Técnicas de Deep Learning para el reconocimiento de movimientos corporales

1 FACULTAD DE INFORMÁTICA GRADO EN INGENIERÍA DEL SOFTWARE TRABAJO DE FIN DE GRADO TÍTULO Técnicas de Deep Lea ning pa a el econocimien o de mo imien os co po ales Deep Lea ning echniques o ecognizing body mo emen s AUTOR Robe o Pa ón Bení ez DIRECTOR Gonzalo Paja es Ma insanz 2 RESUMEN En es e abajo se de alla el diseño y desa ollo de un sis ema de econocimien o de ac i idades humanas (HAR, human ac i i y ecogni ion) median e edes neu onales, así como la labo de in es igación ealizada sob e écnicas y p oyec os simila es ealizados sob e es e mismo campo. El sis ema desa ollado cons a de a ios módulos que hacen uso e in e ac úan a a és de in e ne , es ando en pa e alojados en la nube. Conc e amen e, el diseño de la aplicación con iene dos módulos p incipales, una aplicación mó il pa a sis emas And oid y una aplicación web alojada en un se ido . La p ime a, ins alada en un disposi i o mó il, ecaba da os de los senso es del disposi i o (senso es de acele ación y mo imien o) y los en ía al se ido po in e ne pa a se analizados. La aplicación web consis e en una api REST, que hace uso de una ed neu onal en enada pa a ealiza p edicciones sob e la ac i idad que se es á ealizando, basándose en los da os ecibidos. El ipo de ed empleado es una ed ecu en e de ipo Long-Sho -Te m Memo y (LSTM), basada en los abajos publicados po Ma lab sob e clasi icación y p edicción sequence- o-sequence. Es a he amien a es ambién la que se ha empleado pa a desa olla el modelo de ed y ealiza los en enamien os necesa ios. El p oceso de p edicción se inicia cuando el usua io selecciona la opción co espondien e en su disposi i o mó il. Desde ese momen o, cada dos cen ésimas de segundo se en ía po in e ne un paque e de da os al se ido , con eniendo in o mación sob e la si uación ac ual en la que se encuen a el apa a o según la ac i idad que se es é ealizando. El se ido analiza cada uno de es os paque es, los p ocesa y se los pasa a la ed neu onal. És a ealiza una p edicción, con cie o g ado de segu idad, que se almacena en la base de da os del se ido . Además de ealiza p edicciones, la aplicación mó il pe mi e ambién en ia da os con una clase asociada ela i a a la ac i idad que se es á ealizando. Es os da os se almacenan ambién en la base de da os y se pueden u iliza pos e io men e pa a een ena la ed y ealiza nue as p uebas. Al accede a la aplicación web a a és de una URL desde un na egado , se puede ab i una página web donde se mues a, en iempo eal, la ac i idad que la ed p edice que es á ealizando ac ualmen e el usua io que lle a el disposi i o mó il, jun o con el po cen aje de acie o espec o de la p edicción ealizada. Se desc iben las ases de desa ollo de la aplicación comenzando po el es udio y análisis de algo i mos de deep-lea ning a es e ámbi o de econocimien o de ac i idades humanas, así como odo el p oceso de ensayo y p uebas ealizado sob e dis in os modelos de edes pa a ob ene los esul ados más óp imos, con esul ados sa is ac o ios. PALABRAS CLAVE Redes neu onales ecu en es (RNN) – Memo ia a co o y la go plazo (LSTM) – Reconocimien o de ac i idades humanas (HAR) – In e az de p og amación de aplicaciones (API) – Ap endizaje p o undo – P edicción 3 ABSTRACT This wo k explains he design and de elopmen o a human ac i i y ecogni ion sys em (HAR) using neu al ne wo ks, as well as he esea ch wo k ca ied ou o e his speci ic ield du ing he p ocess. The de eloped sys em consis s o se e al modules ha use and in e ac h ough he in e ne , being pa ly hos ed in he cloud. Speci ically, he design o he applica ion consis s o wo main modules, a sma phone applica ion de eloped o And oid sys ems and a web applica ion deployed on a se e . The Sma phone app collec s da a om he senso s on he mobile de ice (accele a ion and mo emen senso s), sending hem o he se e h ough he in e ne o be analysed. The web applica ion consis s o a REST api, ha uses a p e iously ained neu al ne wo k o make p edic ions abou he ac i i y ha i s being pe o med based on he ecei ed da a. The ype o ne wo k used is a ecu en ne wo k o ype long-sho - e m memo y (LSTM), based on he wo ks published by Ma lab abou sequence- o-sequence classi ica ion and p edic ion. This is also he ool used o de elop he ne wo k model and o pe o m he equi ed aining p ocesses. The p edic ion p ocess s a s when he use selec s he co esponding op ion on his sma phone. F om ha momen , e e y wo hund ed hs o a second a da a package is sen h ough he in e ne o he se e , con aining in o ma ion abou he cu en si ua ion o he de ice, depending on he ac i i y being ca ied ou . The se e analyses e e y one o his packages, p ocesses hem, and eeds hem o he neu al ne wo k. I hen makes a p edic ion, wi h a ce ain deg ee o eliabili y, which is s o ed on he se e da abase. Besides he p edic ion making, he app also allows o sending da a agged wi h he co esponding class desc ibing he ac i i y cu en ly being pe o med. This da a is also s o ed in he da abase and can be used la e o ain and es he ne wo k. When accessing he web applica ion h ough a URL in a b owse a webpage can be expanded displaying, in eal ime, he cu en ac i i y p edic ed by he ne wo k, which is ca ied ou by he use bea ing he sma phone, is shown, alongside he ce ain y o he p edic ion made. The de elopmen phases o he applica ion a e desc ibed, s a ing wi h he s udy and analysis o deep-lea ning algo i hms in his ield o HAR, as well as he en i e ial and es ing p ocess ca ied ou on di e en ne wo k models o ob ain he op imal solu ions, wi h sa is ac o y esul s. KEYWORDS Recu en neu al ne wo ks (RNN) – Long-sho - e m memo y (LSTM) – Human ac i i y ecogni ion (HAR) – Applica ion p og aming in e ace (API) – Deep lea ning – P edic ion 4 CONTENIDO Resumen .............................................................................................................. 2 Palab as cla e ...................................................................................................... 2 Abs ac ............................................................................................................... 3 Keywo ds ............................................................................................................. 3 1- In oducción ..................................................................................................... 6 1.1- Reconocimien o de ac i idades humanas ................................................... 6 1.2- Es ado del a e ........................................................................................ 6 1.3- Obje i os ................................................................................................ 