Introducción: La clasificación automática de actividades diarias en personas mayores permite un monitoreo más eficiente de su funcionalidad y bienestar. Utilizando datos de acelerómetros, es posible diferenciar entre diversas actividades de la vida diaria (ABVD y AIVD) y otras categorías relevantes, lo que facilita la evaluación del nivel de independencia funcional. Este enfoque tiene un gran potencial para la prevención de problemas de salud relacionados con la inactividad o la sobrecarga física en personas mayores. Objetivo: Desarrollar y evaluar un modelo de clasificación basado en datos de acelerómetro para identificar nueve categorías de actividades: AIVD, ABVD, cognitivas, físicas, sociales, tecnológicas, religiosas, desarrollo personal, descanso y televisión. Metodología: Los datos fueron recogidos a través de un acelerómetro de muñeca que registró los movimientos en los ejes X, Y y Z. Los datos se procesaron y escalaron antes de ser balanceados entre las diferentes categorías. Se empleó un modelo de clasificación RandomForest entrenado con estos datos para detectar qué categoría de actividad se estaba realizando. El conjunto de datos incluyó 182,988 observaciones distribuidas entre las nueve categorías, evaluadas con medidas de precisión, recall y f1-score. Resultados: El modelo RandomForest alcanzó una precisión global del 85%, con las siguientes métricas destacadas para cada categoría: ABVD y AIVD obtuvieron una precisión y recall perfectos (1.00), mientras que categorías como desarrollo personal (f1-score: 0.95) y religiosas (f1-score: 0.86) también mostraron resultados sólidos. Actividades cognitivas, físicas, sociales y tecnológicas presentaron métricas ligeramente inferiores pero consistentes, con f1-scores de entre 0.76 y 0.84. Conclusión: El uso de un acelerómetro combinado con modelos de clasificación como RandomForest puede proporcionar una herramienta precisa para la detección de actividades en personas mayores. Este tipo de tecnología puede ser fundamental para monitorear la independencia funcional y facilitar la intervención temprana en caso de declive en las actividades diarias o sobrecarga física.

Introducción: Con el avance del Internet de las Cosas (IoT), el uso de sensores para monitorizar parámetros fisiológicos, como la temperatura corporal, ha permitido la clasificación automática de actividades humanas. Si bien actividades físicas y de movimiento provocan variaciones detectables, las actividades cognitivas y tecnológicas son más difíciles de predecir debido a la limitada variación fisiológica que generan. A pesar de esta limitación conocida, es necesario cuantificar el rendimiento del modelo para establecer una base de mejora futura. Objetivo: Este estudio tiene como objetivo evaluar la capacidad de los datos de temperatura corporal para predecir una amplia gama de actividades, incluyendo aquellas con variaciones fisiológicas mínimas. El análisis busca cuantificar las limitaciones del modelo y proponer recomendaciones para mejorar su precisión mediante la integración de sensores adicionales. Metodología: Se monitorizó a 35 personas mayores de 65 años que llevaron un reloj inteligente con sensor de temperatura mientras realizaban actividades diarias, desde básicas hasta cognitivas y tecnológicas. El reloj registró la temperatura corporal a intervalos regulares durante cada actividad. Resultados: El modelo de machine learning alcanzó una precisión global del 92%. Las actividades mejor clasificadas fueron las básicas (ABVD), instrumentales (AIVD), físicas y de descanso, con F1-scores de 0.99, 0.97, 0.99 y 0.99, respectivamente. Como se anticipaba, las actividades cognitivas y tecnológicas mostraron resultados limitados, con F1-scores de 0.50 cada una, lo que pone de manifiesto la incapacidad de la temperatura por sí sola para capturarlas de manera efectiva. Conclusiones: El estudio confirma que, si bien la temperatura corporal es un buen indicador para actividades físicas y de descanso, su capacidad para predecir actividades cognitivas y tecnológicas es limitada. Estos hallazgos subrayan la necesidad de integrar sensores adicionales, como la frecuencia cardíaca o la actividad cerebral, para mejorar la precisión del modelo en la clasificación de actividades con poca variación fisiológica.

