Pago por Uso - AI Model Orchestration and Workflows Platform
El reconocimiento de actividad humana en tiempo real (HAR) utiliza datos de sensores y aprendizaje automático para identificar y clasificar movimientos humanos como caminar, correr o sentarse a medida que ocurren. Al aprovechar herramientas como acelerómetros, giroscopios y cámaras, los sistemas HAR procesan datos instantáneamente, permitiendo aplicaciones en atención médica, fitness, seguridad y protección industrial.
Los sistemas HAR continúan evolucionando, respaldados por avances en aprendizaje profundo, computación de vanguardia y TinyML, lo que los hace más eficientes y accesibles en diversas industrias.
Real-time Human Activity Recognition (HAR) systems transform raw sensor data into actionable insights using a structured process. Let’s break down how these systems handle data collection, preprocessing, and model deployment.
Los sistemas HAR recopilan datos mediante sensores portátiles y métodos basados en la visión. Cada enfoque atiende necesidades específicas y ofrece ventajas únicas.
Los sensores portátiles son esenciales para muchos sistemas HAR, especialmente en aplicaciones de salud y fitness personales. Los acelerómetros rastrean el movimiento en tres ejes, lo que permite diferenciar entre actividades como caminar, correr o sentarse. Los giroscopios añaden profundidad midiendo las rotaciones y la velocidad angular, capturando detalles sobre el movimiento del cuerpo. Los magnetómetros mejoran aún más la precisión al detectar campos magnéticos y orientación, lo que ayuda a mapear el movimiento direccional y el posicionamiento espacial. Conjuntos de datos como UCI-HAR muestran cómo estos dispositivos pueden registrar una amplia gama de actividades.
Los sistemas basados en visión, por otro lado, dependen de cámaras para capturar imágenes o secuencias de vídeo. Estos sistemas permiten interacciones basadas en gestos sin necesidad de que los usuarios usen dispositivos. Las cámaras de profundidad, por ejemplo, pueden extraer información esquelética de imágenes de profundidad, simplificando el análisis del movimiento. Mientras que los sensores portátiles generan datos de señales unidimensionales, los sistemas basados en la visión crean imágenes y vídeos en 2D o 3D. La elección entre estos métodos a menudo depende de la comodidad del usuario y de las necesidades específicas de la aplicación, y los sistemas basados en visión están ganando popularidad por su naturaleza no intrusiva.
Los datos sin procesar de los sensores rara vez están listos para su uso inmediato. El preprocesamiento desempeña un papel crucial a la hora de convertir estos datos brutos en información fiable, lo que influye directamente en la precisión del sistema.
El primer paso es el filtrado, que elimina el ruido y las señales irrelevantes de los datos. A continuación sigue la normalización, estandarizando funciones para garantizar la coherencia entre usuarios y dispositivos. En conjunto, estos pasos crean un borrón y cuenta nueva para un análisis más detallado.
La extracción de características transforma los datos sin procesar en atributos significativos, como la media, la desviación estándar y las características del dominio de la frecuencia. Estas características proporcionan una representación compacta pero informativa de los movimientos humanos, lo que facilita que los algoritmos procesen los datos de manera efectiva.
La segmentación es otro paso clave, dividiendo los datos continuos de los sensores en ventanas de tiempo más pequeñas. Esto permite que el sistema capture aspectos temporales del movimiento, lo que ayuda a distinguir entre actividades similares como caminar y trotar al analizar cómo los movimientos cambian con el tiempo.
Las técnicas de reducción de dimensionalidad, como PCA y t-SNE, se utilizan a menudo para eliminar información redundante, mientras que los métodos de imputación abordan las lagunas causadas por mal funcionamiento de los sensores o errores de transmisión de datos. Al final del preprocesamiento, los datos están limpios, estructurados y listos para el entrenamiento del modelo.
"Normalized data provides clean, structured inputs crucial for automation, AI, and machine learning models, while also supporting faster database queries, better decision-making, and sustainable business growth." – Chrissy Kidd, Splunk Blogs
"Normalized data provides clean, structured inputs crucial for automation, AI, and machine learning models, while also supporting faster database queries, better decision-making, and sustainable business growth." – Chrissy Kidd, Splunk Blogs
Una vez que se preprocesan los datos, el sistema pasa al entrenamiento y la implementación del modelo, que son fundamentales para el reconocimiento de actividades en tiempo real.