7 1.4- ORGANIZACIÓN DE LA MEMORIA ...................................................... 7 2 – in oduc ion .................................................................................................... 8 2.1- Human ac i i y ecogni ion ................................................................... 8 2.2- S a e o he a ..................................................................................... 8 2.3- OBJECTIVES ...................................................................................... 9 3- Re isión de mé odos y écnicas.......................................................................... 9 3.1- Mé odos empleados ................................................................................. 9 3.2- Redes LSTM ........................................................................................... 9 3.2.1- En enamien o ................................................................................. 12 3.2.2- Clasi icación ................................................................................... 14 4- Diseño de la aplicación .................................................................................... 15 4.1- Cap u a de da os ..................................................................................... 16 4.1.1- Modelo............................................................................................ 16 4.1.2- P oceso de cap u a ........................................................................... 17 4.1.3- P ep ocesamien o de da os ................................................................ 17 4.1.4- Es uc u as de da os empleadas ......................................................... 22 4.2- A qui ec u a ........................................................................................... 22 4.2.1- Ma lab y ma lab d i e ...................................................................... 22 4.2.2- And oid, ma lab y Thingspeak .......................................................... 23 4.3- Implemen ación................................................................................... 24 4.3.1- Red neu onal ................................................................................... 24 4.3.2- Aplicación mó il ............................................................................. 25 4.3.3- Se ido .......................................................................................... 28 4.4- Alojamien o del código .............................................................................. 30 5- Resul ados ...................................................................................................... 30 5.1- Recu sos u ilizados .................................................................................... 30 5.1.2- sma phone ...................................................................................... 31 5.2- Recogida de da os ................................................................................... 31 5 5.3- P oceso de en enamien o ........................................................................ 31 6- Conclusiones y abajo u u o ........................................................................... 36 7- Conclusions and u u e wo k ............................................................................ 38 Re e encias ......................................................................................................... 39 Apéndice............................................................................................................. 40 A) INSTALACIÓN DE la aplicación web...................................................... 40 Ve sión ab e iada ......................................................................................... 40 Ve sión de allada .......................................................................................... 40 B) INSTALACIÓN DE la aplicación and oid ................................................ 42 C) Manual de uso ........................................................................................ 42 6 1- INTRODUCCIÓN 1.1- RECONOCIMIENTO DE ACTIVIDADES HUMANAS El econocimien o de la ac i idad humana (HAR, Human Ac i i y Recogni ion) cons i uye un campo de in e és de las ecnologías de ap endizaje au omá ico. De ine de o ma gene al el campo de p edicción de acciones y mo imien os ísicos que un agen e humano lle a a cabo en un momen o de e minado, ales como camina , co e , pe manece sen ado, en e o as a ias, que pueden de ini se con enien emen e. Con al p opósi o, se oman da os senso iales elacionados con el mo imien o. En el p esen e p oyec o, es os da os de mo imien o se ob ienen u ilizando los senso es con enidos en un sma phone. Gene almen e, los senso es acoplados en es os disposi i os son: Acele ación, Velocidad Angula , O ien ación, Campo Magné ico y Posición. Si bien, pa a el caso de de ección de la ac i idad son los elacionados con el mo imien o los ealmen e e icien es. En el p esen e p oyec o se u ilizan los da os de Acele ación, Velocidad Angula y O ien ación como base pa a la de e minación de la Ac i idad p e endida. Así, es a o ma de ealiza p edicciones en base a senso es es dis in i amen e di e en e de o os sis emas basados en isión a i icial. Pa a el análisis de es os da os se u ilizan écnicas de ap endizaje p o undo (deep lea ning), que se p ocesan en emo o. 1.2- ESTADO DEL ARTE Ac ualmen e exis en di e sas aplicaciones de es e ipo de ecnologías, que an desde el empleo di ec o de la in o mación ob enida, po ejemplo, como pa e del p oceso de ehabili ación de un pacien e con lesiones ce eb ales median e asis encia emo a o el cuidado de pe sonas ancianas (Kozina y col., 2013); has a la inse ción de es os sis emas en o os más complejos que lle an a cabo p ocesos au omá icos, po ejemplo a e igua en qué piso de un edi icio se encuen a alguien analizando simplemen e si ha subido escale as o omado un ascenso , o deduciendo el núme o de escalones que ha ascendido y el núme o de pasos que ha dado (Ye y col., 2012) . Exis en dis in os mé odos de ealiza HAR, pe o la o ma más e ec i a es u iliza algo i mos de deep-lea ning. Exis en dos ipos p incipales de edes neu onales aplicables a es a ac i idad: CNN y RNN. Las edes CNN (con olucionales) se desa olla on pa a el econocimien o de imágenes, y son hábiles a la ho a de des ila una en ada compleja en elemen os esenciales, e ec i amen e abs ayendo los da os y eliminando de alles innecesa ios. Las RNN ( ecu en es) son edes en las que la salida de una neu ona uel e a la p opia neu ona como en ada, añadiendo un componen e de iempo en el modelo. Tienen la peculia idad de que pueden ap ende no solo de da os si no de secuencias de los mismos. Un caso de p oyec o HAR que u iliza edes con olucionales pa a ealiza el econocimien o es el que desc iben Zhou y col. (2019). En su p oyec o, de allan un mé odo de ecogida de da os u ilizando los senso es de un Sma phone de o ma simila al de es e p oyec o, segmen ando los da os en unidades empo ales que si en de en ada pa a la ed neu onal con olucional. Es e sis ema es capaz de iden i ica con un 98% de p ecisión, en al ededo de dos segundos, nue e ipos dis in os de ac i idades. 