Deep Learning e IoT para el seguimiento personalizado de la salud

En este trabajo se propone un innovador sistema loT para la monitorización personalizada a largo plazo de las actividades realizadas por una persona en su domicilio. El sistema integra un sensor Wi-Fi wearable y técnicas de extracción de características para dar información sobre una serie de actividades con el objetivo de inferir comportamientos anómalos. El enfoque presentado ha sido concebido para ser extendido a sistemas que requieran múltiples sensores wearables que den información de forma personalizada. La clasificación de actividades se ha realizado con un conjunto de entrenamiento relativamente pequeño. Este resultado es interesante porque muestra la posibilidad de implementar, con bastante facilidad, diferentes sistemas HAR calibrados en diferentes clases de problemas para grupos de edad de personas. La arquitectura del sistema presentado explota la conectividad Wi-Fi a bordo y la computación en nube para garantizar una actualización constante de la red con nuevos conjuntos de entrenamiento cuando se añaden usuarios. Para ello, cada muestra de datos adquirida por el sensor se transfiere a la nube. La arquitectura del sistema diseñado abre la puerta a un enfoque alternativo que podría aprovechar el uso de las tecnologías FPGA para la implementación de sistemas de procesamiento de señales complejas de producir.