Reconocimiento de acciones de movimiento humanas con un smartphone mediante aprendizaje profundo

RECONOCIMIENTO DE ACCIONES DE MOVIMIENTO HUMANAS CON UN SMARTPHONE MEDIANTE APRENDIZAJE PROFUNDO RECOGNITION OF HUMAN MOVEMENT ACTIONS WITH A SMARTPHONE USING DEEP LEARNING TRABAJO DE FIN DE GRADO CURSO 2021-2022 AUTOR EMMA TALAVERA RODRÍGUEZ DIRECTOR GONZALO PAJARES MARTINSANZ COLABORADORA EXTERNA CLARA ISABEL LÓPEZ GÓNZALEZ GRADO EN INGENIERÍA DEL SOFTWARE FACULTAD DE INFORMÁTICA UNIVERSIDAD COMPLUTENSE DE MADRID Resumen En es e abajo se p opone una aplicación in eligen e con capacidad de p ocesa da os senso iales p oceden es de un disposi i o mó il, del ipo sma phone o able median e écnicas basadas en Ap endizaje P o undo (Deep Lea ning). La inalidad consis e en la de ección de acciones de mo imien o humanas pa a su moni o ización. Pa a ello se p opone el uso de una ed neu onal ecu en e, cuyo modelo exac o es del ipo LSTM (Long Sho Te m Memo y). Es a ed es á en enada con da os de Acele ación, en los es ejes (X, Y, Z), p oceden es de los senso es del sma phone pa a econoce cinco ipos conc e os de acciones: “Dancing”, “Running”, “Si ing”, “S anding” y “Walking”. La aplicación es á diseñada de al mane a que cuando se eciben da os de acele ación, co espondien es a una de las acciones mencionadas, és os se p ocesan en la ed pa a iden i ica el ipo de acción asociada. Además, de lo an e io , el abajo posee una uncionalidad añadida bajo el pa adigma de In e ne de las Cosas (IoT, In e ne o Things), de o ma que los da os son en iados a una pla a o ma especí ica pa a IoT su almacenamien o jun o con el esul ado de su p ocesamien o median e la ed LSTM. Desde es a pla a o ma se pueden en ia mensajes sob e las acciones ealizadas pa a se ecibidos en una cuen a de la ed social Twi e , a la ez que es posible su isualización accediendo a la mencionada pla a o ma con ines de moni o ización de las acciones almacenadas en ella. Po an o, la aplicación desa ollada combina dos capacidades de in e és, la p ime a se e ie e a la u ilización de écnicas in eligen es a anzadas median e Deep Lea ning y la segunda a su ex ensión bajo el ámbi o de IoT. Los expe imen os ealizados han e i icado la alidez de la p opues a, des acando los aspec os elacionados con el sis ema in eligen e y la na egación au ónoma del ehículo au óma a. Palab as cla e: Ap endizaje p o undo, LSTM, IoT, acele ación, acciones de mo imien o, en enamien o, clasi icación. Abs ac In his wo k, an in elligen applica ion is p oposed wi h he abili y o p ocess senso y da a coming om a mobile de ice, such as a sma phone o able , and using echniques based on Deep Lea ning. The pu pose is he de ec ion o human mo emen ac ions o moni o ing. A ecu en neu al ne wo k is p oposed o his pu pose, whose exac model is o he ype o LSTM (Long Sho -Te m Memo y). This ne wo k is ained wi h accele a ion da a, in he h ee axes (X, Y, Z), om he sma phone senso s o ecognize i e speci ic ypes o ac ions: “Dancing”, “Running”, “Si ing”, “S anding” and “Walking”. The applica ion is designed in such a way ha when accele a ion da a a e ecei ed, co esponding o one o he men ioned ac ions, hey a e p ocessed in he ne wo k o iden i y he ype o associa ed ac ion. In addi ion o he abo e, a unc ionali y, unde he pa adigm o In e ne o Things (IoT, In e ne o Things), is added, so ha he da a a e sen o a speci ic IoT pla o m o s o age oge he wi h he esul o hei p ocessing h ough he LSTM ne . This pla o m o e s a o e s a messaging se ice sending he ype o ac ion ecognized and s o ed, which can be ecei ed h ough a Twi e social ne wo k accoun , while i is possible o gain access o he pla o m o he pu poses o moni o ing he ac ions s o ed in i . The e o e, he de eloped applica ion combines wo abili ies o in e es , he i s e e s o he use o ad anced in elligen echniques h ough Deep Lea ning and he second o i s ex ension unde he scope o IoT. Keywo ds: Deep Lea ning, LSTM, IoT, accele a ion, mo emen ac ions, aining, classi ica ion. Índice Capí ulo 1. In oducción ................................................................................................................ 1 1.1 An eceden es ...................................................................................................................... 1 1.2 Obje i os ............................................................................................................................. 4 1.3 Plan de T abajo .................................................................................................................... 4 1.4 O ganización de la memo ia ............................................................................................... 5 Chap e 1. In oduc ion ................................................................................................................. 6 1.1 P elimina y .......................................................................................................................... 6 1.2 Objec i es ............................................................................................................................ 8 1.3 Wo kplan ............................................................................................................................. 9 1.4 Repo o ganiza ion ........................................................................................................... 10 Capí ulo 2. Modelos de edes ..................................................................................................... 11 2.1 In oducción ...................................................................................................................... 11 2.2 Redes Neu onales Recu en es ......................................................................................... 12 2.3 Redes LSTM (Long Sho -Te m Memo y) .......................................................................... 15 2.3.1 En enamien o y ap endizaje ............................................................................. 16 2.3.2 Pa áme os de ap endizaje ................................................................................ 