7 O os p oyec os de econocimien o de ac i idades, como el p opues o po Abdulmajid- Mu ad (2017), hacen uso de las edes LSTM, un ipo de RNN ( e pun o 2.2), como al e na i a supe io a las CNN. El uso de es as edes soluciona algunas limi aciones de las edes con olucionales, p incipalmen e el hecho de que las CNN u ilizan una ma iz de ca ac e ís icas denominada ke nel a a és de la cual il an una en ada, lo que implica que la en ada de da os debe ene una longi ud ija. Las edes ecu en es u ilizadas en es e a ículo no ienen es a dependencia, lo que les pe mi e u iliza secuencias de en ada de da os de longi ud a iables, en e o as en ajas como pode cap u a dependencias a la go plazo en e los da os de en ada. Los expe imen os desc i os en es e úl imo a ículo indican que las edes ecu en es de ipo LSTM o o gan mejo es esul ados que mé odos de ap endizaje au omá ico con encional, e incluso que o os mé odos de deep lea ning como las edes CNN, po lo que en es e p oyec o se u ilizan es e ipo de edes ecu en es pa a ealiza las clasi icaciones. 1.3- OBJETIVOS El obje i o inal es pode p edeci en iempo eal, con un índice acep able de éxi o, la ac i idad que es á lle ando a cabo una pe sona en base a los da os que se eciben desde su sma phone, con especial én asis en la explo ación y compa ación de dis in as ecnologías y mé odos de en ío de da os. Pa a ello se plan ean los siguien es obje i os especí icos: 1. Desa olla un módulo de cap u a de da os senso iales. Debe se capaz de cap u a y almacena mues as de o ma consis en e, así como ealiza cap u as en iempo eal pa a pode ealiza p edicciones. 2. Diseña y desa olla un modelo de ed neu onal de ipo Long-Sho -Te m Memo y que se adap e a las necesidades de la aplicación y sea capaz de ealiza clasi icaciones ace adas de o ma consis en e. 3. In eg a las écnicas y módulos an e io es pa a desa olla la aplicación inal. El plan de abajo se es uc u a según es os mismos pun os, que cons i uyen las a eas del mismo secuenciadas en el iempo a lo la go del desa ollo de es a p opues a. 1.4- ORGANIZACIÓN DE LA MEMORIA La memo ia se o ganiza como sigue, además de es a misma sección y su aducción, con iene las siguien es. En la sección es se desc iben los mé odos y concep os eó icos aplicados. La sección cua o desc ibe el diseño de la aplicación. La sección cinco incluye los esul ados ob enidos. La sección seis con iene las conclusiones y abajos u u os. Además, se incluye un apéndice que desc ibe la o ma de ins ala la aplicación. 8 2 – INTRODUCTION 2.1- HUMAN ACTIVITY RECOGNITION Human ac i i y ecogni ion is a ield o in e es o machine lea ning echnology. I b oadly de ines he ields o p edic ing ac ion and physical mo emen o a human agen in a speci ic mo emen , such as walking, unning, laying, among o he s ha can be de ined as needed. Wi h such pu pose, i akes use o mo emen ela ed o da a acqui ed om senso s. In his p ojec , he da a collec ed comes om he senso s embedded in a sma phone. No mally, his kind o de ice con ains a leas senso s o : accele a ion, angula eloci y, o ien a ion, magne ic ield and posi ion. Howe e , o his speci ic use o ac i i y de ec ion, only he ones ela ed o mo emen a e eally needed. In his p ojec he da a used a e om accele a ion, angula eloci y and o ien a ion senso s. This way o using senso s is dis inc ly di e en om a i icial ision ela ed echniques. Fo he analysis o his da a, deep-lea ning echniques a e used, by p ocessing he da a emo ely. 2.2- STATE OF THE ART Cu en ly, he e a e se e al uses o his ype o echnology, anging om he di ec use o he ob ained in o ma ion, o example, as pa o he ehabili a ion p ocess o pa ien s wi h b ain lesions using emo e assis ance, o he inse ion o his kind o sys ems in o bigge and mo e complex ones, ha au oma ize some p ocesses, such as inding ou he loca ion o someone inside a building analysing simple da a like how many s ai s o ele a o ha e hey aken o how many s eps ha e hey climbed. The e a e di e en ways o pe o ming HAR, bu he mos e ec i e way is o use deep- lea ning algo i hms. The e a e wo main ypes o neu al ne wo ks ha can pe o m his unc ion: CNN (Con olu ional Neu al Ne wo ks) and RNN (Recu en Neu al Ne wo ks). CNN we e de eloped o image ecogni ion, and a e excep ionally good o da a abs ac ion and o disc imina ing unnecessa y de ails. RNN a e ne wo ks in which he ou pu o a neu on comes back o i as pa o a new inpu , adding a empo al componen o he model. They ha e he peculia i y o being able o lea n no only om indi idual se s o da a, bu om ull sequences as well. An example o HAR using CNN would be he one desc ibed by Zhou y col. (2019). He e hey de ail a me hod o using sma phone senso s o acqui e da a in a simila way han he one used in his p ojec , segmen ing hose da ase s in empo al uni s ha wo k as inpu s o he CNN. This sys em is able o iden i y wi h a p ecision o 98%, in a ound wo seconds, nine di e en ac i i ies. O he HAR p ojec s, such as he one epo ed in (Abdulmajid Mu ad, 2017), p opose using LSTM, a ype o RNN, as an al e na i e supe io in pe o mance o CNN. This kind o ne wo ks sol e some p oblems a isen in CNN, mos ly he ac ha CNN use ma ices o cha ac e is ics, named ke nels, o il e inpu s. This means such inpu mus ha e a ixed leng h. RNN don’ need hese s uc u es, allowing hem o accep inpu s o a iable leng h. This ep esen s an ad an age, among o he s, such as i s abili y o cap u e dependencies be ween long- e m inpu s. 9 Expe imen s desc ibed in such e e ence indica e ha LSTM ob ain be e esul s han mo e con en ional machine lea ning me hods and e en be e han o he deep lea ning ones, such as CNN. This jus i ies he p oposed me hod on his p ojec in o de o make p edic ions. 2.3- OBJECTIVES The inal objec i e is o be able o p edic , in eal ime, wi h an accep able pe o mance, he ac i i y ha a pe son is ca ying ou based on he da a ecei ed om he sma phone, wi h special emphasis on he explo a ion and compa ison o di e en echnologies and da a submission me hods. Fo his, he ollowing speci ic objec i es a e p oposed: 1. De elop a senso y da a cap u e module, being able o consis en ly cap u e and s o e da a samples, as well as cap u e hem, in eal ime in o de o make p edic ions. 2. Design and de elop a Long-Sho -Te m Memo y neu al ne wo k model adap ed o he applica ion equi emen s, and being able, o consis en ly, making accu a e classi ica ions. 3. In eg a e he p e ious echniques and modules o de elop he inal applica ion. The wo k plan is s uc u ed acco ding o hese same poin s, which cons i u e he asks sequenced in ime h oughou he de elopmen o his p oposal. 