Introducción: El monitoreo de la frecuencia cardíaca (BPM) a través de dispositivos portátiles ha sido ampliamente utilizado para la clasificación de actividades humanas, en particular aquellas que implican un esfuerzo físico. Su capacidad para detectar cambios en el ritmo cardíaco durante actividades de mayor intensidad lo convierte en una herramienta prometedora para el monitoreo continuo de personas mayores. Sin embargo, aún es necesario explorar cómo se comporta el BPM en la predicción de actividades sedentarias que podrían generar variaciones fisiológicas más sutiles. Objetivo: Este estudio tiene como objetivo evaluar la capacidad del sensor de frecuencia cardíaca para predecir una amplia gama de actividades diarias realizadas por personas mayores. Metodología: Se monitorizó a 32 personas mayores, de entre 65 y 80 años, mientras realizaban actividades cotidianas mediante relojes inteligentes equipados con sensores de frecuencia cardíaca. Las actividades registradas incluyeron tareas de la vida diaria y actividades físicas, cognitivas y tecnológicas. Los datos fueron procesados utilizando machine learning para evaluar el rendimiento de predicción de las diferentes categorías de actividades. Resultados: El modelo de machine learning alcanzó una precisión global del 82%. Las actividades físicas, básicas (ABVD) e instrumentales (AIVD) presentaron los mejores resultados, con F1-scores de 0.93, 0.87 y 0.86, respectivamente. Sin embargo, el estudio reveló que las actividades cognitivas y tecnológicas, con F1-scores de 0.38 y 0.48, fueron mucho más difíciles de predecir con base en los datos de frecuencia cardíaca, lo que indica una baja sensibilidad del BPM en estas actividades. Conclusiones: El estudio revela que, aunque la frecuencia cardíaca es un indicador confiable para actividades físicas y de esfuerzo, su capacidad para predecir actividades cognitivas y tecnológicas es limitada. Estos hallazgos abren la puerta a la necesidad de integrar sensores adicionales o nuevas técnicas de modelado para mejorar la clasificación de actividades en personas mayores.

Introducción: El uso de sensores ambientales para monitorizar la actividad diaria ofrece nuevas oportunidades para identificar las que realizan las personas mayores. Las actividades pueden clasificarse en categorías como actividades básicas de la vida diaria (ABVD), actividades instrumentales (AIVD), cognitivas, sociales, entre otras. La combinación de múltiples tipos de sensores, como acelerómetros, ritmo cardíaco, temperatura y movimiento, permite desarrollar modelos de inteligencia artificial (IA) para identificar estas actividades. Objetivo: El objetivo de este estudio es clasificar nueve categorías de actividades (ABVD, AIVD, cognitivas, físicas, sociales, tecnológicas, religiosas, descanso y televisión), utilizando datos fisiológicos y de movimiento capturados por sensores. Se busca entrenar un modelo IA las personas en tiempo real. Metodología: Se recopilaron datos de temperatura, ritmo cardíaco, movimiento y acelerómetro (con tres ejes: X, Y y Z). Estos datos se escalaron y balancearon entre las distintas categorías de actividades. Para la clasificación, se utilizó un modelo RandomForest, entrenado con los datos procesados. Se evaluó el rendimiento del modelo utilizando métricas estándar de precisión, recall y f1-score, además de calcular la precisión general (accuracy). Resultados: El modelo alcanzó una precisión global del 97%, con resultados particularmente altos en las categorías ABVD (1.00), AIVD (1.00), descanso (1.00) y físicas (0.93). Las categorías más desafiantes para el modelo fueron cognitivas (0.87 de f1-score) y sociales (0.84 de f1-score). Estos resultados indican que el modelo es capaz de identificar correctamente la mayoría de las actividades con una alta fiabilidad. Conclusión: El uso de múltiples sensores en combinación con modelos de aprendizaje automático, permite clasificar actividades diarias con alta precisión en personas mayores. Esta metodología ofrece una herramienta eficaz para el seguimiento no invasivo de las rutinas y hábitos de actividad, con aplicaciones potenciales en el ámbito de la salud y el envejecimiento activo.

Introducción: Investigaciones previas han demostrado que los acelerómetros pueden captar patrones de movimiento asociados con actividades físicas, sin embargo, existe una brecha en la investigación que se centre en cómo las variables del acelerómetro se comportan durante tareas cognitivas específicas. Objetivo: Evaluar los patrones de movimiento captados por acelerómetros durante la realización de actividades cognitivas, utilizando técnicas de agrupamiento no supervisado. Método: Se realizó un análisis con datos de acelerómetros registrados en 26 participantes con una media de edad 74 años mientras realizaban diferentes actividades cognitivas, tales como lectura, resolución de sudokus, y ejercicios de memoria interactivos. El análisis se centró en la agrupación de patrones de movimiento utilizando el algoritmo de K-Means, para identificar posibles patrones. El algoritmo se aplicó sobre variables del acelerómetro para evaluar el comportamiento de los datos. Medidas: Las variables del acelerómetro incluyeron medidas de aceleración en los ejes X, Y, y Z. Resultados: El análisis K-Means con 3 clusters reveló diferencias clave entre los grupos. El Cluster 0, asociado a lectura y escritura, mostró un promedio en X de 0.52, en Y de 0.72, y una magnitud de 1.00. El Cluster 1, asociado con ejercicios de memoria, presentó un promedio en Z de 0.824 y una magnitud de 1.036. mientras que el Cluster 2, asociado con resolución de problemas, tuvo valores más bajos en X (0.15) y una magnitud de 0.997. Conclusión: Los resultados sugieren que los movimientos durante las tareas cognitivas se agrupan en tres patrones distintos, lo que implica que las actividades cognitivas tienen una relación directa con el comportamiento físico detectado por acelerómetros. Estos hallazgos ofrecen una nueva perspectiva sobre la monitorización de actividades cognitivas a través del análisis de patrones de movimiento.