21 2.4 Clasi icación ....................................................................................................................... 22 Capí ulo 3. Diseño de la aplicación ............................................................................................. 23 3.1 He amien as ..................................................................................................................... 23 3.1.1 Ma lab ................................................................................................................ 23 3.1.2 ThingSpeak ......................................................................................................... 24 3.2 Diseño de la aplicación ...................................................................................................... 25 3.2.1 A qui ec u a ....................................................................................................... 25 3.2.2 Diseño ................................................................................................................ 27 Capí ulo 4. Resul ados ................................................................................................................. 34 4.1 En enamien o .................................................................................................................. 34 4.2 Clasi icación ....................................................................................................................... 37 4.3 Twi e ............................................................................................................................... 38 4.4 His o ial ............................................................................................................................. 40 Capí ulo 5. Conclusiones y abajo u u o ................................................................................... 41 5.1. Conclusiones..................................................................................................................... 41 5.2 T abajo u u o ................................................................................................................... 41 Chap e 5. Conclusions and u u e wo k ..................................................................................... 43 5.1 Conclusions........................................................................................................................ 43 5.2 Fu u e wo k ....................................................................................................................... 43 Bibliog a ía .................................................................................................................................. 45 ANEXO: Manual de usua io ......................................................................................................... 47 1 Capí ulo 1. In oducción 1.1 An eceden es El p esen e abajo se enma ca den o del ámbi o de la In eligencia A i icial (IA), cuya esencia consis e en que una máquina o sis ema imi e, lo más ielmen e posible, compo amien os de los se es humanos, pudiendo así azona , ap ende y oma decisiones. Alan Tu ing ue uno de los pione os de a a con la IA, cuando en 1950 (Tu ing, 1950) publicó su amoso a ículo Compu ing Machine y and In elligence en el que se plan eaba si las máquinas e an capaces de pensa , AI (2022). Desde en onces y has a el momen o ac ual la e olución de es a disciplina ha sido cons an e, has a llega a los iempos ac uales donde se ha p oducido una explosión signi ica i a debido, undamen almen e al desa ollo ecnológico con la apa ición de dis in as ecnologías y me odologías, que con enien emen e combinadas han hecho posible los ac uales a ances en es a disciplina. Como consecuencia de ello, la IA acili a la ida de las pe sonas en di e en es ace as. Po ci a sólo algunas, cabe señala cómo la u ilización de sis emas basados en GPS pe mi e calcula u as in eligen es eniendo en cuen a las di e en es ubicaciones, a la ez que conside an a iables ales como zonas de di ícil acceso, con di icul ad o de di ícil acceso. En el ámbi o del econocimien o de oz o a amien o de ex os son bien conocidos los asis en es in eligen es ales como Si i o Alexa, de o ma que in e p e an y econocen el mensaje de oz ecibido pa a ealiza una acción de e minada, como puede se ac i a un disposi i o pa a pone una canción o apaga un in e up o de e minado, accede a de e minados se icios, como los me eo ológicos. Los aduc o es de ex o ambién se encuad an bajo el pa adigma de p ocesamien o del lenguaje na u al con ca ác e in eligen e. Con inuando den o del con ex o de las aplicaciones in eligen es, esul an bien conocidos los sis emas de moni o ización de ac i idades ísicas ealizadas po las pe sonas. Exis en aplicaciones ins aladas en la mayo ía de los disposi i os mó iles con capacidad de con a el núme o de pasos o la dis ancia eco ida du an e de e minados espacios de iempo, al es el caso de Adidas Running o GoogleFi po ci a sólo algunas. Den o del con ol de las mencionadas ac i idades ísicas algunos disposi i os, ales como los elocíme os de Ga min (Ga min, 2022) que incluyen senso es de elocidad y cadencia del mo imien o que pe mi en de ec a posibles cambios b uscos de mo imien o y cadencias de elocidad y en ia a isos a 2 a és de un sma phone con conexión blue oo h an e posibles incidencias ales como caídas de una bicicle a. Es jus amen e en el ámbi o de la moni o ización ísica de ac i idades de pe sonas donde se enma ca el p esen e abajo. Más conc e amen e se p opone el desa ollo de un sis ema in eligen e que iden i ica la ac i idad ealizada po una pe sona a pa i de los da os de mo imien o p opo cionados po los senso es embebidos den o de un disposi i o mó il (sma phone o able ). Los da os disponibles son, gene almen e: acele ación, elocidad, campo magné ico, o ien ación, elocidad angula y posición. Es os da os se eciben en el p opio disposi i o mó il a a és de la co espondien e aplicación de Ma lab (App Ma lab Mobile, 2022), p e iamen e ins alada según el sis ema ope a i o de And oid o