3- REVISIÓN DE MÉTODOS Y TÉCNICAS 3.1- MÉTODOS EMPLEADOS En es e p oyec o se u ilizan edes LSTM (Long-Sho Te m Memo y), que son una subca ego ía de RNN que almacena en su memo ia una secuencia an e io de en adas. Es as edes p es an a ención especial a e o es y p edicciones ealizadas a lo la go del iempo en una misma secuencia, es o se llama e op opagación a a és del iempo. En la igu a 1 apa ece ep esen ada g a icamen e la es uc u a de una ed ecu si a. En la mi ad in e io se ep esen a con su capa ocul a desplegada. En el eje in e io se ep esen a el iempo. Las conexiones en e unidades de la capa ocul a, jun o con su peso asociado, se ep esen an de o ma ho izon al dando a en ende la ca ac e ís ica secuencial de la ed. 3.2- REDES LSTM Las edes LSTM su gen como un in en o de a on a el mayo p oblema que su ge de implemen a una ed con memo ia long- e m, la di icul ad pa a man ene g adien es que se e o-p opagan a lo la go de muchos es ados. Es os ienden a desapa ece o a explo a , lo cual a ec a a la op imización. 16 4.1- CAPTURA DE DATOS 4.1.1- MODELO Se u ilizan es senso es: un acele óme o, un gi oscopio y un senso de o ien ación, que egis an acele ación lineal, acele ación angula y o ien ación del disposi i o, espec i amen e. Es as medidas se oman en g upos de alo es, que co esponden a es as magni udes en cada uno de los es ejes ca esianos, o mando un o al de nue e alo es po cada medida. Que con o man la en ada de da os, al y como se desc ibe en el apa ado 2.2.2. El modelo de a qui ec u a diseñado es el que se mues a en la Figu a 11. Cons a de una unidad que p opo ciona la secuencia de en ada empo al, de o ma que cada elemen o de en ada x , de inido p e iamen e es idimensional, que con iene los co espondien es alo es de acele ación en los es ejes X,Y y Z. Son en adas p opo cionadas po el senso de cap u a de da os. La segunda es uc u a de ipo LSTM con 200 unidades o celdas de ac i ación. Como se ha de inido p e iamen e (sección 2.2.1), cada una de es as celdas es á ca ac e izada po los co espondien es ma ices de pesos, Ux y Wh con las siguien es dimensiones 400×9 y 400×200 espec i amen e, además del bias bi de dimensión 400×1. A es a es uc u a le sigue una capa o almen e conec ada (FC) con la co espondien e ma iz de pesos de conexión de dimensión 3×200, donde la p ime a dimensión ep esen a el núme o de acciones y po an o las clases de la ed. El modelo con inúa con una capa de ipo so max, con los alo es co espondien es a cada clase con enien e ans o mados a a és de la unción de ac i ación del mismo nomb e y po an o, co espondiéndose ambién con cada una de las acciones a clasi ica : walking, unning y si ing. FIGURA 11- ESTRUCTURA DE LA RED En la igu a 12 se mues a la ep esen ación g á ica de una secuencia de en ada mos ando la e olución a lo la go del iempo (eje X) y los da os de o ien ación y acele ación a izquie da y de echa espec i amen e (eje Y). 17 FIGURA 12- DATOS CAPTURADOS EN EL PLANO Z A LO LARGO DEL TIEMPO 4.1.2- PROCESO DE CAPTURA Pa a man ene una ecuencia en la cap u a de los da os, es a se ealiza de o ma asínc ona a las lec u as de los senso es, que se ac ualizan cada ez que se de ec a un cambio. Es o signi ica que se debe emplea una ecuencia de cap u a que pe mi a man ene la p ecisión de los mismos, pe o no sea an al a que se cap u en da os an es de que los senso es hayan enido iempo de ac ualiza sus lec u as, mandando da os epe idos. Cabe des aca que los senso es son muy sensibles y de ec a an cambios incluso en es ado de eposo. Se oman como e e encia eposi o ios de dominio público que han cap u ado da os u ilizando mé odos simila es a los p opues os en es e p oyec o (Angui a y col., 2013), los cuales emplean una ecuencia de 50 cap u as po segundo con buenos esul ados. La ecuencia de ac ualización de los senso es es mucho mayo , de modo que se puede emplea es a misma ecuencia de cap u a. Jun o con los da os cap u ados po los senso es, se en ía una secuencia de ca ac e es que desc ibe la ac i idad sob e la que se es án cap u ando da os; y un iden i icado único pa a pode di e encia secuencias de da os dis in as. Es e iden i icado se gene a al inicio de una sesión de cap u a. 4.1.3- PREPROCESAMIENTO DE DATOS An es de en ia los da os al se ido , han de se con enien emen e p e-p ocesados y p epa ados. Se ealizan dos ipos p incipales de p e-p ocesamien o: FILTRADO DE RUIDO: Los senso es de acele ación (lineal y angula ) son especialmen e uidosos. Es e ipo de uido consis e en cap u as que ienen alo es exage adamen e al os con espec o al es o de da os. El mé odo más e ec i o pa a elimina el uido, es ealiza a ias cap u as en un pe iodo co o de iempo, y hace la media en e odas ellas. Es deci , si se en ía un o al de 60 da os po segundo, y los senso es pueden ealiza 120 cap u as po segundo, se pueden ealiza dos cap u as y hace la media po cada alo del senso que en iamos al se ido . En la p ác ica, la aplicación puede hace la media de en e 100 y 180 cap u as, dependiendo de la ecuencia con la que de ec a cambios, lo cual asegu a una buena p ecisión. 18 FIGURA 13- SUPERPOSICIÓN DE LOS DATOS DE ACELERACIÓN ANGULAR DURANTE 1 Y 10 SEGUNDOS 19 FIGURA 14- SUPERPOSICIÓN DE LOS DATOS DE ACELERACIÓN LINEAL DURANTE 1 Y 10 SEGUNDOS En las igu as 13 y 14 se pueden e compa aciones de los da os an es y después de se p ocesados. Es os da os se co esponden a los ecogidos en el eje x en una si uación de eposo, con lo que idealmen e debe ían egis a un alo de 0. En las igu as si uadas en la pa e supe io se pueden e los da os cap u ados du an e 1 segundo mien as que en las si uadas en la pa e in e io se mues an los cap u ados a lo la go de 10 segundos. En es as igu as se puede ap ecia ambién la di e encia de p ecisión de los dis in os senso es, siendo que los da os de acele ación lineal egis an uidos un o den de magni ud mayo es que los de acele ación angula . 