| Sumario: | El presente Trabajo Fin de Máster se centra en la clasificación del nivel de experiencia en Aikido mediante la segmentación de series temporales y el uso de algoritmos de aprendizaje supervisado. Para ello, se han empleado datos inerciales capturados a través de sensores, con el objetivo de evaluar la calidad de los movimientos realizados por los practicantes. En este estudio se ha desarrollado un sistema de clasificación supervisado que permite distinguir entre tres niveles de destreza (bajo, medio y alto), ampliando el enfoque previo que diferenciaba únicamente entre principiantes y expertos. La segmentación de las series temporales en fases específicas de los movimientos ha permitido un análisis más detallado del desempeño de los participantes, favoreciendo la detección de patrones diferenciadores en cada nivel de experiencia. Para ello, se han utilizado tres técnicas principales de aprendizaje supervisado: Regresión con Procesos Gaussianos (GPR), que permite manejar la incertidumbre en los datos. Redes Convolucionales Temporales (TCN), utilizadas para la clasificación de secuencias de datos inerciales. Gradient Boosted Decision Trees (GBDT), que optimizan la clasificación a través de un conjunto de árboles de decisión.
|
|---|
