Impacto de la frecuencia de muestreo en la precisión de modelos de clasificación para reconocimiento de actividad humana

Abstract

Este trabajo presenta el diseño e implementación de un pipeline reproducible en Python para la evaluación de modelos de clasificación de actividades humanas a partir de señales inerciales. Se utilizaron clasificadores ensemble basados en árboles de decisión y una red neuronal convolucional, comparando enfoques que emplean características estadísticas frente al uso de la señal cruda. Se implementó un proceso de reducción progresiva de la frecuencia de muestreo para analizar el impacto en métricas como accuracy y f1-score. Los resultados muestran que las representaciones estadísticas ofrecen mayor robustez ante disminución de datos, mientras que el uso de la señal cruda puede simplificar la inferencia pero es más sensible a la pérdida de resolución temporal. Este estudio proporciona criterios para seleccionar configuraciones que equilibren rendimiento y eficiencia en escenarios con restricciones computacionales, como sistemas embebidos o dispositivos IoT.