iOS. Con los alo es de acele ación se en ena un modelo de ed neu onal especí icamen e diseñada con al p opósi o. Se a a de una ed especí ica den o de la IA y bajo el pa adigma de lo que se conoce como Ap endizaje P o undo (Deep Lea ning) y más conc e amen e el modelo denominado Long-Sho Te m Memo y (LSTM) con capacidad de p ocesamien o de secuencias de da os ecibidos a lo la go del iempo, que es jus amen e como se eciben los alo es de acele ación asociados con una acción de e minada. El mecanismo de p ocesamien o de las secuencias empo ales, jun o con el modelo de es a ed se puede encon a en Good ellow y col. (2016) o Paja es y col. (2021). De hecho, Sa-nguanna m y col. (2021) ecomiendan la u ilización de acele óme os pa a la iden i icación de acciones de mo imien o median e écnicas basadas en los modelos LSTM. De es a mane a, se pueden moni o iza de e minadas ac i idades ealizadas po una pe sona equipada con un disposi i o mó il y con la App ins alada de Ma lab. El modelo de ed LSTM se encuen a p e iamen e en enado con capacidad pa a iden i ica las siguien es acciones: “Dancing”, “Running”, “Si ing”, “S anding” y “Walking”. Una ez ecibida una secuencia de da os de acele ación el p og ama indica á el ipo de ac i idad que co esponda a dichos da os según las ca ego ías an e io es. O o aspec o des acable impo an e es que los esul ados del p ocesamien o y los p opios da os pueden se a ados desde el pun o de is a de o o de los pa adigmas eme gen es ac uales, cual es, el conocido como In e ne de las Cosas (IoT, In e ne o Things), que ambién se abo da en el p esen e p oyec o. En es e caso, el disposi i o mó il es la “Cosa” que p opo ciona los da os, como se ha indicado p e iamen e, los cuales se p ocesan de o ma in eligen e median e el modelo de ed LSTM bajo Ma lab (2022). Los esul ados del 3 p ocesamien o se almacenan en la co espondien e pla a o ma en la nube, en es e caso a a és de la pla a o ma ThingSpeak (2022), que es especí ica de Ma lab pa a IoT. Con es e plan eamien o es impo an e menciona que es e diseño pe mi e su aplicación a di e sos campos que, sin duda, pueden ayuda a mejo a la calidad de ida de las pe sonas. Po ejemplo, en el ámbi o de la medicina y de ca a a p ocesos de ehabili ación se puede con ola de o ma in eligen e las ac i idades ealizadas en las di e en es sesiones. O bien, es udia la causa-e ec o de de e minados a amien os a macológicos en unción de la ac i idad ealizada a lo la go del iempo. Du an e la ealización de las ac i idades bajo moni o ización se pueden p og ama acciones en ThingSpeak pa a que a ise de la ealización de las mismas, po ejemplo ía Twi e , a la ez que se almacenan los da os en es a pla a o ma y se isualizan de o ma emo a, de o ma que se a o ece el seguimien o y con ol de las ac i idades bajo una supe isión in eligen e. Es e abajo se inspi a en modelos y plan eamien os p e ios con la misma o simila inalidad. En es e sen ido, Baya y col. (2014) u ilizan un sma phone ambién pa a ob ene da os de acele ación, según los es ejes de coo denadas (X, Y, Z), exac amen e como los u ilizados en es e p oyec o. Si bien, como mé odo de iden i icación de las acciones se u iliza una ed neu onal del ipo e o-p opagación jun o con o as écnicas in eligen es como las Máquinas de Vec o es Sopo e, que ambién se u ilizan en Pila axi y col. (2019) con la misma inalidad. Kozina y col. (2013) iden i ican las caídas de pe sonas po cambios b uscos en el mo imien o de un acele óme o, simila a la uncionalidad que o ece el disposi i o Ga min (2022) mencionado p e iamen e. Po o a pa e, en los dos cu sos p eceden es, an o Pa ón (2020) como He e o- Fe nández y Jiménez-González (2021) desa olla on sendas aplicaciones, en sus co espondien es abajos in de g ado, con simila es ca ac e ís icas a la p opues a en el p esen e abajo y po an o, den o del pa adigma de Ap endizaje P o undo. De hecho, en ambos casos se u iliza on ambién como da os los alo es de acele ación en los es ejes y el modelo de ed LSTM. En el p ime caso el p ocesamien o de da os se ealiza en un se ido adap ado al e ec o y en el segundo caso, el a amien o se ealiza en modo local, al igual que en es e abajo. Además, en He e o-Fe nández y Jiménez-González (2021) ambién se u iliza IoT y la pla a o ma ThingSpeak pa a ecepción y moni o ización de los da os. 10 1.4 Repo o ganiza ion The epo is s uc u ed in chap e s as ollows: • The i s chap e , which is he in oduc ion, in addi ion o p elimina y aspec s, desc ibes he objec i es and planning o he p ojec . • The second chap e explains he di e en ypes o ne wo ks and hei unc ioning. • The hi d chap e desc ibes he design o he applica ion, s a ing wi h he desc ip ion o he ools used and i s a chi ec u e. • The ou h chap e p esen s he esul s ob ained, bo h om he poin o iew o aining, classi ica ion and managemen o he unc ionali ies in he cloud. • The i h chap e p esen s he conclusions and possible u u e imp o emen s o he applica ion. 11 Capí ulo 2. Modelos de edes 2.1 In oducción El p esen e capí ulo desc ibe el modelo de ed neu onal aplicado en es e abajo, pa a el que se sigue la e e encia de Paja es y col. (2021). Conc e amen e, las Redes Neu onales Recu en es (RNN, Recu en Neu al Ne wo k) y bajo el concep o de ellas el modelo conocido como Long Sho -Te m Memo y (LSTM). Como se especi ica más adelan e, la aplicación ecibe secuencias de en ada empo ales de la o ma ( ) 1 T ,. = xy En es e caso conc e o son secuencias de mo imien os a pa i de los da os suminis ados po un sma phone, igu a 2.1, do ado de ecnologías senso iales ap opiadas, que p opo cionan los siguien es da os secuenciados en el iempo: 1) O ien ación, exp esada en g ados con espec o a los co espondien es ejes X, Y y Z, es o es: azimu (yaw,  ) o ángulo en e el eje Y posi i o y el no e magné ico N, de inido en el ango [0,360]; cabeceo (pi ch,  ) posi i o o gi o del eje Z posi i o hacia el eje Y posi i o; y alabeo ( oll,  ) posi i o o gi o del eje Z posi i o hacia el eje X posi i o. 2) Velocidad angula (wx, wy, wz) en los espec i os ejes X, Y y Z en ad/s; 3) Acele ación (ax, ay, az) en los espec i os ejes X, Y y Z en m/s2. En cada ins an e de iempo se puede de ini un ec o de en ada a la ed que ca ac e iza las acele aciones, al como: x  (ax, ay, az) 3  de o ma que a cada secuencia se le asocia una e ique a que en ealidad es una clase y  ci, siendo i el núme o de clases de inidas. De es a o ma, el obje i o consis e en de e mina el es ado de mo imien o de una pe sona equipada con un disposi i o mó il según la ac i idad que es é desa ollando en cada momen o conc e o, po ejemplo, en e o as, c1  sen ada; c2  sal ando; c3  co iendo o c4  caminando. En es e caso se a a ía de un sis ema con cua o clases y po an o i es cua o en es e ejemplo. El ec o x puede de ini se con los nue e alo es, es de o ien ación, es de elocidad angula y o os es de acele ación, de o ma que en es e caso 9 x . 