El reconocimiento de la actividad humana (HAR) mediante datos de sensores permite la detección automática del comportamiento y las acciones humanas en entornos cotidianos. El desarrollo de sistemas HAR escalables y que preserven la privacidad está respaldado por la recopilación no intrusiva de datos de series temporales utilizando dispositivos portátiles y sensores de teléfonos inteligentes. Los avances en el aprendizaje profundo han mejorado aún más la precisión del reconocimiento, ampliando las aplicaciones de HAR en todos los dominios, incluida la atención médica y la interacción persona-computadora. A diferencia de las encuestas existentes que se centran principalmente en los avances arquitectónicos, este estudio ofrece la primera revisión sistemática que coloca los conjuntos de datos de referencia en primer plano. Este estudio proporciona un examen exhaustivo de varios modelos profundos utilizados en HAR, evaluando sus ventajas relativas, limitaciones y estrategias de optimización basándose en una revisión exhaustiva de 226 estudios. También profundiza en los aspectos centrales del diseño del sistema HAR, incluido el preprocesamiento de datos, la extracción de características, las métricas de evaluación y los enfoques de validación. A través de un examen sistemático de 160 estudios, analizamos sistemas HAR construidos utilizando modelos profundos en términos de arquitectura, rendimiento y desafíos de implementación en cinco conjuntos de datos de referencia ampliamente adoptados (USC-HAD, PAMAP2, WISDM, UCI-HAR y OPPORTUNITY). Para garantizar una comparación equilibrada entre los puntos de referencia, analizamos 32 estudios para cada uno de los cinco conjuntos de datos. Nuestro análisis revela que los modelos híbridos, particularmente las arquitecturas CNN-LSTM, logran consistentemente una precisión superior en todos los puntos de referencia. Además, el optimizador Adam y los protocolos de validación leave-one-subject-out (LOSO) se identifican como las opciones más efectivas para la robustez. Concluimos identificando obstáculos clave, como el ruido de los sensores, la variabilidad entre sujetos y las limitaciones de procesamiento en tiempo real, y sugerimos direcciones de investigación futuras para mejorar la solidez, generalización y eficiencia de los sistemas HAR.
Human activity recognition (HAR) using sensor data allows the automatic detection of human behavior and actions in everyday environments. The development of scalable and privacy-preserving HAR systems is supported by the nonintrusive collection of time-series data using wearable devices and smartphone sensors. Advances in deep learning have further improved recognition accuracy, expanding the applications of HAR across domains, including healthcare and human-computer interaction. Unlike existing surveys that primarily focus on architectural advancements, this study offers the first systematic review that places benchmark datasets at the forefront. This study provides a comprehensive examination of various deep models used in HAR, assessing their relative advantages, limitations, and optimization strategies based on an extensive review of 226 studies. It also delves into the core aspects of HAR system design, including data preprocessing, feature extraction, evaluation metrics, and validation approaches. Through a systematic examination of 160 studies, we analyzed HAR systems built using deep models in terms of architecture, performance, and implementation challenges on five widely adopted benchmark datasets (USC-HAD, PAMAP2, WISDM, UCI-HAR, and OPPORTUNITY). To ensure a balanced comparison across the benchmarks, we analyzed 32 studies for each of the five datasets. Our analysis reveals that hybrid models, particularly CNN-LSTM architectures, consistently achieve superior accuracy across benchmarks. Furthermore, the Adam optimizer and leave-one-subject-out (LOSO) validation protocols are identified as the most effective choices for robustness. We conclude by identifying key obstacles, such as sensor noise, intersubject variability, and real-time processing constraints, and suggest future research directions to improve the robustness, generalizability, and efficiency of HAR systems.
Articulo publicado por Dr. Mahmoud Fakhry, investigador en nuestro instituto CEIEC