Publicación: Clasificación de niveles de experiencia de Aikido mediante segmentación de series temporales y algoritmos de aprendizaje supervisado
Fecha
2025-02
Autores
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Nacional de Educación a Distancia (UNED). E.T.S. de Ingeniería Informática
Resumen
El presente Trabajo Fin de Máster se centra en la clasificación del nivel de experiencia en Aikido mediante la segmentación de series temporales y el uso de algoritmos de aprendizaje supervisado. Para ello, se han empleado datos inerciales capturados a través de sensores, con el objetivo de evaluar la calidad de los movimientos realizados por los practicantes.
En este estudio se ha desarrollado un sistema de clasificación supervisado que permite distinguir entre tres niveles de destreza (bajo, medio y alto), ampliando el enfoque previo que diferenciaba únicamente entre principiantes y expertos. La segmentación de las series temporales en fases específicas de los movimientos ha permitido un análisis más detallado del desempeño de los participantes, favoreciendo la detección de patrones diferenciadores en cada nivel de experiencia.
Para ello, se han utilizado tres técnicas principales de aprendizaje supervisado:
Regresión con Procesos Gaussianos (GPR), que permite manejar la incertidumbre en los datos.
Redes Convolucionales Temporales (TCN), utilizadas para la clasificación de secuencias de datos inerciales.
Gradient Boosted Decision Trees (GBDT), que optimizan la clasificación a través de un conjunto de árboles de decisión.
This Master's thesis focuses on the classification of the level of experience in Aikido through the segmentation of time series and the use of supervised learning algorithms. For this purpose, inertial data captured through sensors have been used, with the aim of evaluating the quality of the movements performed by the practitioners. In this study, a supervised classification system has been developed to distinguish between three skill levels (low, medium and high), extending the previous approach that differentiated only between beginners and experts. The segmentation of the time series into specific phases of the movements has allowed a more detailed analysis of the participants' performance, favoring the detection of differentiating patterns at each level of expertise. For this purpose, three main supervised learning techniques have been used: Regression with Gaussian Processes (GPR), which allows handling uncertainty in the data. Temporal Convolutional Networks (TCN), used for the classification of inertial data sequences. Gradient Boosted Decision Trees (GBDT), which optimize classification through a set of decision trees.
This Master's thesis focuses on the classification of the level of experience in Aikido through the segmentation of time series and the use of supervised learning algorithms. For this purpose, inertial data captured through sensors have been used, with the aim of evaluating the quality of the movements performed by the practitioners. In this study, a supervised classification system has been developed to distinguish between three skill levels (low, medium and high), extending the previous approach that differentiated only between beginners and experts. The segmentation of the time series into specific phases of the movements has allowed a more detailed analysis of the participants' performance, favoring the detection of differentiating patterns at each level of expertise. For this purpose, three main supervised learning techniques have been used: Regression with Gaussian Processes (GPR), which allows handling uncertainty in the data. Temporal Convolutional Networks (TCN), used for the classification of inertial data sequences. Gradient Boosted Decision Trees (GBDT), which optimize classification through a set of decision trees.
Descripción
Categorías UNESCO
Palabras clave
Citación
Mazzuka Cassani, Stefano. Trabajo Fin de Máster: Clasificación de niveles de experiencia de Aikido mediante segmentación de series temporales y algoritmos de aprendizaje supervisado. Universidad Nacional de Educación a Distancia (UNED) 2025
Centro
E.T.S. de Ingeniería Informática
Departamento
Inteligencia Artificial