12 Figu a 2.1 Ángulos de o ien ación Es a es la idea expues a en el abajo de Rego-D umond y col. (2018), donde los alo es de o ien ación, elocidad angula y acele ación se ob ienen median e disposi i os del ipo IMU (Ine ial Measu emen Uni s), es o es, unidades de medición ine cial. A modo de ejemplo ilus a i o, las cua o clases de inidas p e iamen e se ep esen an po los siguien es alo es: c1  (1,0,0,0), c2  (0,1,0,0), c3  (0,0,1,0) y c4  (0,0,0,1). 2.2 Redes Neu onales Recu en es Las RNN se ca ac e izan po su u ilidad pa a esol e p oblemas donde apa ecen da os secuenciales, de o ma que pueden e ene in o mación de un es ado en la secuencia de una i e ación a la siguien e (Rumelha y col., 1986). La cla e de es os modelos es á en el hecho de que compa en pa áme os, lo que pe mi e su aplicación a p oblemas de dis in a na u aleza, a la ez que se consiguen gene alizaciones especí icas pa a ex ae la in o mación p oceden e de los da os. Con iene señala que, gene almen e, las secuencias es án es uc u adas en el iempo, siendo po an o el iempo una de las a iables cla e en es os p ocesos. Jus amen e es o es lo que sucede en el p esen e abajo, de o ma que los da os a p ocesa son componen es de acele ación, que ep esen an acciones de mo imien o. Exis en di e sos modelos de RNN, cuya ep esen ación más simple es la que se mues a en la igu a 2.2 an o en su e sión plegada como desplegada. 13 (a) (b) Figu a 2.2 Modelo de ed RNN: (a) plegada y (b) desplegada Cada lecha ep esen a una conexión o al en e las capas ( ully connec ed), que se es ablece median e los co espondien es pesos ep esen ados po las ma ices W, que son jus amen e las es uc u as pa a ap ende du an e el p oceso de en enamien o de la ed. Exis en conexiones la e ales y e icales. Las e icales conec an las espec i as capas de en ada, ocul a y salida en un ins an e de iempo y po an o pa a una en ada dada x. En el caso que nos ocupa es os ec o es x son las componen es de acele ación p opo cionadas po el disposi i o mó il en el ins an e de iempo , mien as que las la e ales pe mi en conexiones en e dis in os ins an es de iempo ( -1, , +1). En la igu a 2.3 se mues a la a qui ec u a del modelo de o ma ex endida y en un mayo ni el de de alle. Así, pa a cada en ada x se gene a una salida y , es o es, pa a una en ada con las es componen es de acele ación se p oduce una salida que ep esen a la acción ealizada. 14 Figu a 2.3 Redes ecu en es con salidas y conexiones en e unidades ocul as El mecanismo de uncionamien o de es e modelo se puede sin e iza como sigue: a) La secuencia de en ada x gene a la secuencia de salida o . La unción de pé dida L mide la simili ud de o con espec o a la salida obje i o o deseada y , de o ma que in e namen e se ob iene ( ) ˆso max=yo compa ándola con y . b) El modelo RNN iene en adas a conexiones ocul as de inidas po la ma iz de pesos U, conexiones ecu en es en e unidades ocul as pa ame izadas po una ma iz de pesos W y conexiones en e unidades ocul as hacia la salida, pa ame izadas po una ma iz de pesos V. c) La unción o al de pé dida pa a una secuencia dada de alo es x empa ejados con una secuencia de alo es de salida y, es jus o la suma de las unciones de pé dida sob e odos los pasos de iempo. La pé dida o al pa a una secuencia dada de alo es x empa ejados con una secuencia de alo es y se ía exac amen e la suma sob e odos los pasos de iempo. Po ejemplo, si L es la es ima de máxima e osimili ud (log-likelihood) nega i a de y dadas x1,…, x , en onces,     ( )   ( ) 1 1 1 modelo L ,..., , ,..., L log p y | ,...,= = −  x x y y x x (2.1) donde   ( ) 1modelo p y | ,...,xx iene de e minado leyendo la en ada pa a y a pa i del ec o modelo ˆ y . d) Pa a el en enamien o se equie e un núme o conside able de da os, con sus co espondien es asociaciones en ada-salida, es deci los mencionados pa es (x , y ) que asocian los da os de acele ación con la acción ealizada. Po o a pa e, exis en di e en es opologías de ed eniendo en cuen a la conexión en e las dis in as capas Good ellow y col. (2016). En la igu a 2.4 se mues an a ias es uc u as 15 opológicas. Pa a cada uno de ellos se mues an algunos ejemplos ilus a i os de aplicación según el esquema co espondien e: • Uno a uno: un obje o de una imagen → una e ique a de su clasi icación. • Uno a muchos: imagen → sen encia desc ip i a de la imagen. • Muchos a uno: ase → sen imien o (posi i o o nega i o). • Muchos a muchos (secuencia-secuencia): da os de acele ación → acción de mo imien o. • Muchos a muchos (secuencia-secuencia sinc onizada): ames de ídeo → bounding boxes asociados con cada obje o. Figu a 2.4 Di e en es opologías de ed Como puede obse a se, el modelo que se co esponde con es e abajo es el “muchos a muchos sinc onizado”, ya que las secuencias de en ada x se p oducen espaciadas en el iempo, espe ando pa a esa misma en ada y en el mismo ins an e de iempo una salida, y , de aquí el concep o de sinc onización. 