Modelos de aprendizaje profundo para la predicción de comportamiento sedentario futuro
Palabras clave:
aprendizaje profundo, aprendizaje de máquina, comportamiento sedentarioResumen
Es sabido que el comportamiento sedentario posee consecuencias negativas para la salud y, por lo tanto, alentar a los individuos a evitar este tipo de comportamiento puede colaborar en la reducción de diferentes indicadores de riesgo. En este trabajo, se evaluaron diferentes arquitecturas de aprendizaje profundo para predecir el comportamiento sedentario futuro de un individuo a partir de los registros capturados de diferentes sensores disponibles en los dispositivos móviles actuales. Se analizaron usuarios con diferentes niveles de gasto energético, y se obtuvieron resultados alentadores que demuestran la eficiencia de las arquitecturas propuestas.
Descargas
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2020 Martín Santillán Cooper, Marcelo Armentano
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista, no hagan uso comercial de ella y las obras derivadas de hagan bajo la misma licencia.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
