Modelos de aprendizaje profundo para la predicción de comportamiento sedentario futuro

Abstract

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.

It is well known that sedentary behavior has negative consequences for health. Therefore, encouraging individuals to avoid this type of behavior can help to reduce different risk indicators. In this work, different deep learning architectures were evaluated to predict the future sedentary behavior of an individual from the captured records of different sensors available on mobile devices. Users with different levels of energy expenditure were analyzed, and encouraging results were obtained that demonstrate the efficiency of the proposed architectures.