Evaluación de algoritmos de inteligencia artificial para sistemas de detección de caídas basados en sensores vestibles

• Autores: Carlos Alfredo Silva Villafuerte
• Directores de la Tesis: Eduardo Casilari Pérez (dir. tes.), Rodolfo Valentín García Bermúdez (codir. tes.)
• Lectura: En la Universidad de Málaga ( España ) en 2026
• Idioma: español
• Programa de doctorado: Programa de Doctorado en Ingeniería de Telecomunicación por la Universidad de Málaga
• Enlaces
  • Tesis en acceso abierto en: RIUMA
• Resumen

  • Las caídas en adultos mayores representan un problema de salud pública debido a su alta incidencia y graves consecuencias, como fracturas, pérdida de independencia e incluso la muerte. De hecho, según la Organización Mundial de la Salud (OMS), las caídas constituyen una de las principales causas de lesiones accidentales en personas mayores de 65 años. En este contexto, los sistemas de detección de caídas (especialmente aquellos basados en sensores portátiles o vestibles) han surgido como una solución prometedora para el monitoreo continuo y la respuesta rápida ante estos eventos.

    Esta tesis analiza diversos repositorios de datos utilizados para los sistemas de detección de caídas (FDS o Fall Detection Systems) basados en señales inerciales, diferenciando entre aquellos que contienen caídas simuladas, caídas reales y datos obtenidos mediante monitoreo prolongado. En esa línea de trabajo, uno de los aportes de este estudio es la creación de un conjunto de datos (o dataset) con señales inerciales recopiladas durante actividades diarias. El dataset está orientado a facilitar la investigación y comparación de algoritmos de detección. Además, se desarrolló un segundo conjunto de datos enfocado en las pruebas básicas de movilidad Timed Up and Go (TUG), Four Square Step Test (FSST) y dos actividades de la prueba Berg Balance Scale (BBS) con mediciones de distintos grupos de participantes: jóvenes, adultos mayores y jóvenes que utilizaban un simulador geriátrico, lo que ofrece un marco experimental para evaluar la precisión de los modelos en diferentes condiciones de movilidad.

    A partir de estas bases de datos propias y de las ya existentes de otros autores, se realizó una evaluación exhaustiva del desempeño de diversos algoritmos de inteligencia artificial en la detección de caídas, incluyendo algoritmos basados en machine learning como Support Vector Machines (SVM), Random Forest y k-Nearest Neighbors (k-NN), así como algoritmos avanzados de deep learning, como redes neuronales convolucionales (CNN) y redes LSTM (Long Short-Term Memory). La evaluación se llevó a cabo utilizando métricas estándar de clasificación, como precisión, sensibilidad y especificidad, con el objetivo de identificar las configuraciones más efectivas para diferenciar entre caídas y actividades de la vida diaria (ADL). Para ello, los modelos fueron entrenados y testeados empleando señales de acelerometría de dispositivos vestibles situados en la cintura y en la muñeca de los participantes. En ese sentido, se observó que los modelos basados en deep learning ofrecen un mejor desempeño en términos de detección precisa, pero requieren una mayor cantidad de datos y recursos computacionales. No obstante, a diferencia de otros estudios similares, el objetivo de esta comparación masiva no fue tanto determinar el algoritmo de detección óptimo sino evaluar el impacto del sobreajuste en dichos modelos, dado que el análisis efectuado permitió observar que los algoritmos entrenados con caídas simuladas muestran un rendimiento significativamente inferior cuando se evalúan con datos de caídas reales o, incluso, con actividades diarias reales no incluidas en el entrenamiento. En concreto, los resultados prueban que un algoritmo, que aparentemente presenta un buen comportamiento en pruebas de laboratorio con caídas simuladas o “sintéticas”, puede llegar a generar un alto número de falsas alarmas y de caídas no detectadas. Este desajuste apunta a uno de los asuntos clave en el propio desarrollo eficaz de sistemas de detección de caídas, muchas veces ignorado por la bibliografía: el de su evaluación en escenarios de aplicación realistas.