Los datos preprocesados se utilizan para entrenar modelos, con la opción de implementación, ya sea detección externa (por ejemplo, cámaras) o detección en el cuerpo (por ejemplo, dispositivos portátiles), dependiendo de la aplicación. Los avances en el aprendizaje profundo han aumentado significativamente el rendimiento, superando los métodos tradicionales de aprendizaje automático. Por ejemplo, J. Gao et al. descubrió que los modelos de aprendizaje profundo como CNN y RNN ofrecen mayor precisión, manejan mejor las variaciones de datos de los sensores y aprenden automáticamente características complejas a partir de datos sin procesar. Las CNN son particularmente efectivas para procesar datos visuales y de series temporales, mientras que las RNN y su variante especializada, los LSTM, destacan en la captura de patrones secuenciales y relaciones temporales.
Sin embargo, la implementación en el mundo real plantea desafíos únicos. Problemas como la desalineación de los sensores, la iluminación inconsistente y los movimientos impredecibles del usuario pueden afectar el rendimiento. A pesar de estos obstáculos, algunos sistemas HAR logran precisiones de clasificación de hasta el 90 %.
Para abordar estos desafíos, a menudo se emplean técnicas adicionales. Por ejemplo, el filtrado de actividades específicas preserva la calidad de los datos, mientras que la sincronización basada en marcas de tiempo alinea los flujos de sensores. La cuantificación de modelos reduce los requisitos de memoria, lo que facilita la implementación de sistemas HAR en dispositivos con recursos limitados.
El éxito de los sistemas de reconocimiento de actividad humana (HAR) en tiempo real depende de técnicas y algoritmos avanzados que puedan interpretar de forma rápida y precisa los datos de los sensores.
La combinación de datos de múltiples sensores proporciona una comprensión más completa de la actividad humana en comparación con depender de un solo sensor. Este método, llamado fusión de sensores, mejora significativamente la precisión de los sistemas HAR.
Mientras que los sistemas HAR más antiguos a menudo dependían de un solo sensor, los sistemas modernos combinan entradas de acelerómetros, giroscopios, magnetómetros y GPS para diferenciar entre actividades que de otro modo podrían parecer similares. Por ejemplo, tanto caminar como viajar en automóvil pueden registrarse como movimiento en un sensor GPS. Sin embargo, los datos adicionales de un acelerómetro (que muestra vibraciones) y un giroscopio (que indica una rotación mínima del cuerpo) pueden ayudar a identificar la actividad correcta. Este enfoque multisensor no sólo mejora la precisión sino que también garantiza la confiabilidad, incluso cuando los datos de un sensor son inconsistentes. Estos avances son clave para la capacidad de respuesta en tiempo real de los sistemas HAR.
Basándose en la fusión de sensores, los métodos basados en la visión llevan el reconocimiento de actividades un paso más allá al analizar los movimientos corporales detallados. Estos sistemas utilizan la estimación de posturas para rastrear e interpretar las actividades humanas mediante la identificación de posiciones y movimientos corporales. La estimación de pose predice la ubicación de partes clave del cuerpo en imágenes o vídeos, lo que la hace esencial para reconocer acciones. Por ejemplo, el conjunto de datos MS COCO identifica 17 puntos clave correspondientes a las principales articulaciones del cuerpo. Al rastrear cómo estos puntos clave cambian con el tiempo, el sistema obtiene información sobre el movimiento humano y puede identificar actividades específicas.
Un ejemplo práctico de esto es Kinect de Microsoft, que utilizó estimación de pose 3D para monitorear los movimientos de los jugadores. Las aplicaciones de fitness también se benefician de esta tecnología, utilizándola para evaluar la forma del ejercicio y contar las repeticiones automáticamente. De manera similar, el análisis deportivo aprovecha la IA para descomponer y analizar los movimientos de los atletas.
Para capturar la secuencia de actividades a lo largo del tiempo, los sistemas HAR utilizan técnicas como las redes de memoria a corto plazo (LSTM), que están diseñadas para procesar datos secuenciales de manera efectiva. Las redes neuronales convolucionales (CNN) también se utilizan ampliamente para analizar datos visuales y de series temporales. Cuando se combinan con redes neuronales recurrentes (RNN), estos métodos superan consistentemente a las técnicas más antiguas en términos de precisión y confiabilidad. Juntas, estas herramientas habilitan las capacidades en tiempo real de los sistemas HAR.
