Publicación:
Clasificación de niveles de experiencia de Aikido mediante segmentación de series temporales y algoritmos de aprendizaje supervisado

Vista sencilla de ítem
dc.contributor.authorMazzuka Cassani, Stefano
dc.contributor.directorSantos, Olga C.
dc.contributor.directorPortaz Collado, Miguel Ángel
dc.date.accessioned2025-03-07T08:35:38Z
dc.date.available2025-03-07T08:35:38Z
dc.date.issued2025-02
dc.description.abstractEl 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.es
dc.description.abstractThis 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.en
dc.identifier.citationMazzuka 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
dc.identifier.urihttps://hdl.handle.net/20.500.14468/26126
dc.language.isoes
dc.publisherUniversidad Nacional de Educación a Distancia (UNED). E.T.S. de Ingeniería Informática
dc.relation.centerE.T.S. de Ingeniería Informática
dc.relation.degreeMáster universitario en Ingeniería y Ciencia de Datos
dc.relation.departmentInteligencia Artificial
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.subject12 Matemáticas::1203 Ciencia de los ordenadores ::1203.17 Informática
dc.titleClasificación de niveles de experiencia de Aikido mediante segmentación de series temporales y algoritmos de aprendizaje supervisadoes
dc.typetesis de maestríaes
dc.typemaster thesisen
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Mazzuka_Stefano_TFM_Jorge Pérez Martín.pdf
Tamaño:
1.17 MB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
3.62 KB
Formato:
Item-specific license agreed to upon submission
Descripción:
Descargar
Colecciones
Trabajos de fin de máster (TFM)