No es la primera vez que en PcDeMaNo hablamos de los «locos» proyectos que se nos ocurrieron en la petrolera para conocer (más bien, para ganar) más clientes en las estaciones de servicio. Ahora sin embargo les ha salido la vena «verde» y todos sus esfuerzos los encaminan a acelerar la transición energética.

Si bien una de nuesras propuestas era utilizar la visión artificial utilizando las cámaras actualmente existentes en las gasolineras incluso poara «conocer a nuestros clientes por sus andares» …los investigadores de la UPM están estudiando el empleo de wearables para reconocer el modo en que una persona se mueve o camina y lograr identificarla. Sus resultados son prometedores: si se trata de caminar o de desarrollar otras tareas de la vida cotidiana, los wearables son capaces de identificar a la persona con una precisión de hasta el 90%.

El creciente interés por las redes de sensores y su incorporación en entornos inteligentes ha aumentado enormemente la posibilidad de monitorización y seguimiento de las personas,permitiendo modelar y predecir su comportamiento. En este nuevo abanico de posibilidades, destaca la línea de investigación centrada en el modelado y reconocimiento de actividades físicas realizadas por personas durante su vida diaria. Para ello se procesan las señales inerciales obtenidas de los acelerómetros y giróscopos disponibles en los wearables.

En los últimos años ha habido un crecimiento exponencial del número de trabajos de investigación centrados en el procesado de estas señales inerciales para caracterizar el movimiento realizado. Actualmente existen diversas arquitecturas de aprendizaje profundo o Deep learning, tales como redes neuronales convolucionales (Convolutional Neural Networks (CNNs)) o redes neuronales recurrentes (Recurrent Neural Networks (RNNs)) que permiten modelar el movimiento humano a través de wearables.

En lo que se refiere a la identificación continua de personas, los wearables fueron capaces de obtener una tasa de identificación superior al 95% para conjuntos de 36 personas. “La estrategia conocida como d-vectors permite obtener sistemas de identificación continua de personas a través de su forma de andar a través de sensores no intrusivos. Esta estrategia está basada en la capacidad de las redes neuronales para generar representaciones de la forma de andar de las personas y clasificar su identidad a través de su movimiento.

Los resultados de la identificación de actividades cotidianas también son esperanzadores: se lograron tasas de acierto superiores al 90% para grupos de entre 3 y 12 actividades diferentes..

Las aplicaciones prácticas de los resultados de esta investigación son múltiples. Por ejemplo, es posible que los deportistas quieran monitorizar su actividad física con exactitud a través de sus smartphones. También, supervisar los movimientos de los trabajadores en una cadena de montaje con el fin de aumentar la seguridad de estos evitando movimientos que puedan producir lesiones. Del mismo modo, el propio teléfono podría animar a personas mayores si detecta un largo período de inactividad física, con el objetivo de prevenir futuros problemas de salud derivados de dicha inactividad.

Y no solo eso. La identificación continua de personas a través de su forma de andar se postula como una nueva forma de biometría «no invasiva».