Una vez que los datos se refinan utilizando estos algoritmos avanzados, el siguiente desafío para los sistemas HAR es decidir cómo procesar la información: localmente en el dispositivo o de forma remota en la nube. Esta elección juega un papel fundamental para lograr el equilibrio adecuado entre capacidad de respuesta y privacidad.
El procesamiento en el dispositivo ofrece varias ventajas. Al analizar los datos directamente en el dispositivo, elimina los retrasos causados por la transmisión de datos a servidores remotos, lo que lo hace ideal para aplicaciones como detección de caídas o entrenamiento físico en tiempo real. Este método también mejora la privacidad al mantener los datos confidenciales almacenados localmente, lo que reduce los riesgos asociados con servidores externos. Tecnologías como TinyML permiten HAR en tiempo real en sistemas integrados, con herramientas como STM32Cube.AI de STMicroelectronics que permiten que los modelos de aprendizaje automático se ejecuten directamente en microcontroladores.
Sin embargo, el procesamiento en el dispositivo tiene sus limitaciones. Los dispositivos suelen tener un hardware menos potente y un mayor consumo de energía. Por otro lado, el procesamiento basado en la nube puede manejar algoritmos más complejos gracias a potentes servidores remotos. Pero este enfoque puede introducir retrasos y plantea posibles problemas de privacidad, ya que los datos deben transmitirse a través de una red.
Con el auge de la informática de punta (que se espera que admita más de 30 mil millones de dispositivos IoT para 2030), el procesamiento en el dispositivo se está volviendo cada vez más importante. Aplicaciones como los vehículos autónomos, que se prevé representarán el 66% de las ventas de automóviles en China para 2035, también exigen los tiempos de respuesta instantáneos que proporciona el procesamiento local. Como explica Jeff Gehlhaar, vicepresidente de tecnología de Qualcomm:
__XLATE_24__
"Las aplicaciones de IA tienden a ser en tiempo real y de misión crítica. Muchos casos de uso de IA que mejoran una experiencia no pueden permitirse la latencia".
Para lograr un equilibrio, muchos sistemas HAR utilizan ahora modelos híbridos. Estos combinan el procesamiento en el dispositivo para respuestas inmediatas con recursos basados en la nube para tareas como actualizaciones de modelos o análisis más profundos que no requieren resultados instantáneos.
Los sistemas de reconocimiento de actividad humana (HAR) en tiempo real tienen un inmenso potencial, pero darles vida conlleva una buena cantidad de desafíos. Estos obstáculos van desde garantizar la calidad de los datos hasta abordar limitaciones técnicas y abordar preocupaciones de privacidad.
Para que los sistemas HAR funcionen bien, necesitan acceso a datos etiquetados con precisión y de alta calidad. Desafortunadamente, las condiciones del mundo real a menudo complican esto, lo que genera mayores tasas de clasificación errónea y anotaciones inconsistentes. Las investigaciones destacan este marcado contraste: si bien las tasas de clasificación errónea en entornos de laboratorio controlados rondan el 9%, se elevan al 33,3% en aplicaciones del mundo real. Esta brecha subraya cómo los entornos controlados no reflejan la imprevisibilidad del comportamiento humano en escenarios cotidianos.
Otro problema importante es la inconsistencia de las anotaciones. Cuando los anotadores humanos etiquetan los mismos datos de manera diferente, esto afecta la precisión de los modelos de IA. Como lo expresa acertadamente Labellerr.com:
__XLATE_30__
"Una mala anotación conduce a sistemas de IA sesgados, resultados inexactos e ineficiencias que afectan las operaciones comerciales".
Otros factores que contribuyen incluyen conjuntos de datos sesgados, etiquetas faltantes o incorrectas y la naturaleza laboriosa de la anotación manual, todos los cuales degradan el rendimiento del modelo.
Para abordar estos problemas, varias estrategias han demostrado ser eficaces:
Al abordar los problemas de calidad de los datos con estas estrategias, los sistemas HAR pueden manejar mejor las complejidades de las aplicaciones en tiempo real. Sin embargo, los desafíos relacionados con la latencia y la escalabilidad siguen siendo un obstáculo importante.