20 DEDUCCIÓN DE LA ORIENTACIÓN Pa a calcula la o ien ación, se u iliza el gi oscopio in e no del elé ono, que de uel e la posición del disposi i o en adianes, con espec o a los ejes ca esianos. Aunque es e es un senso mucho menos p openso a cap u a uido, iene sus p opios p oblemas. Po la p opia na u aleza de los mo imien os que cap u a, se a a de un p oceso mucho más disc e o y menos con inuo que medi la acele ación. Mien as podemos supone que la acele ación se man iene cons an e en una can idad lo su icien emen e pequeña de iempo, lo mismo no se cumple pa a la o ien ación, que puede da cambios b uscos y co os en un ins an e. De modo que pa a e i a uidos en la o ación, la aplicación implemen a un il o de paso bajo que bloquea alo es que se dispa an de o ma exage ada, man eniendo in ac os los alo es que a ían poco. El il o se ajus a al siguien e modelo de il o digi al: 𝑦𝑖= 𝛼𝑥𝑖+ (1 − 𝛼)𝑦𝑖−1 Donde 𝛼 iene un alo ap opiado pa a no sua iza en exceso la señal, pe o desca ando alo es que no esul en ealis as. Es e alo suele se en e 0.1 y 0.2 y se llama “ ac o de sua izado”. Realizando p uebas se puede encon a un alo de es e ac o ap opiado. 21 FIGURA 15- DATOS EN REPOSO DE ORIENTACIÓN A LO LARGO DE UN SEGUNDO PARA DISTINTOS VALORES DE ALFA En las g á icas an e io es se puede comp oba como pa a alo es cada ez más al os de 𝛼 la mues a il ada se ace ca más a la señal sin il a . Se puede comp oba ambién como en compa ación con los senso es de acele ación, el de o ien ación es mucho más es able. En la aplicación se u iliza un alo de 𝛼 de 0.2, que es su icien e pa a deshace se del uido. 22 FIGURA 16- DATOS DE ORIENTACIÓN EN MOVIMIENTO A LO LARGO DE 10 SEGUNDOS PARA DISTINTOS VALORES DE ALFA En la igu a 16 se mues a como los da os pueden e se de o mados po un alo de 𝛼 inadecuado. Si bien un alo demasiado al o alla ía a la ho a de deshace se del uido, uno demasiado bajo il a ía da os no uidosos, comp ome iendo la p ecisión del senso . 4.1.4- ESTRUCTURAS DE DATOS EMPLEADAS Cuando los da os es án lis os pa a se en iados al se ido , son con e idos a cadenas ca ac e es de longi ud cons an e pa a que el amaño de los da os no a íe demasiado al ans o ma se a o ma o json. Una ez en el se ido , las mues as son ans o madas de nue o a ec o es de numpy, lo que asegu a iempos óp imos de almacenamien o en la base de da os. Dado que la ed neu onal es á implemen ada de al o ma que se ejecu a en un en o no i ual de Ma lab que el se ido c ea en iempo de ejecución, los da os deben ans o ma se po úl ima ez a un o ma o legible po Ma lab. Pa a ello del ec o numpy se ex aen p ime o los da os a una lis a simple, se cas ean a ipo loa y se almacenan en una es uc u a en lis a de o ma o co ec o, u ilizando la lib e ía Ma lab de Py hon. 4.2- ARQUITECTURA A lo la go del desa ollo del p oyec o, se han implemen ado es modelos dis in os con a qui ec u as di e en es: 4.2.1- MATLAB Y MATLAB DRIVE La p ime a idea ue u iliza la uncion de Ma lab Mobile (Ma lab, h ps://es.ma hwo ks.com/p oduc s/ma lab-mobile.h ml, s. .) pa a ansmi i da os desde la aplicación pa a And oid de Ma lab a una ed ejecu ándose en un o denado . Sin 23 emba go, a pesa de que se podían manda da os a a és de Ma lab D i e po medio de iche os, la uncionalidad pa a lec u a de da os di ec amen e de los senso es que an e io men e exis ía ue desac i ada en la úl ima e sión y sus se ido es ya no sopo an es a opción. De modo que si bien se puede en ena una ed de es a mane a, y ealiza p edicciones sob e da os ya ecogidos, la p edicción a iempo eal no es posible. Pa a so ea es e p oblema, se desa olló una aplicación pa a And oid que ue a capaz de ecoge da os de los senso es y manda los a un se ido emo o. Pa a el en ío de da os, se decidió u iliza Thingspeak (Thingspeak, s. .) 4.2.2- ANDROID, MATLAB Y THINGSPEAK En es a segunda i e ación, se desa olló una aplicación And oid capaz de ealiza lec u as de los senso es del mó il y manda los a un se ido emo o, pa a lo cual se empleó Thingspeak. Thingspeak es una pla a o ma de analí ica pa a IOT que pe mi e isualiza y analiza da os online. También iene la habilidad de ejecu a código Ma lab desde la p opia pla a o ma, lo que pe mi i ía ealiza ope aciones con el modelo de ed desde la nube. Thingspeak gua da los da os en dis in os canales. La o ma en la que uncionan es os canales es a a és de una se ie de campos, que se esc iben cada ez que llega un mensaje. Es os mensajes se mandan u ilizando p o ocolo MQTT, que esul a muy ápido y lige o, con bajo cos e pa a la ba e ía del disposi i o mó il que los en ía. Thingspeak es á pe ec amen e in eg ado con Ma lab, y pe mi e ecoge desde un o denado da os de es os canales en iempo eal pa a ealiza p edicciones. Es a opción pe mi i ía además subi el modelo de la ed e-en enado (alojada en un iche o .ma ) al p opio canal de Thingspeak, donde se pod ían ealiza las p edicciones sin ene que desca ga de nue o los da os en o o luga . Aunque es a opción es muy buena y se ía la más ap opiada en ci cuns ancias no males, Thingspeak es un se icio con licencia. Las ca ac e ís icas del se icio que o ece la e sión g a ui a son insu icien es pa a que el sis ema uncione de o ma co ec a, ya que limi a la ecuencia con la que se pueden en ia mensajes, e impone un amaño máximo muy es ic i o sob e los da os que se pueden en ia . Po desg acia es as limi aciones han p obado se un se io incon enien e, la ed no puede unciona bajo las mismas, de modo que la siguien e opción ue desa olla un se ido p opio que pe mi ie a ecibi es os da os sin ningún ipo de limi ación. 4.2.3- ANDROID Y DJANGO En el e ce modelo, el plan eamien o que se o mula consis e en dispone de un se ido p opio que almacene, p ocese y en íe los da os necesa ios. Con es o, odas las pa es de la a qui ec u a pasan a se de implemen ación p opia, lo que pe mi e un con ol o al de la uncionalidad y la p edicción en iempo eal es inalmen e posible. El se ido se implemen a como una es API de Django u ilizando Py hon; y la ed neu onal, desa ollada y en enada en Ma lab, es á in eg ada en el p opio se ido en un paque e compilado, lo cual agiliza mucho el p oceso. 24 4.3- IMPLEMENTACIÓN En es a sección se de alla á el uncionamien o in e no de los di e sos módulos que componen el e ce modelo implemen ado. Se ha di idido en es elemen os p incipales: la ed neu onal, la aplicación de mó il y el se ido . La ed neu onal es en enada en un equipo u ilizando Ma lab, y después debe se compilada pa a se alojada en el se ido . La aplicación de mó il ealiza pe iciones al se ido donde se en ían los da os que la ed u iliza pa a ealiza sus p edicciones. De la misma o ma, en ía da os de mues a pa a se alojados en la base de da os, de donde pueden se eque idos en caso de que e een ena la ed. 4.3.1- RED NEURONAL La ed se ha implemen ado u ilizando el oolbox “Machine Lea ning and Deep Lea ning” de Ma lab, que con iene he amien as que pe mi en ealiza diseños básicos de edes. El pun o de pa ida es un ejemplo de clasi icación u ilizando edes LSTM de Ma lab: “Sequence- o-Sequence Classi ica ion Using Deep Lea ning” (Ma lab, s. .) Se han implemen ado dos modelos de ed dis in os  El p ime o cons e de una única