2.3 Redes LSTM (Long Sho -Te m Memo y) Resul a bien conocido que en las edes neu onales p o undas las dependencias conocidas como long- e m cons i uyen un e o impo an e. El p oblema se esume en el hecho de que los g adien es que se e op opagan sob e muchos es ados ienden o bien a desapa ece , la 16 mayo ía de las eces, o a una explosión compu acional, menos a menudo, que a ec a cla amen e al p oceso de op imización. Es o se debe p incipalmen e a que el g adien e depende de los e o es, an o ac uales como pasados, de o ma que la acumulación con inuada de e o es o igina p oblemas impo an es pa a memo iza dependencias a la go alcance, de aquí la e minología denominada long- e m. Good ellow y col. (2016) p opo cionan algunas p opues as pa a esol e es a p oblemá ica. Den o de las ci adas p opues as des aca la que se desc ibe a con inuación, que se basa en el concep o denominado Long Sho -Te m Memo y (LSTM) que pe mi e especi ica la in o mación que debe p ese a se o elimina se, es o es, almacena se en o ma de memo ia, de ahí el é mino memo y, o desca a se. Es e es el modelo p opues o en es e abajo. Como en cualquie modelo de ap endizaje, como es el caso, es os modelos cons an de dos ases: Ap endizaje y Clasi icación. 2.3.1 En enamien o y ap endizaje Las LSTM ue on in oducidas po Hoch ei e y Schmidhube (1997) con el in de esol e el p oblema del g adien e indicado p e iamen e. Se a a de una ed RNN especí ica que p ocesa una secuencia de pa es de en ada-salida ( ) 1 T ,= xy . Pa a cada pa de alo es ( ) ,xy , la co espondien e celda LSTM oma una nue a en ada x y el alo ocul o h -1 ob enido en el paso p e io, y con ello p oduce una es ima ˆ y pa a la salida obje i o yi es ablecida al e ec o y dada la secuencia de en ada p e ia x1, x2,…, x ambién con un nue o alo ocul o h y un nue o alo del es ado de la celda o memo ia C . La igu a 2.5 mues a de o ma de allada la es uc u a de una celda LSTM sob e el iempo, con el cómpu o es ablecido como se desc ibe seguidamen e al y como apa ece en G a es (2013). En la e e ida igu a se mues a una es uc u a ca ac e ís ica del mencionado ipo LSTM al y como se especi ica en los abajos de Ge s y col. (2002) y Olah (2015). Cada celda empo al ecibe, en cada paso de iempo, una mues a de la secuencia x p oceden e de la capa de en ada, y en ía el es ado de la celda ac ualizado, así como el alo de la salida h al siguien e paso, es deci , a la siguien e celda. Po o a pa e, en cada paso ambién se en ía el co espondien e alo h a la capa de salida. Es os é minos es án indexados po el subíndice co espondien e que es ablecen los pasos conc e os de la secuencia en cada una de las dis in as unidades que con o man el modelo. 17 (a) (b) Figu a 2.5 Es uc u a gene al y conexión de las celdas LSTM El es ado de cada celda iene a se una línea de anspo e que a a iesa la celda con las in e acciones que se indican explíci amen e en la igu a 2.6, de modo que la LSTM puede elimina o añadi in o mación al es ado de la celda median e es uc u as que se denominan en la e minología especializada como ga es, o madas po ope aciones del ipo mos ado en la sub igu a de la pa e de echa de la igu a 2.5 con el lujo de in o mación indicado po las lechas en dicha sub igu a. Figu a 2.6 Línea de es ado de la celda El p ime paso en una es uc u a LSTM es decidi qué in o mación elimina del es ado de la celda, cuya esponsable es una capa sigmoidal denominada pue a de ol ido o o ge ga e, , de inida según la ecuación (2-2) y la igu a 2.7, 18 ( ) 1 g x h UW  − = + + x h b (2.2) de o ma que eniendo en cuen a los pesos Ux y Wh y un bias b , a a és de la unción sigmoide (σg) se gene a un alo en e 0 y 1 pa a cada es ado de la celda C -1. Un alo de 1 signi ica man ene es e es ado po comple o y un 0 deshace se de él. Po ejemplo, en el modelo de iden i icación de acciones de mo imien o, que a a de p edeci la siguien e acción en base a odas las an e io es, el es ado de la celda pod ía inclui la acción ac ual. Cuando se e un elemen o nue o, la idea pod ía se conse a la acción an e io po conside a que los mo imien os en e ansiciones son sua es y no b uscas. Es deci , si es amos ealizando la acción de co e , el paso a una si uación de sen ado, no es inmedia o, equi iendo un p oceso de ansición. Figu a 2.7 Fo ge ga e El siguien e paso consis e en decidi qué in o mación nue a se a a almacena en el es ado de la celda, lo cual iene dos pa es. P ime o, una capa sigmoide llamada pue a de en ada (inpu ga e) i , igu a 2.8, decide qué alo es se ac ualizan. ( ) ( ) 1 1 g xi hi i c xc hc c UW UW   − − = + + = + + i x h b g x h b (2.3) Seguidamen e, una capa c  (gene almen e de ipo angen e hipe bólica, anh) c ea nue os alo es candida os g , que pod ían ag ega se al es ado, eniendo en cuen a los pesos Uxi, Whi, Uxc y Whc, jun o con los co espondien es bias bi y bc. En el siguien e paso, se combinan ambos pa a gene a una ac ualización del es ado. 19 Figu a 2.8 Inpu ga e y es ado de la celda Aho a es el momen o de ac ualiza el es ado p e io de la celda, g -1, al nue o es ado de esa celda g . Los pasos an e io es ya decidie on qué hace , solo es necesa io hace lo aho a, pa a ello se mul iplica el es ado an iguo po , ol idando las cosas que se decidie on ol ida an es. Luego se suma el é mino ige , igu a 2.9, que son los nue os alo es candida os, en unción de cuán o se decide ac ualiza cada alo de es ado. 1 − =+C C i gee (2.4) En el caso del modelo de de ección de acciones, aquí es donde ealmen e se conse a o se elimina la in o mación sob e la acción an e io an e io y se ag ega la nue a in o mación, al como se decidió en los pasos an e io es. Figu a 2.9 Ac ualización del es ado de la celda Finalmen e, es necesa io ob ene el esul ado de la salida, que se basa en el es ado de la celda, si bien, se a a de una e sión il ada, igu a 2.10. P ime o, se aplica la unción sigmoide que decide qué pa es del es ado de la celda an a con ibui a la salida. Luego, se aplica la unción anh, que si úa los alo es en el ango −1 y 1 y se mul iplica po la salida de la pue a de ipo sigmoidal, de modo que solo con ibuyen a la salida las pa es seleccionadas. ( ) ( ) 1 g xo ho o c UW   − = + + = o x h b h o Ce (2.5) 26 Figu a 3.1 A qui ec u a de la aplicación • Ma lab Ma lab aba ca las uncionalidades básicas y p incipales de la aplicación, consis en es en el en enamien o de la ed LSTM y la clasi icación de acciones una ez ac ualizados los pesos de las di e en es capas as dicho en enamien o. Una ez ealizado el en enamien o, se p ocede a ac i a los senso es en el disposi i o mó il y a cap u a los da os de la acele ación pa a p ocede a la clasi icación de la acción ejecu ada en ese momen o y que cons i uyen las en adas a la ed en enada. • ThingSpeak ThingSpeak p opo ciona y habili a la posibilidad de ges ión y almacenamien o de los da os en la nube. Cuando se comple a la clasi icación de acciones, se in oducen los da os ob enidos de los senso es en el co espondien e canal de ThingSpeak así como la acción ealizada, lo que si e pa a pode accede al his o ial de odas las acciones ealizadas, además de posibili a la publicación de los wee s co espondien es según la acción ealizada. En es e caso, se a a de una uncionalidad especí ica p og amada a a és de la in e az de aplicaciones que p opo ciona ThingSpeak. 