Los sistemas HAR en tiempo real exigen un procesamiento de datos ultrarrápido y, al mismo tiempo, prestan servicio a millones de usuarios a la vez. Cumplir con estos requisitos duales no es tarea fácil.
Uno de los principales desafíos es la velocidad. Las aplicaciones en tiempo real no pueden permitirse retrasos; sin embargo, los complejos algoritmos utilizados en HAR a menudo requieren importantes recursos computacionales. Esto crea un complicado equilibrio entre precisión y velocidad de procesamiento.
La escalabilidad plantea otro obstáculo importante. Con proyecciones que estiman más de 30 mil millones de dispositivos IoT para 2030, muchos de los cuales pueden depender de capacidades HAR, las soluciones tradicionales basadas en la nube podrían tener dificultades para mantenerse al día. Para aumentar la complejidad, los sensores de IoT y los dispositivos móviles a menudo tienen potencia de procesamiento, memoria y duración de la batería limitadas, lo que dificulta la ejecución local de algoritmos HAR sofisticados.
Para abordar estos desafíos, están interviniendo tecnologías y técnicas emergentes:
Si bien mejorar la velocidad y la escalabilidad es crucial, proteger los datos de los usuarios es igualmente importante, especialmente dada la naturaleza sensible de los sistemas HAR.
Los sistemas HAR recopilan datos muy personales, como actividades diarias, métricas de salud y hábitos. Esto hace que salvaguardar la privacidad del usuario sea una prioridad máxima, particularmente en aplicaciones de vigilancia y atención médica.
El cumplimiento normativo añade otra capa de complejidad. Los gobiernos y los organismos reguladores se centran cada vez más en garantizar la privacidad y prevenir el uso indebido de la IA. Además, la confianza del usuario juega un papel fundamental en la adopción del sistema. Por ejemplo, un estudio encontró que era menos probable que los usuarios interactuaran con los sistemas cuando se les pedía que respondieran diariamente varias preguntas relacionadas con el estrés.
Las amenazas a la ciberseguridad, los fallos de diseño y los problemas de gobernanza amplifican aún más estos riesgos. Es esencial adoptar un enfoque de varios niveles para abordar eficazmente los problemas de privacidad:
Los ejemplos del mundo real muestran cómo se pueden implementar medidas de privacidad de manera efectiva. En 2021, Apple introdujo la Transparencia de seguimiento de aplicaciones (ATT), que brinda a los usuarios de iPhone control sobre el seguimiento de terceros. Los informes indican que entre el 80% y el 90% de los usuarios optan por no realizar el seguimiento cuando se les da la opción.
Jennifer King, miembro del Instituto de Inteligencia Artificial Centrada en el Humano de la Universidad de Stanford, resume las crecientes preocupaciones:
__XLATE_45__
"Hace diez años, la mayoría de la gente pensaba en la privacidad de los datos en términos de compras en línea... Pero ahora hemos visto a las empresas pasar a esta recopilación de datos ubicua que entrena los sistemas de IA, lo que puede tener un impacto importante en toda la sociedad, especialmente en nuestros derechos civiles".
El desarrollo de sistemas de reconocimiento de actividad humana (HAR) en tiempo real a menudo conlleva una buena cantidad de desafíos, desde la gestión de múltiples flujos de datos hasta garantizar un escalamiento rentable. Para abordar estas complejidades, las organizaciones están recurriendo a plataformas modernas de flujo de trabajo de IA que simplifican todo el proceso, desde el manejo de datos hasta la implementación del modelo.
Estas plataformas están diseñadas para abordar obstáculos clave, incluida la coordinación de esfuerzos del equipo y la gestión de diversos flujos de datos, todo ello manteniendo los costos bajo control. Las tendencias del mercado respaldan este cambio, y los datos muestran un énfasis creciente en la automatización y las soluciones escalables, a medida que el mercado global de automatización del flujo de trabajo continúa creciendo rápidamente.
Here’s a closer look at the features that make these platforms essential for HAR system development.
Los sistemas HAR dependen de una variedad de fuentes de datos: acelerómetros, transmisiones de cámaras, señales de audio e incluso sensores ambientales. Las plataformas de IA multimodal brillan aquí al ofrecer un marco unificado que procesa e integra estas diversas entradas en tiempo real. Esta validación cruzada de datos de múltiples fuentes mejora significativamente la precisión y confiabilidad de los sistemas de reconocimiento.
