Selección de caracterÃsticas para atributos continuos en tareas de clasificación de actividad fÃsica / Features selection for continuous attributes in classification of physical activity tasks
Abstract
Los dispositivos móviles contienen diversos sensores con capacidad para enviar datos que se utilizan en la toma de decisiones, un ejemplo es la clasificación de actividad fÃsica basada en el uso de acelerómetros y giroscopios. Las señales de los sensores se procesaron previamente aplicando diferentes técnicas que extrajeron un sinnúmero de atributos, los cuales sirvieron para el desarrollo de tareas de clasificación. La optimización de sistemas de clasificación requirió la disminución del número de caracterÃsticas de entrada con la finalidad de sintetizar la dimensión de su conjunto y tiempo de aprendizaje. Este artÃculo empleó métricas de ganancia de información para atributos continuos, que redujeron la incertidumbre y extrajeron únicamente aquellas caracterÃsticas más significativas a través de los datos procesados. El análisis de los resultados que se obtuvieron en la clasificación de actividad fÃsica usando redes neuronales, mostraron no solamente la disminución de caracterÃsticas, sino también un error por debajo del 5 % y la reducción del tiempo de procesamiento en aproximadamente 55 %.References
Cao, D., Ma, N., Liu, Y., & Guo, J. (2012). A Feature Selection Algorithm for Continuous Attributes Based on the Information Entropy. Journal of Computational Information Systems, 1467-1475.
Cazorla, M., Colomina Pardo, O., y Viejo Hernando, D. (19 de mayo de 2011). Presentaciones de la asignatura Técnicas de Inteligencia Artificial (Curso 2010-2011). Obtenido de http://hdl.handle.net/10045/17323
Das, S., Green, L., Perez, B., & Murphy, M. (30 de julio de 2010). Detecting User Activities using the Accelerometer on Android Smartphones. TRUST REU The Team for Research in Ubiquitous Secure Technology, 29.
Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques, tercera edición, USA: Elsevier.
Hong, S. J. (1997). Use of contextual information for feature ranking and discretization. IEEE transactions on knowledge and data engineering, 9(5), 718-730.
Isasi, P., y Galván, I. (2004). Redes De Neuronas Artificiales. Un enfoque práctico, primera edición, Madrid, España: Pearson.
Kwapisz, J., Weiss, G., & Moore, S. (2011). Activity recognition using cell phones accelerometers. ACM SIGKDD Explorations Newsletter, segunda edición, vol. 12, New York, USA.
Linchman, M. (04 de abril de 2013). UCI Machine Learning Repository. Recuperado el 10 de noviembre de 2015, de http://archive.ics.uci.edu/ml
Lu, H., Setiono, R., & Liu, H. (1996). Effective data mining using neural networks. IEEE transactions on knowledge and data engineering, 8(6), 957-961.
Mitchell, E., Monaghan, D., & O'Connor, N. (19 de abril de 2013). Classification of Sporting Activities Using Smartphone Accelerometers. Sensors, 13, 16.
Monar, W. L. (octubre de 2014). Repositorio Digital - Escuela Pilitécnica Nacional. Recuperado el 30 de julio de 2016, de http://bibdigital.epn.edu.ec/handle/15000/8711
Roobaert, D., Karakoulas, G., & Chawla, N. (2006). Information gain, correlation and support vector machines. Feature Extraction. Springer Berlin Heidelberg, 207, 463-470.
Russell, S., y Norving, P. (2004). Inteligencia Artificial un enfoque Moderno, segunda edición, Madrid, España: Pearson.
Weiss, G., & Hirsh, H. (27 de agosto de 1998). Learning to Predict Rare Events in Event Sequences. Knowledge Discovery and Data Mining.
Yang , B., & Wang, L. (2011). The Construction Method of Knowledge Discovery Theory System Based on Cognitive. (C. a. Circuits, Ed.) Wuhan: IEEE.
With the purpose of promoting the development and dissemination of research in education in Latin America, the RECI Ibero-American Journal of Computational and Informatic Sciences adhered to the Budapest Open Access Initiative, which is why it is identified as an open access publication. open. This means that any user can read the full text of the articles, print them, download them, copy them, link to them, distribute them and use the contents for other purposes. Creative Cummons licenses allow you to specify the rights of use of an open access journal available on the Internet in such a way that users know the publication rules. The authors who publish in this journal accept the following conditions: The authors retain the copyright and give the journal the right of first publication, with the work registered with the Creative Commons attribution license, which allows third parties to use what is published as long as they mention the authorship of the work and the first publication in this The authors may make other independent and additional contractual agreements for the non-exclusive distribution of the version of the article published in this journal (eg, include it in an institutional repository or publish it in a book) provided that they clearly indicate that the work was published for the first time in this journal. Authors are allowed and recommended to publish their work in I Internet (for example on institutional or personal pages) before and during the review and publication process, as it can lead to productive exchanges and a greater and faster dissemination of published work