ed con una capa de en ada de 9 unidades, siendo 3 unidades des inadas a los es ejes ca esianos de ec ados po cada senso ; 200 unidades ocul as y 3 unidades en la capa de salida. En la abla 1 se puede e una desc ipción en de alle de cada capa. Unidades Ac i aciones Pa áme os a ap ende Es ados Secuencia en ada 9 0 LSTM 200 Pesos En ada 800×200 Pesos Recu en es 800×200 Bias 800×1 168000 Es ados ocul os 200×1 Es ados de las celdas 200×1 To almen e conec ada ( c) 3 Pesos 3×200 Bias 3×1 603 So max 3 0 Salida 0 TABLA 1- ESTRUCTURA DE LA RED PRINCIPAL  El segundo consis e en 3 edes, con 3 unidades en sus capas de en ada, equi alen es a cada uno de los senso es. La idea es equipa a y compa a los esul ados de cada ed y es ima sus g ados de con ianza, pa a oma una decisión inal. En la abla 2 se puede e una desc ipción en de alle de cada capa. 25 Unidades Ac i aciones Pa áme os a ap ende Es ados Secuencia en ada 3 0 LSTM 200 Pesos En ada 800×200 Pesos Recu en es 800×200 Bias 800×1 168000 Es ados ocul os 200×1 Es ados de las celdas 200×1 To almen e conec ada ( c) 3 Pesos 3×200 Bias 3×1 603 So max 3 0 Salida 0 TABLA 2- ESTRUCTURA DE CADA UNA DE LAS REDES PEQUEÑAS ENTRENAMIENTO El en enamien o de la ed se ealiza u ilizando un sc ip de Ma lab, que ealiza las siguien es acciones: 1. Realiza una pe ición a la API, que le de uel e odas las cap u as de da os ob enidas, jun o con una e ique a que indica a qué ac i idad co esponden 2. Desca a los da os e ique ados con la ac i idad “Tes ing”, es os da os se u ilizan pa a desa ollo y es ing de las he amien as y no se deben inclui en el p oceso de en enamien o. 3. Se con ie e la es uc u a de da os en un cell a ay de Ma lab, que con iene a su ez es uc u as con las cap u as de los senso es, indexadas po las e ique as de ac i idades. 4. Se eco e cada una de las e ique as y se con ie en las es uc u as con las cap u as de da os a un ipo de da o numé ico con el que puede abaja la ed. 5. Se desca an las 100 p ime as y úl imas cap u as, que se co esponden a los p ime os y úl imos dos segundos del p oceso de cap u a. De es a o ma se igno a el momen o en el que se pulsa el bo ón y se in oduce el mó il en el bolsillo jus o an es de empeza a cap u a los da os, y el de saca el mó il del bolsillo pa a in e umpi el en ío de da os. 6. Se sepa a los da os de mane a que el 75% se des ina á a en ena la ed, y el 25% es an e se u iliza á pa a ealiza p uebas 7. Se c ea el modelo de ed neu onal, adap ando las unidades en las capas de en ada y salida al amaño de los da os de en ada y el núme o de ac i idades espec i amen e, y se en ena la ed ob enida con los da os. 8. Se comp ueba el po cen aje de acie o sob e los da os de p ueba Es e sc ip gene a una ed a iable, con dis in as neu onas en las capas de en ada y salida dependiendo de las dimensiones de los da os ob enidos. Es o ga an iza máxima simplicidad a la ho a de en ena nue as edes, ya que si se añaden al se ido nue as mues as de nue as ac i idades, lo único que hay que hace es elanza es e sc ip y se gene a á y en ena á una nue a ed con la nue a opología. 4.3.2- APLICACIÓN MÓVIL La igu a 17 mues a la es uc u a de la aplicación, con sus co espondien es módulos. En la pa e cen al, se pueden e los dos p ocesos de la aplicación, uno que ac ualiza la in e az y o o que egis a los cambios. El loope de And oid es el ges o de p ocesos subyacen e que emplean odas las aplicaciones de And oid. És e i e a sob e es os p ocesos y los ejecu a siguiendo cie a p io idad, po lo que la aplicación u iliza handle s pa a asegu a se de que el iempo que anscu e en e cada ejecución del hilo 32 se obse a cómo al inal del p oceso y hacia la i e ación se alcanza dicho mínimo, sin a ia has a la inalización. Así pues, la e iciencia del p oceso de en enamien o se de e mina en unción de la máxima p ecisión, en es e caso 100% y mínimo alo de la unción de pé dida, ce o en el p oceso mos ado. Se in ie e que el p oceso en su conjun o ha sido su icien emen e sa is ac o io. Inicialmen e ambos alo es es án alejados de los alo es óp imos, 100% y 0, e olucionando con ela i a apidez hacia los mencionados óp imos, lo que se alcanza sob e la i e ación núme o 12, p oduciéndose sendos desajus es, ap oximadamen e sob e la i e ación 36, bas an e acusado en el caso de la unción de pé dida, con el pico que se aleja del alo 0 has a el 0.6. El desajus e en la p ecisión es meno bajando has a el ap oximadamen e el 95%, alejándose po an o un 5% del óp imo. Dado que en cada i e ación pasan odas las mues as disponibles no es posible encon a una explicación cla a, an sólo cabe pensa que el desajus e p o iene del o den de en ada de las mues as, ya que si bien en cada i e ación se p ocesan odas, no lo hacen en la mismo o den en odas las i e aciones, ya que el o den se es ablece de o ma alea o ia. En cualquie caso, lo ealmen e impo an e es que el p oceso inal acabe de o ma sa is ac o ia, como es el caso. FIGURA 21- ENTRENAMIENTO DE LA RED PRINCIPAL A con inuación se mues an los esul ados del en enamien o de los modelos de ed pa a cada uno de los senso es po sepa ado en las igu as 18, 19 y 20. Todos los pa áme os de en enamien o son simila es, pe o los esul ados son muy di e en es. Ninguna de las edes puede man ene una p ecisión del 100% as las 60 épocas del en enamien o, y ampoco mues an señales de es a con e giendo ni educiendo su e o , en su luga la unción de pé dida mues a con inuas subidas y bajadas. 33 FIGURA 22- ENTRENAMIENTO DE LA RED DE ACELERACIÓN LINEAL FIGURA 23- ENTRENAMIENTO DE LA RED DE ACELERACIÓN ANGULAR 34 FIGURA 24- ENTRENAMIENTO DE LA RED DE ORIENTACIÓN De es os esul ados podemos disce ni que la in o mación de cada uno de los senso es po sepa ado es insu icien e pa a pode ealiza p edicciones, pe o jun os pueden da muy buenos esul ados. En la igu a 25 podemos e una compa ación de los esul ados ob enidos po la ed de 9 unidades de en ada con las ac i idades que se es aban ealizando. En las igu as 26, 27 y 28 se mues an los esul ados de las edes de 3 unidades de acele ación lineal, angula y o ien ación espec i amen e. FIGURA 25- RESULTADOS DE LA RED DE 9 UNIDADES DE ENTRADA 35 FIGURA 26- RESULTADOS DE LA RED DE ACELERACIÓN LINEAL FIGURA 27- RESULTADOS DE LA RED DE ACELERACIÓN ANGULAR FIGURA 28- RESULTADOS DE LA RED DE ORIENTACIÓN 36 Se puede e la di e encia en e la e ec i idad de las 4 edes en la abla 3. En ella se mues an los esul ados de la e ec i idad de la ed pa a p edeci casos. En las p uebas ealizadas, se han u ilizado 7500 casos de p ueba, di ididos a pa es iguales en e cada ac i idad, es o es, 2500 casos po ac i idad. Pa a cada ac i idad se mues a en la columna de la izquie da el núme o de p edicciones ace adas ealizadas sob e los 2500 