Investigadores del Centro Alemán de Investigación en Inteligencia Artificial proponen un innovador esquema de algoritmos denominado CoSS, diseñado para optimizar la selección de sensores y la tasa de muestreo en tareas de reconocimiento de actividades humanas (HAR). La optimización de estos parámetros es crucial para mejorar la eficiencia en el reconocimiento de actividades, sin incurrir en elevados costos de hardware y consumo energético.

La metodología CoSS introduce “Weight Scores” para evaluar la relevancia de cada sensor y su velocidad de muestreo durante la fase de entrenamiento. Estos puntajes son fundamentales en la toma de decisiones sobre la reducción del uso de sensores sin afectar la precisión de las clasificaciones.

El equipo examinó la efectividad de CoSS utilizando tres conjuntos de datos de referencia pública y encontró que, con una selección optimizada de sensores y tasas de muestreo, se puede lograr un rendimiento de clasificación comparable al uso de configuraciones de alta tasa de muestreo con todos los sensores. Se lograron estas mejoras de eficiencia de hardware al retirar sensores menos significativos y ajustar las tasas de muestreo de acuerdo con la importancia del sensor.

Durante las pruebas, se observó que ciertos sensores como el S4 y S9 en el conjunto de datos Opportunity eran más sensibles a cambios en la tasa de muestreo. Estos sensores fueron mantenidos a tasas de muestreo altas para preservar la precisión de la clasificación, mientras que otros sensores menos críticos fueron ajustados a tasas más bajas, reduciendo el consumo de recursos y energía.

CoSS emplea un método de “pruning” progresivo para eliminar sensores con poca influencia, sin necesidad de reentrenamiento extensivo del modelo. Este enfoque no solo facilita la gestión de recursos en dispositivos de borde, donde la potencia y la memoria son limitadas, sino que también permite un solo ciclo de entrenamiento para obtener resultados optimizados.

En conclusión, el marco CoSS ofrece un avance considerable en hacer el reconocimiento de actividades humanas más viable para aplicaciones en tiempo real, preservando potencia y reduciendo costos en hardware. Sin embargo, futuras investigaciones podrían explorar la integración de arquitectura neural adaptable para optimizar aún más el rendimiento en tareas HAR.