|
Descripción
|
|
|---|---|
| Como se pretendía en la solicitud de esta estancia, se han desarrollado y aplicado técnicas de optimización con consciencia energética en el procesado de datos con algoritmos de ?Machine Learning? aplicado a las ciencias de la salud. Concretamente se ha trabajado en una metodología de optimización energética en dispositivos ?wearables? de monitorización de actividad física para detección del tipo de actividad. En el transcurso de esta estancia se han trabajado con datos reales de actividad ya procesados. Los datos son adquiridos de una base de datos online testada y conocida por la comunidad científica. El proyecto se enmarca en el trabajo desarrollado por el grupo receptor en técnicas de bajo consumo para dispositivos móviles de monitorización de movimiento. El trabajo ha sido supervisado en todo momento por el jefe del grupo, el Prof. Hassan Ghasemzadeh y en el desarrollo del mismo se ha trabajado activamente con otros estudiantes e investigadores del grupo. A lo largo de los tres meses de estancia, se han llevado a cabo varias reuniones para presentar la metodología y discutir resultados parciales. El trabajo se ha centrado en la aplicación de técnicas de optimización meta-heurísticas utilizando gramáticas evolutivas para la modificación dinámica de tasa de compresión en algoritmos de ?compressed sensing? para el ahorro energético en el envío inalámbrico de datos en redes de sensores de monitorización de cuerpo humano. La metodología trabaja sólo con datos de acelerometría en tres ejes. La metodología propuesta primeramente detecta la posición del dispositivo de monitorización en el cuerpo. Para cada localización se entrena un algoritmo no supervisado que clasifica el tipo de señal que está monitorizando el sensor. Para cada tipo de señal se encuentra la tasa de compresión óptima que se aplicará a los datos a transmitir a un servidor o dispositivo con mayor inteligencia (un Smartphone, por ejemplo). Los datos comprimidos son recuperados en recepción y se aplican técnicas de ?Machine Learning? para detección del tipo de actividad. Los resultados obtenidos han sido muy satisfactorios y se han enviado al congreso IPSN17; este congreso internacional es de referencia en el área. Además se ha trabajado en otro artículo para su publicación en una sesión invitada en el congreso internacional DATE17 que tendrá lugar en Suiza el próximo marzo. Este trabajo, todavía sin finalizar, trata de la optimización energética de modelos de predicción de migraña en dispositivos de monitorización ambulatoria. Ambos trabajos encajan perfectamente en la línea de investigación propuesta a la Comisión de Doctorado y además usa técnicas y ámbitos de aplicación del grupo origen y del grupo receptor. Los grupos de investigación de ambas universidades están de acuerdo en continuar colaborando en este trabajo ya que ambos la consideran muy interesante y fructífera en resultados científicos. | |
|
Internacional
|
Si |
|
Lugar
|
Pullman, USA |
|
Tipo
|
|
|
Fecha inicio
|
15/07/2016 |
|
Fecha fin
|
15/10/2016 |