27 3.2.2 Diseño En la igu a 3.2 se mues a la pan alla p incipal de la aplicación. En la pa e izquie da se encuen an las en anas de acceso a las dis in as uncionalidades implemen adas, a sabe : • En enamien o de la ed. • P epa ación del en o no de ope ación, a a és del cual se ca ga la ed p e iamen e en enada, así como la iden i icación del disposi i o mó il que se u iliza á pa a la cap u a de acciones a a és de los senso es de mo imien o. • Clasi icación de una acción en unción de los alo es de acele ación p opo cionados po los senso es del disposi i o mó il. • Acceso al his o ial de las ac i idades median e los se icios de ThingSpeak. En el panel de la pa e de echa de la igu a 3.2 se mues a un con endo ela i a a una ep esen ación g á ica, en es e momen o acía, de los da os de la acele ación y el nomb e de la acción ealizada, que se ac ualiza una ez e minado el p oceso de clasi icación. Figu a 3.2 Vis a p incipal de la aplicación 28 3.2.2.1 Funcionalidades • En enamien o Como se ha mencionado p e iamen e, bajo el pa adigma de Ap endizaje P o undo, se en ena una ed de ipo LSTM con los da os de los senso es de mo imien o, conc e amen e los co espondien es a la acele ación, ob enidos median e un disposi i o mó il y u ilizando las componen es del ec o acele ación según sus co espondien es es ejes X, Y, Z. Pa a el en enamien o se dispone de seis secuencias de da os de acele ación con el núme o de da os que se mues a en la abla siguien e. Son da os disponibles en el eposi o io de Ma lab. En la igu a 3.3 se mues a una ep esen ación de los da os de acele ación pa a la secuencia de en enamien o núme o 3, con sus 56.416 da os. Todas las secuencias con ienen da os co espondien es a las cinco acciones indicadas, que po o a pa e cons i uyen las e ique as u ilizadas como e e encia pa a el en enamien o. Secuencia 1 2 3 4 5 6 Núme o de da os 64.480 53.396 56.416 50.688 51.888 54.256 Tabla 3.1 Secuencias y núme o de da os de acele ación Figu a 3.3 Rep esen ación de da os de en enamien o pa a la secuencia 3 Cuando los da os de econocimien o de la ac i idad humana es án ca gados, se de ine la a qui ec u a de la ed LSTM indicando como en ada secuencias de amaño 3, especi icando una capa LSTM con 200 unidades ocul as y gene ando una secuencia comple a al y como se 29 mues a en la igu a 3.4, S2S (2022). Donde la secuencia de en ada (sequenceinpu ) cons i uye el nodo de en ada, que conec a con la mencionada es uc u a LSTM y a pa i de aquí las salidas se p oyec an sob e una capa o almen e conec ada ( c, ully connec ed), que a su ez se enlaza con la capa so max pa a de e mina las p obabilidades de pe enencia de cada da o de acele ación a una de las clases p e is as (Dancing, Running, Si ing, S anding, Walking), de o ma que en la capa inal classou pu se de e mina la acción co espondien e en unción de la máxima p obabilidad ob enida en la mencionada capa so max. Figu a 3.4 Modelo de la ed con la es uc u a LSTM inse ada Con inuando con la igu a 3.5, se mues a el panel co espondien e a lo que se denomina Sol e , la Tasa o azón inicial de ap endizaje y el Núme o máximo de épocas del en enamien o po de ec o, si bien al y como se ha de inido la aplicación es os alo es son modi icables. El Sol e , que se e ie e al algo i mo de op imización u ilizado, da la opción de elegi uno de los siguien es alo es (Paja es y col., 2021): • sgdm (s ochas ic g adien descen wi h momen um) – u iliza el op imizado SGDM. • adam – u iliza el op imizado Adam. • msp op – u iliza el op imizado RMSP op. El núme o máximo de épocas es el núme o de eces que el algo i mo p ocesa odo el conjun o de en enamien o. Respec o a la azón de ap endizaje inicial, si es muy baja el en enamien o se ex ende á con un mayo núme o de i e aciones, y si es muy al a el esul ado puede llega a se 30 subóp imo o di e gi . Es necesa io, po an o, busca un equilib io den o del ango de alo es pe mi ido, es o es [0,1], sin que exis a un c i e io cla o de cuál debe se el mejo alo , T ainingOp ions (2022). Figu a 3.5 Opciones de en enamien o de la ed • Inicio Con an e io idad a la clasi icación, pa a ecibi los da os que en ían los senso es de un disposi i o mó il es necesa io iden i ica dicho disposi i o. La cuen a en la que se inicie sesión de Ma lab Desk op o Ma lab Online debe se la misma que la de Ma lab Mobile. • Ac i idad U ilizando la ed LSTM ya en enada y ac i ando los senso es en el mó il, se p ocede a la clasi icación de la ac i idad desde la e sión de esc i o io u online de Ma lab, eniendo en cuen a pa a ello sólo los da os de acele ación en sus es componen es X, Y y Z, coincidiendo con los co espondien es alo es de en enamien o. • His o ial Se puede lle a a cabo un seguimien o de las acciones ealizadas con una abla que señala la echa y la ac i idad, como se obse a en la igu a 3.6. Las echas es a án o denadas de mayo a meno , eniendo así la más ecien e en la p ime a ila. Es a uncionalidad co esponde al diseño de ThingSpeak. 