Accede a nuestra última publicación en el Journal of Medical Systems titulada:

“Activities of Daily Living Detection through Energy Consumption Data and Machine Learning to Support Independent Aging”
📎 Acceso al artículo en Springer

Autores:

Alejandro Pérez-Vereda¹, Jesús Fontecha², Adrián Sanchez-Miguel², Luis Cabañero², Iván González², Christopher Nugent³
¹ UTAMED, Universidad Tecnológica Atlántico Mediterráneo
² MAmI Research Lab, Universidad de Castilla-La Mancha
³ Ulster University

Resumen:

El envejecimiento poblacional plantea retos importantes para los sistemas de salud y servicios sociales. En este trabajo exploramos cómo detectar Actividades Instrumentales de la Vida Diaria (IADLs) a partir del consumo energético en hogares, utilizando técnicas de aprendizaje automático como K-Means y LSTM.

Utilizamos el conjunto de datos REFIT para entrenar y validar los modelos. El enfoque planteado permite una monitorización no intrusiva de rutinas diarias, con aplicaciones potenciales en entornos Ambient Assisted Living (AAL).