casos p esen ados, y en la de la de echa el po cen aje de acie o que ep esen a. En la úl ima columna, se mues an esos mismos da os pa a el o al de los casos p esen ados. La ed que emplea da os de acele ación lineal es la única que da esul ados más o menos cons an es en el iempo independien emen e de la ac i idad que se es é ealizando. La ed que u iliza acele ación angula pude iden i ica la ac i idad de co e y la ed de o ien ación puede iden i ica la ac i idad de sen a , pe o no ienen esul ados cons an es pa a las o as dos ac i idades. La ed que combina da os de odos los senso es sin emba go o o ga esul ados cons an es, si bien no iden i ica co ec amen e la ac i idad Walking. Walking Running Si ing To al Red P incipal 0 0% 2191 87,64% 2482 99,28% 4673 66.75% Red Ac. Lineal 3 0,12% 2285 91,4% 2449 97,96% 4737 67.67% Red Ac. Angula 2261 90,44% 2196 87,84% 1630 65,2% 6087 86.95% Red O ien ación 1995 79,8% 729 29,16% 2486 99,49% 5210 74.42% TABLA 3- RESULTADOS DE LA PRUEBA Cabe des aca que si bien la ed iene el meno po cen aje de acie o, sus esul ados son los más cons an es, al y como se puede obse a en las igu as 25-28; y su p oceso de ap endizaje es el más p ome edo , po lo que se espe a que su endimien o pueda mejo a mucho con mejo es algo i mos de ap endizaje y mues as de en enamien o más g andes. 6- CONCLUSIONES Y TRABAJO FUTURO A lo la go de es e p oyec o se ha explo ado una posible solución pa a el p oblema HAR con ines de moni o ización de esas acciones humanas de o ma emo a. Se p opone un sis ema ac ible de econocimien o de ac i idades humanas en iempo eal median e el uso de disposi i os mó iles equipados con senso es de mo imien o y ecnología p opia de deep lea ning. Es a solución consis e en u iliza edes neu onales ope ando en la nube pa a analiza , en iempo eal, los mo imien os de un usua io bajo moni o ización, egis ados po senso es, que aquel lle a consigo. Se p opone un sis ema uncional, con despliegue de una aplicación a ni el del disposi i o mó il y del se ido , que demues a se capaz de maneja el olumen de da os necesa io pa a ealiza las ope aciones necesa ias encaminadas a la de ección de las ac i idades mencionadas. A pesa de que las p edicciones ealizadas con los modelos de edes neu onales desa ollados en es e p oyec o no son an p ecisas como cab ía espe a , una mejo a de es as mismas es posible al y como se p opone en o os p oyec os de simila na u aleza (pun o 1.2). T as el desa ollo del sis ema y las p uebas ealizadas, se puede conclui lo siguien e: 37 1. Es posible comunica un disposi i o mó il común con un se ido emo o, bien median e ecnología 4G o median e WiFi, a una ecuencia de in e cambio de da os su icien e como pa a ealiza p edicciones en iempo eal sin pé dida de da os (pun o 4.1.2). 2. Es posible ob ene su icien e in o mación pa a ealiza p edicciones ace adas u ilizando los senso es p esen es en un disposi i o mó il, si bien es necesa io p ocesa adecuadamen e es os da os (pun o 4.1.3). 3. La ed es lo su icien emen e e ec i a como pa a ob ene esul ados sa is ac o ios pa a un conjun o de da os su icien es (pun o 5.3), aunque como se indica an e io men e es posible mejo a es e endimien o. De ca a al u u o, el sis ema puede se mejo ado sus ancialmen e aumen ando su índice de acie o. Mejo a la e ec i idad de la ed es una p opues a azonable. Con al p opósi o se han iden i icado las siguien es mejo as que se pueden implemen a ácilmen e en la misma: 1. Explo a y p oba o as di e en es a qui ec u as de ed LSTM. Pa a ello se p opone a ia el núme o de capas ocul as y neu onas en és as, median e la ealización de p uebas y con as e de esul ados. 2. Explo a dis in as con igu aciones de los pa áme os de en enamien o, incluyendo el mé odo de op imización del g adien e, el núme o de i e aciones y épocas o la azón de ap endizaje, en e o as. 3. Aumen a el amaño de los lo es de en enamien o, ecogiendo más da os. Pa a que es a p opues a sea azonable, p obablemen e haya que op imiza el p oceso de en enamien o pa a que pueda acep a olúmenes g andes de da os sin p o oca allos es uc u ales no sopo ados po el sis ema, p obando dis in os algo i mos de en enamien o y u ilizando p ocesado es más po en es pa a ealiza lo. 4. Mejo a la calidad de los da os ecogidos u ilizando dis in as pe sonas y disposi i os pa a su cap u a, aumen ando la a iedad en los mismos. También se pod ían p oba o as o mas de di idi los da os a la ho a de alimen a la ed con ellos, di idiendo las épocas en i e aciones en el p oceso de en enamien o e in oduciendo solapamien o en los da os. 5. Cambia el modelo de ed. Una opción que se ha in es igado pe o no se ha implemen ado es u iliza una CNN adap ada pa a abs ae los lo es de en ada an es de suminis a los a la ed LSTM, una écnica que da buenos esul ados en o as aplicaciones simila es de es e ipo de edes. 38 7- CONCLUSIONS AND FUTURE WORK Th oughou his p ojec , a possible solu ion o he HAR p oblem has been explo ed o he pu pose o moni o ing hese human ac ions emo ely. A easible sys em o ecognizing human ac i i ies in eal ime is p oposed by using mobile de ices equipped wi h mo ion senso s and deep lea ning app oaches. This solu ion consis s o using neu al ne wo ks ope a ing in he cloud o analyse, in eal ime, he mo emen s o a use unde moni o ing, eco ded by senso s, which he ca ies wi h him. A unc ional sys em is p oposed, wi h deploymen o an applica ion a he mobile de ice and a a se e le el, which shows ha i is capable o handling he olume o necessa y da a o ca y ou he equi ed ope a ions aimed a de ec ing he a o emen ioned ac i i ies. Despi e he ac ha he p edic ions made wi h he neu al ne wo k models de eloped in his p ojec a e no as accu a e as migh be expec ed, an imp o emen is s ill possible as p oposed in o he p ojec s o a simila na u e and con en (poin 1.2). A e he de elopmen o he sys em and he es s ca ied ou , he ollowing can be concluded: 1. I is possible o communica e a common mobile de ice wi h a emo e se e , ei he by 4G echnology o by WiFi, a a da a exchange equency su icien o make eal- ime p edic ions wi hou da a loss (poin 4.1.2). 2. I is possible o ob ain enough in o ma ion o make accu a e p edic ions using he senso s p esen in a mobile de ice, al hough i is necessa y o adequa ely p ocess hese da a (poin 4.1.3). 