Take platforms like prompts.ai, for example. They allow developers to work with text, images, audio, and sensor data within a single system. By combining inputs from different sensors, these platforms deliver more precise recognition results. For instance, a HAR system could combine visual data of a person’s posture with accelerometer readings and audio cues, enabling it to distinguish between walking up stairs and walking on a treadmill with much greater accuracy.
La arquitectura detrás de estos sistemas generalmente incluye tres componentes principales: procesamiento de entrada adaptado a cada tipo de datos, algoritmos de fusión que combinan los datos y sistemas de salida que ofrecen resultados en tiempo real. Estas plataformas también abordan cuestiones complicadas como alinear y sincronizar flujos de datos que tienen diferentes formatos y frecuencias de muestreo.
Another key benefit of multi-modal AI is improved contextual understanding. By integrating different types of data, HAR systems gain the ability to interpret complex scenarios with more nuance. For example, combining visual and audio data with accelerometer readings can help the system better understand the context of a person’s activity, making it more accurate and reliable.
Building HAR systems isn’t just about the technology - it also requires seamless teamwork. Data scientists, software engineers, domain specialists, and quality assurance teams all need to collaborate effectively. Yet, research shows that 86% of leaders cite poor collaboration as a major reason for project failures.
Las plataformas modernas de flujo de trabajo de IA abordan este problema ofreciendo entornos centralizados donde los equipos pueden colaborar en tiempo real. Estas plataformas a menudo incluyen espacios de trabajo compartidos para tareas como capacitación de modelos, paneles para monitorear el progreso y herramientas de informes automatizados que mantienen a todos informados.
Los informes automatizados son especialmente valiosos para los sistemas HAR, que necesitan un monitoreo constante para mantener la precisión. Estos informes pueden proporcionar información sobre el rendimiento del modelo, la calidad de los datos y el estado del sistema, lo que evita que los equipos tengan que realizar un seguimiento manual y les ayuda a abordar rápidamente cualquier problema que surja.
Por ejemplo, Prompts.ai admite la colaboración en tiempo real al brindar a los equipos visibilidad total de los flujos de trabajo del proyecto, desde el desarrollo hasta la implementación. Sus funciones de informes automatizados garantizan que las partes interesadas tengan los datos que necesitan para tomar decisiones informadas sobre cómo mejorar los modelos y optimizar los sistemas.
Uno de los mayores desafíos en el desarrollo de sistemas HAR es equilibrar el rendimiento con el costo. Los enfoques tradicionales a menudo requieren fuertes inversiones iniciales en infraestructura y experiencia especializada. Pero las plataformas modernas están cambiando el juego con modelos de pago por uso que permiten a las organizaciones escalar sus sistemas en función del uso real.
In fact, Google’s 2024 ROI of Generative AI report found that 74% of enterprises using generative AI see returns on their investment within the first year. This quick ROI is especially important for HAR applications, where benefits like improved efficiency and better user experiences can create significant value.
Pay-as-you-go pricing is particularly suited to HAR systems, which often have variable workloads. Organizations can start small with pilot projects and gradually expand as they see results. For example, prompts.ai’s token-based pricing model allows teams to pay only for the computational resources they use. This flexibility means developers can experiment with different approaches without committing to costly infrastructure.
Además, las plataformas modernas ofrecen elasticidad: ajustan automáticamente los recursos computacionales según la demanda. Esto garantiza que los sistemas HAR mantengan un alto rendimiento durante los picos de uso y, al mismo tiempo, mantengan los costos bajos durante los períodos más tranquilos. Esta adaptabilidad es crucial para aplicaciones como rastreadores de actividad física o sistemas domésticos inteligentes, donde el uso puede fluctuar significativamente.
El reconocimiento de actividad humana en tiempo real (HAR) ha evolucionado de un concepto de investigación a una herramienta práctica con aplicaciones en atención médica, fitness y entornos inteligentes. Su éxito depende de los avances en algoritmos y un diseño de sistemas bien pensado.
El aprendizaje profundo ha cambiado las reglas del juego para la precisión de HAR. Por ejemplo, el modelo DeepConv LSTM logró una impresionante precisión del 98% y puntuaciones F1 similares. Después de aplicar la cuantificación, el tamaño del modelo se redujo de 513,23 KB a solo 136,51 KB, lo que lo hizo desplegable en dispositivos con recursos limitados. TinyML habilita aún más HAR en dispositivos portátiles, con codificadores automáticos LSTM que logran una precisión casi perfecta (99,99 %) y ofrecen un tiempo de inferencia promedio de solo 4 milisegundos.