31 Con al p opósi o, el canal c eado en ThingSpeak cons a de cua o campos, en los que se in oducen da os cuando se ob iene el ipo de ac i idad a a és del p oceso de clasi icación en Ma lab con la ed LSTM. Es os campos se co esponden exac amen e con los es ejes mencionados de la acele ación y la clasi icación de la acción co espondien e, como se mues a en la igu a 3.6. Cuando se accede al his o ial, se ob ienen los da os p e iamen e in oducidos en el canal de ThingSpeak, igu a 3.7. Figu a 3.6 Vis a del his o ial de acciones Figu a 3.7 Campos del canal de ThingSpeak 32 • Twi e Cada ez que se egis a un mo imien o en ThingSpeak, se publica un wee po medio de las aplicaciones ThingTwee y Reac . Los wee s se indican po medio de la úl ima aplicación mencionada, de o ma que cada acción iene el suyo p opio, excep o cuando se de ec a que el usua io es á sen ado (Si ing), ya que en es e caso se publica un wee cuando se ob iene es a ac i idad dos o más eces seguidas, que co esponde a la eacción “Sin mo imien o” de la igu a 3.8. Cada una de las acciones se especi ica al y como se mues a en el ejemplo de la igu a 3.9. Figu a 3.8 Reacciones de la aplicación Reac de ThingSpeak inculadas a Twi e 33 Figu a 3.9 Reacción del mo imien o “Baila ” en Reac En ThingTwee se encuen a la cuen a de Twi e inculada con el usua io @EmmaTFG y las eacciones de és a, igu a 3.10. Figu a 3.10 ThingTwee 34 Capí ulo 4. Resul ados En es e capí ulo se mues an los esul ados de la aplicación según las uncionalidades de la aplicación desc i as an e io men e. 4.1 En enamien o Po de ec o se dispone de una ed p e iamen e en enada con la unción de op imización adam, u ilizando 60 épocas como alo máximo y 0.001 como azón de ap endizaje inicial. Si se quisie a cambia cualquie a de es os alo es, se in oduce en cada cuad o de ex o de la en ana co espondien e el alo que se desee y se pulsa sob e “Comenza en enamien o”. En o al apa ece án es g á icas, una al inicia es e p oceso y o as dos al inaliza lo, igu a 4.1. En la igu a 4.1(a) se mues a una secuencia de da os p e iamen e cap u ados con el disposi i o mó il, co espondien es a alo es de acele ación con los que se en ena el modelo de ed. Se iden i ican po su colo los da os de acele ación co espondien es a cada una de las cinco acciones que econoce la ed LSTM (Dancing, Running, Si ing, S anding, Walking), cap u ados a lo la go del iempo. Po o o lado, se dispone ambién de una se ie de da os de es , igualmen e p e iamen e cap u ados y almacenados co espondien es a alo es de acele ación pa a el mismo ipo de acciones p e is as. En es a g á ica apa ecen ep esen adas de o ma supe pues a es ipos de da os de es (Ca ac e ís icas 1, 2 y 3) a lo la go del iempo. U ilizando es os da os de es se p ocede a la alidación de los mismos clasi icando las acciones co espondien es con el modelo en enado, de es a o ma se ealiza una p edicción de los esul ados en cuan o a las acciones iden i icadas y a la ez se compa an con las acciones e dade as, que apa ecen ecogidas ambién en los da os de es . Es deci , los da os de es con ienen la acción que co esponde a cada e na de da os de acele ación. Es o pe mi e compa a los esul ados de la clasi icación del modelo LSTM con los de es , en lo que se conoce como alidación del modelo. De hecho, en el g á ico de la igu a 4.1(c) se ep esen an solapados an o los da os p edichos o clasi icados con el modelo, iden i icados como “P edicción”, como los e dade os, que se iden i ican como “Da os es ”. La o ma g á ica de de e mina el g ado de acie o consis e en analiza las disc epancias de colo según las g á icas de p edicción y da os de es , obse ándose una muy al a coincidencia, ya que las p edicciones (g á ica azul) ocul an los alo es del es (g á ica na anja). 35 Si an es de comenza el en enamien o no se dispone del a chi o de ed p e iamen e almacenado, se c ea á uno nue o as la inalización del en enamien o. En caso con a io, se sob esc ibi á el exis en e, ac ualizándose el modelo LSTM de ed en enado. (a) (b) (c) Figu a 4.1. (a) Da os de en enamien o del modelo LSTM; (b) Da os de es ; (c) Ac i idades p edichas Al empeza el en enamien o ambién eme ge á una en ana indicando el p og eso del és e. Po ejemplo, poniendo como épocas máximas 10, como sol e sgdm y la asa de ap endizaje inicial al alo 0.01, apa ece ía la en ana mos ada en la igu a 4.2. En la pa e izquie da se mues an dos g á icas, una co espondien e a la e olución de la p ecisión y o a a la unción de pé dida, y en la pa e de echa la in o mación ela i a al en enamien o, así como la leyenda de las líneas de cada g á ica. Como se ha indicado p e iamen e, las g á icas si en pa a de e mina el p og eso de la p ecisión y pé dida de la ed. Cada una de ellas mues an es ipos de da os, aunque en es a 42 • Añadi más a isos a a és de wee s, po ejemplo, si no se ha de ec ado mo imien o en un día en e o, como ale a an e si uaciones no deseadas. • O ece la posibilidad de en ena los modelos LSTM con dis in os ipos de acciones, no necesa iamen e las es ablecidas po de ec o. De es a o ma, pa a la clasi icación se pod án u iliza dis in os ipos de ed en enada a elección del usua io. • Añadi , median e la in e az de usua io, la posibilidad de in oduci odos los pa áme os con igu ables pa a el en enamien o, ci ando exp esamen e el umb al de g adien e o la ecuencia de alidación de la ed, cuyo obje i o es pode ob ene una ed en enada más pe sonalizada. • Añadi más ipos de mo imien os, que se añadan a la base de mo imien os p ees ablecidos. • Añadi una nue a uncionalidad pa a pa a ese ea el his o ial de mo imien os, bo ando los campos del canal co espondien e en ThingSpeak. • Añadi es adís icas de los mo imien os ealizados, cada cie o pe iodo de iempo, po ejemplo dia io, semanal o mensual, incluyendo g á icas y po cen ajes ac ualizados. 