LSTM, GRU y arquitecturas híbridas. Tras evaluar su rendimiento, la CNN optimizada se identifica como la mejor opción, alcanzando una precisión del 96.77%. Por último, se plantean mejoras futuras, como la optimización del sistema de localización basado en RSSI, con el objetivo de mejorar la precisión del modelo y su aplicabilidad en entornos reales.

This paper focuses on human activity recognition (HAR) in domestic environments using environmental sensors and monitoring devices. A state-of-the-art review of machine learning applied to HAR is conducted, followed by data preprocessing including record synchronisation, removal of inconsistent values and obtaining the location of residents. Various neural network models such as CNN, LSTM, GRU and hybrid architectures are implemented and compared. After evaluating its performance, the optimised CNN is identified as the best option, reaching an accuracy of 96.77%. Finally, future improvements are proposed, such as the optimisation of the RSSI-based localisation system, with the aim of improving the accuracy of the model and its applicability in real environments.