Análisis del número de sensores para la clasificación postural en sedestación

Abstract

[Resumen] La clasificación postural es fundamental de cara a realizar un correcto seguimiento del estado postural en personas mayores. Este seguimiento, además de aportar información continuada a los especialistas sanitarios, puede servir para prevenir trastornos musculoesqueléticos. En este trabajo, se presenta el análisis del número de sensores de un dispositivo de monitorización postural portable compuesto por 16 sensores FSR. Con ello, se busca reducir el coste computacional a la hora de realizar la clasificación, simplificando el modelo y aumentando la autonomía. Para ello, se aplica una metodología basada en dos pasos: 1) Calcular el orden de relevancia de los sensores, mediante Random Forest y ReliefF. 2) Seguir un proceso iterativo de entrenamiento para dos modelos de clasificación basados en SVM y KNN. En cada iteración se aumenta en uno el número de sensores introducidos como entrada, estudiando cómo afecta este número en el desempeño final de los modelos. Los resultados demuestran que un número de 5 sensores es suficiente para lograr porcentajes de acierto superiores al 90 %.

[Abstract] Postural classification is essential for correct monitoring of postural status in the elderly. This monitoring, in addition to providing continuous information to health specialists, can be used to prevent musculoskeletal disorders. In this work, the analysis of the number of sensors of a postural monitoring device composed of 16 FSR sensors is presented. The aim is to reduce the computational cost of classification, simplifying the model and increasing autonomy. To this end, a methodology based on two steps is applied: 1) Calculate the order of relevance of the sensors, using Random Forest and ReliefF. 2) Follow an iterative training process for two classification models based on SVM and KNN. In each iteration the number of sensors introduced as input is increased by one, studying how this number affects the final performance of the models. The results show that a number of 5 sensors is sufficient to achieve hit rates above 90 %.