El uso de datos de múltiples sensores mejora la capacidad de distinguir entre actividades, lo que aumenta la precisión general.
El argumento comercial para los sistemas HAR continúa creciendo a medida que las industrias se dan cuenta de los beneficios de la automatización del flujo de trabajo y de mejoras mensurables en la eficiencia. Los problemas de privacidad y latencia, que a menudo son barreras importantes, se están abordando mediante el aprendizaje federado y la informática de punta. Estos enfoques permiten que los sistemas HAR procesen datos distribuidos sin comprometer la privacidad del usuario y al mismo tiempo reducen la latencia y el uso de ancho de banda.
Para tener éxito con los sistemas HAR, las organizaciones deben priorizar modelos livianos, preprocesamiento efectivo e integración de datos multisensor. Las plataformas de flujo de trabajo de IA como Prompts.ai simplifican este proceso al integrar diversos datos de sensores, respaldar la colaboración en tiempo real y ofrecer soluciones escalables y rentables a través de modelos de precios de pago por uso.
De cara al futuro, el futuro de HAR está ligado a los avances en el aprendizaje autosupervisado, la IA explicable y una adopción más amplia de TinyML. A medida que estas tecnologías progresen, se espera que los sistemas HAR se vuelvan aún más precisos, eficientes y accesibles en una gama más amplia de aplicaciones.
Los sistemas de reconocimiento de actividad humana (HAR) en tiempo real se toman en serio la privacidad del usuario y emplean métodos avanzados para mantener seguros los datos personales. Un enfoque clave implica el uso de técnicas que anonimizan los datos durante la recopilación y el procesamiento, garantizando que los detalles confidenciales permanezcan protegidos.
Muchos sistemas HAR dependen de conjuntos de datos de código abierto para su capacitación, lo que minimiza la necesidad de acceder o utilizar datos de usuarios individuales. Además de eso, estos sistemas incorporan sólidas medidas de seguridad como cifrado y procesamiento de datos local. Estas prácticas garantizan que la información del usuario permanezca confidencial y no se transmita ni almacene de manera que pueda dar lugar a un uso indebido.
Al combinar estas estrategias centradas en la privacidad, los sistemas HAR pueden ofrecer una funcionalidad eficaz sin comprometer la confianza o la seguridad del usuario.
Los sistemas de reconocimiento de actividad humana (HAR) en tiempo real enfrentan una variedad de obstáculos cuando se aplican en situaciones cotidianas. Estos incluyen cuestiones como la escalabilidad, la dependencia de sensores específicos, la variabilidad ambiental (como cambios en la iluminación u obstrucciones) y preocupaciones sobre la privacidad de los datos. Además de eso, estos sistemas necesitan gestionar tareas complejas y adaptarse a los cambios de dominio cuando operan en entornos nuevos o diferentes.
Para abordar estos obstáculos, los expertos han recurrido a soluciones de vanguardia como modelos híbridos de aprendizaje profundo, técnicas de fusión de sensores y marcos de generalización de dominios. Estas herramientas mejoran la capacidad del sistema para adaptarse, ofrecer resultados precisos y seguir siendo confiable en diversas condiciones. Además, el aprendizaje continuo permite que los sistemas HAR mejoren y evolucionen con el tiempo, mientras que los métodos de preservación de la privacidad salvaguardan los datos del usuario. Los avances actuales están orientados a garantizar que los sistemas HAR sean confiables y efectivos para un uso a largo plazo en entornos en constante cambio.
La combinación de datos de múltiples sensores (lo que se conoce como fusión de sensores) desempeña un papel clave a la hora de aumentar la precisión del reconocimiento de la actividad humana (HAR). Al reunir entradas de diferentes sensores, este enfoque ayuda a eliminar el ruido, aborda las debilidades de los sensores individuales y ofrece resultados que son precisos y confiables.
Los estudios revelan que la fusión de sensores puede mejorar el rendimiento hasta en un 9%, con tasas de precisión que alcanzan el 96% o más. Esta técnica ofrece una visión más profunda de los movimientos humanos mediante la utilización de una variedad de fuentes de datos, lo que hace que los sistemas HAR sean más fuertes y confiables.