43 Chap e 5. Conclusions and u u e wo k 5.1 Conclusions Thanks o he use o he ools p o ided by Ma lab and ThingSpeak, i has been possible o de elop he applica ion p esen ed, which consis s o he classi ica ion o human ac ions acco ding o he mo emen pe o med. The mo ion da a a e cap u ed by he senso s o a mobile de ice, speci ically accele a ion alues in he h ee axes X, Y, Z. The applica ion design consis s o a use in e ace, which gi es access o he p ocesses implemen ed unde i s co e age. One such p ocess is he aining o a ne wo k o he LSTM ype, wi hin he Deep Lea ning pa adigm, whose a chi ec u e consis s o a se ies o sequen ial cells in ime, ha ing as inpu he a o emen ioned accele a ion da a. A second p ocess is he classi ica ion o new ac ions, also using accele a ion da a, ob iously once he ne wo k has been ained. Bo h unc ionali ies a e de eloped in Ma lab. A hi d associa ed unc ionali y consis s o he connec ion o a cloud se e o da a logging and s o age, as well as he his o y o ac ions pe o med. This is done h ough he se ices o e ed by he ThingSpeak pla o m, specially designed o wo k unde he IoT pa adigm. Taking ad an age o he esou ces and se ices o e ed by ThingSpeak, an e en has been p og ammed ha connec s wi h he social ne wo k Twi e and allows ecei ing wee s in an accoun o ha ne wo k con aining in o ma ion o he ac ions pe o med. All his wi h he consequen in e ne co e age. The es s ca ied ou ha e allowed o e i y he co ec unc ioning o he applica ion de eloped o he di e en ypes o mo emen s o eseen wi h which he ne wo k has been ained. 5.2 Fu u e wo k Looking ahead, he app could be imp o ed by making he ollowing changes and ex ensions disco e ed du ing de elopmen : • Add mo e wa nings h ough wee s, o example, i no mo emen has been de ec ed o a whole day, as an ale o unwan ed si ua ions. 44 • O e he possibili y o aining LSTM models wi h di e en ypes o ac ions, no necessa ily hose es ablished by de aul . In his way, o he classi ica ion, di e en ypes o ained ne wo k can be used a he use 's choice. • Add, h ough he use in e ace, he possibili y o in oducing all he con igu able pa ame e s o aining, exp essly ci ing he g adien h eshold o he ne wo k alida ion equency, whose objec i e is o be able o ob ain a mo e pe sonalized ained ne wo k. • Add mo e ypes o mo emen s, which a e added o he base o p e-es ablished mo emen s. • Add a new unc ionali y o ese he his o y o mo emen s, dele ing he ields o he co esponding channel in ThingSpeak. • Add s a is ics o he mo emen s made, e e y ce ain pe iod o ime, o example daily, weekly o mon hly, including g aphs and upda ed pe cen ages. 45 Bibliog a ía 1. Bishop, C.M. (2006). Pa e n Recogni ion and Machine Lea ning, Sp inge , NY, USA. 2. Ge s, F.A, Sch audolph, N.N., Schmidhube , J. (2002). Lea ning p ecise iming wi h LSTM ecu en ne wo ks. Jou nal o Machine Lea ning Resea ch, 3,115–143. 3. Good ellow, I., Bengio, Y., Cou ille, A. (2016). Deep lea ning. MIT P ess. Disponible on- line: h ps://www.deeplea ningbook.o g/ (Accedido Ma zo 2022). 4. G a es, A. (2013). Gene a ing sequences wi h ecu en neu al ne wo ks, Compu e Science. a Xi :1308.0850. 5. Hoch ei e , S., Schmidhube , J. (1997). Long sho - e m memo y. Neu al Compu a ion, 9(8), 1735–1780. 6. Olah, C. (2015). Unde s anding LSTM Ne wo ks. Disponible on-line: h p://colah.gi hub.io/pos s/2015-08-Unde s anding-LSTMs/ (Accedido Ma zo 2022). 7. Paja es, G., He e a, P.J., Besada, E. (2021). Ap endizaje P o undo. RC-Lib os, Mad id. 8. Rego-D umond, R., Do a-Ma ques, B., Nade -Vasconcelos, C. Clua, E. (2018). PEEK - An LSTM Recu en Ne wo k o Mo ion Classi ica ion om Spa se Da a. In P oc. 13 h In e na ional Join Con e ence on Compu e Vision, Imaging and Compu e G aphics Theo y and Applica ions - Volume 1: GRAPP, pp. 215-222. 9. Rumelha , D.E., Hin on, G.E., Williams, R.J. (1986). Lea ning ep esen a ions by back- p opaga ing e o s. Na u e. 323 (6088), 533–536. 10. Rude , S. (2017). An o e iew o g adien descen op imiza ion algo i hms. a Xi :1609.04747 2 [cs.LG]. 11. S2S (2022) Sequence- o-Sequence Classi ica ion Using Deep Lea ning. Disponible on-line: h ps://es.ma hwo ks.com/help/deeplea ning/ug/sequence- o-sequence-classi ica ion- using-deep-lea ning.h ml (Accedido Ab il 2022). 12. AI (2022). A i icial in elligence. The Alan Tu ing Ins i u e. Disponible on-line: h ps://www. u ing.ac.uk/ esea ch/ esea ch-p og ammes/a i icial-in elligence-ai (Accedido Ab il 2022). 13. Casado-Fe nández, M.C. (2022). Manual Básico de Ma lab. Se icios In o má icos U.C.M. Apoyo a In es igación y Docencia. Disponible on-line: h ps://webs.ucm.es/cen os/con /desca gas/documen o11541.pd (Accedido Ab il 2022). 46 14. Ma lab (2022). Desc ipción del p oduc o MATLAB. Disponible on-line: h ps://es.ma hwo ks.com/help/ma lab/lea n_ma lab/p oduc -desc ip ion.h ml (Accedido Ab il 2022). 15. T ainingOp ions (2022). Op ions o aining deep lea ning neu al ne wo k. Disponible on- line: h ps://es.ma hwo ks.com/help/deeplea ning/ e / ainingop ions.h ml (Accedido Ab il 2022). 47 ANEXO: Manual de usua io A con inuación se desc iben los pasos necesa ios y las ins ucciones co espondien es pa a la ejecución de la aplicación, cuyo código se encuen a en el siguien e enlace: h ps://gi hub.com/emma ala e a/TFG.gi Pasos p e ios Pa a pode ejecu a la aplicación, es necesa io segui p e iamen e es os pasos: 1. Desca ga Ma lab Desk op. 2. Desca ga Ma lab D i e. 3. Ins ala en el mó il Ma lab Mobile. 4. Ins ala en Ma lab Desk op los siguien es oolboxes: Deep Lea ning Toolbox, MATLAB Suppo Package o Apple iOS Senso s o MATLAB Suppo Package o Apple And oid Senso s, Senso Fusion and T acking Toolbox. Ins ucciones En enamien o Como ya se ha explicado an e io men e, se dispone de un a chi o de ed en enada po de ec o llamado “RedLSTM” con la unción de op imización adam, u ilizando 60 épocas como alo máximo y 0.001 como azón de ap endizaje inicial. Si se quie e modi ica algún campo, se in oducen los nue os alo es y se debe pulsa sob e “Comenza en enamien o”. Es o sob esc ibi á el a chi o exis en e. Si se desea, se puede pa a es e p oceso pa a que el a chi o no se ea modi icado, pulsando sob e el bo ón de s op si uado en la pa e de a iba a la de echa. Clasi icación Pa a lle a a cabo la clasi icación, se debe ab i la aplicación Ma lab en el disposi i o mó il que se aya a usa y ac i a odos los senso es. Una ez hecho es o, se pulsa á sob e el bo ón “Inicio” de la página p incipal y po úl imo “Clasi icación”. 48 La clasi icación apa ece á en la pa e de echa de la is a, jun o con el diag ama co espondien e a la acele ación. Además, se publica á un wee con la acción ealizada en la cuen a que es á asociada a ThingSpeak (@EmmaTFG). His o ial Pa a e el his o ial de mo imien os, pulsa sob e “His o ial” de la página p incipal.