3. The ne wo k is e ec i e enough o ob ain sa is ac o y esul s o a su icien da a se (poin 5.3), al hough as indica ed abo e i is possible o imp o e his pe o mance. Looking ahead, he sys em can be subs an ially imp o ed by inc easing i s success a e. Imp o ing he e ec i eness o he ne wo k is a easonable p oposal. In his ega d, he ollowing imp o emen s ha e been iden i ied as easible ha can be easily implemen ed on he sys em: 1. Explo e and es o he di e en LSTM ne wo k a chi ec u es. To do his, i is p oposed o a y he numbe o hidden laye s and neu ons on hem, by ca ying ou es s and compa ing esul s. 2. Explo e di e en con igu a ions o aining pa ame e s, including he g adien op imiza ion me hod, he numbe o i e a ions and imes, o he lea ning a e, among o he s. 3. Inc ease he size o aining ba ches, collec ing mo e da a. In o de o do his p oposal easonable, he aining p ocess will p obably ha e o be op imized so ha i can accep la ge olumes o da a wi hou causing s uc u al ailu es, no suppo ed by he sys em, es ing di e en aining algo i hms and using mo e powe ul p ocesso s o ca y i ou . 39 4. Imp o e he quali y o he collec ed da a, inc easing he a iabili y o i . Da a can be o ganized du ing he ne wo k eeding p ocess wi h hem, di iding he epochs in o i e a ions du ing he aining p ocess and in oducing o e lapping in he da a. 5. Change he ne wo k model. One op ion ha has been in es iga ed bu has no been implemen ed is o use a ailo ed CNN o abs ac he inpu ba ches be o e supplying hem o he LSTM ne wo k, a echnique ha wo ks well in o he simila applica ions o his ype o ne wo k. REFERENCIAS Abdulmajid-Mu ad, J.Y.P. (2017). Deep Recu en Neu al Ne wo ks o Human Ac i i y Recogni ion. Dong-gu, Co ea. Zhou, B., Yang, J., Li, Q. (2019). Sma phone-Based Ac i i y Recogni ion o Indoo Localiza ion Using a Con olu ional Neu al Ne wo k. Senso s, 19, 621. Angui a, D., Ghio, A., One o, L., Pa a, X., Reyes-O iz. J.L. (2013). A Public Domain Da ase o Human Ac i i y Recogni ion Using Sma phones. In P oc. Eu opean Symposium on A i icial Neu al Ne wo ks, Compu a ional In elligence and Machine Lea ning (ESANN 2013). B uges (Belgium), 24-26 Ap il 2013. Ge s, F.A., Sch audolph, N.N., Schmidhube , J. (2002). Lea ning P ecise Timing wi h LSTM Recu en Ne wo ks. Jou nal o Machine Lea ning Resea ch, 3, 115-143.. G a es, A. (2013). Gene a ing Sequences Wi h Recu en Neu al Ne wo ks. a Xi :1308.0850 [cs.NE]. Kozina, S., Gjo eski, H., Gams, M., Luš ek, M. (2013). E icien Ac i i y Recogni ion and Fall De ec ion Using Accele ome e s. In: Bo ía J.A., Ál a ez-Ga cía J.A., Fujinami K., Ba socchi P., Riedel T. (eds) E alua ing AAL Sys ems Th ough Compe i i e Benchma king. E AAL 2013. Communica ions in Compu e and In o ma ion Science, ol 386. Sp inge , Be lin, Heidelbe g.. Ma lab. (s. .). 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, Ene o 2020). Ma lab. (s. .). Disponible on-line: h ps://es.ma hwo ks.com/p oduc s/ma lab- mobile.h ml (Accedido, Ene o 2020). Hoch ei e , S., Schmidhube , J. (1997). Long Sho -Te m Memo y. Neu al Compu a ion, 9(8), 1735-1780. Thingspeak. (s. .). Disponible on-line: h ps:// hingspeak.com/pages/lea n_mo e (Accedido, Ene o 2020). Ye, H., Gu, T., Zhu, X., Xu, J., Tao, X., Lu, J., Jin, N. (2012). FT ack: In as uc u e- ee loo localiza ion ia mobile phone sensing, in Sil ia Gio dano, Ma c Langhein ich (ed.) P oceedings o IEEE In e na ional Con e ence on Pe asi e Compu ing and Communica ions (Pe Com), Lugano, Swi ze land, 19-23 Ma ch 2012, pp. 2-10. 40 APÉNDICE PROCEDIMIENTO PARA INSTALACIÓN Y EJECUCIÓN DE LA APLICACIÓN Es e apéndice iene po obje o p opo ciona los enlaces necesa ios a los eposi o ios donde se ubica, así como las pau as necesa ias pa a su ins alación en las dis in as modalidades y pla a o mas locales y emo as. Además p opo ciona la co espondien e guía de usua io de la aplicación. A) INSTALACIÓN DE LA APLICACIÓN WEB VERSIÓN ABREVIADA 1. Es necesa io ene una e sión de Py hon 3.7 o pos e io , y la e sión de Ma lab 2019a. 2. El código de la aplicación se encuen a en el siguien e enlace: h ps://gi hub.com/Rpa on297/HumanAc i i yRecogni ion 3. Las lib e ías necesa ias que pueden ins ala se con pip es án disponibles en el documen o equi emen s. x . También es necesa ia la lib e ía con la ed que se encuen a en HumanAc i i yRecogni ion/p edic o /sc ip s/ne y se puede ins ala manualmen e haciendo median e el comando py hon se up.py ins all. 4. La aplicación se inicia con el comando py hon manage.py unse e (el sc ip manage.py se encuen a en la ca pe a aíz del p oyec o) VERSIÓN DETALLADA 1. Ins alación del so wa e base. Es necesa io ene Py hon y el en o no de ejecución de Ma lab o una e sión comple a de Ma lab, en la que dicho en o ne se encuen a incluido. Los pasos conc e os son los siguien es: a) Ins ala Py hon 3.7 o supe io , disponible en el siguien e link: h ps://www.py hon.o g/downloads/ b) Pa a pode ejecu a paque es compilados de Ma lab con los sc ip s eque idos pa a ealiza p edicciones, es necesa io ins ala en el o denado el en o no de ejecución de Ma lab, e sión 2019a. No es necesa io si ya exis e una e sión de Ma lab ins alada. La desca ga es á disponible en el siguien e link: h ps://es.ma hwo ks.com/p oduc s/compile /ma lab- un ime.h ml. c) En el caso de es a u ilizando los sis emas ope a i os Linux o bien OS X, hay que asegu a se de que es án con igu adas las siguien es a iables de en o no: Linux: se en LD_LIBRARY_PATH $LD_LIBRARY_PATH:mc oo / un ime/glnxa64: mc oo /bin/glnxa64:mc oo /sys/os/glnxa64: mc oo /sys/opengl/lib/glnxa64 41 OS X: se en DYLD_LIBRARY_PATH $DYLD_LIBRARY_PATH:mc oo / un ime/maci64: mc oo /sys/os/maci64:mc oo /bin/maci64 mc oo es la u a de ins alación del en o no de ejecución. El comando debe se in oducido sin espacios en blanco. Más in o mación, puede encon a se en: h ps://es.ma hwo ks.com/help/compile _sdk/py hon/ins all-a-ma lab- compile -sdk-py hon-package.h ml 2. Desca ga el código alojado en el siguien e eposi o io: h ps://gi hub.com/Rpa on297/HumanAc i i yRecogni ion 3. C ea y con igu a un en o no i ual de Py hon. Es necesa io ene un en o no de ejecución donde pode ins ala los paque es necesa ios pa a el uncionamien o de la aplicación. a) Ab i la consola de comandos b) Ins ala pip ( iene po de ec o en caso de es a u ilizando Windows) ejecu ando el siguien e comando: py hon3 -m pip ins all --use --upg ade pip c) Ins ala el módulo de py hon i ualen ejecu ando el siguien e comando: En macOS y Linux: py hon3 -m pip ins all --use i ualen En Windows: py -m pip ins all --use i ualen d) C ea el en o no i ual, na egando con la consola has a el di ec o io donde se encuen a la ca pe a del p oyec o y ejecu ando el siguien e comando: En macOS y Linux: py hon3 -m en en En Windows: py -m en en e) Ac i a el en o no i ual: En macOS y Linux: sou ce en /bin/ac i a e En Windows: . en Sc ip s ac i a e ) Ins ala las lib e ías necesa ias en el en o no i ual: pip3 ins all – equi emen s. x g) Ins ala la lib e ía de Ma lab pa a Py hon manualmen e, ab iendo en la consola la u a HumanAc i i yRecogni ion/p edic o /sc ip s/ne y ejecu ando el siguien e comando: py se up.py ins all