{rfName}
Ef

Indexado en

Licencia y uso

Icono OpenAccess

Citaciones

71

Altmetrics

Investigadores/as Institucionales

Jaén-Vargas MAutor o CoautorReyes Leiva, Karla MiriamAutor o CoautorSerrano Olmedo, José JavierAutor (correspondencia)

Compartir

5 de septiembre de 2022
Publicaciones
>
Artículo
Sí

Effects of sliding window variation in the performance of acceleration-based human activity recognition using deep learning models

Publicado en: PEERJ COMPUTER SCIENCE. 8 e1052- - 2022-08-08 8(), DOI: 10.7717/PEERJ-CS.1052

Autores:

Jaén-Vargas, M; Leiva, KMR; Fernandes, F; Gonçalves, SB; Silva, MT; Lopes, DS; Olmedo, JJS
[+]

Afiliaciones

Centro de Investigación Biomédica en Red de Bioingeniería, Biomateriales y Nanomedicina , Universidad Politécnica de Madrid - Autor o Coautor
Ctr Invest Biomed Red Bioingn Biomat & Nanomed, CIBER BBN, Madrid, Spain - Autor o Coautor
INESC ID, Lisbon, Portugal - Autor o Coautor
Instituto de Engenharia de Sistemas e Computadores Investigacao e Desenvolvimento em Lisboa - Autor o Coautor
Instituto Superior Tecnico - Autor o Coautor
Instituto Superior Técnico , Instituto de Engenharia de Sistemas e Computadores Investigação e Desenvolvimento em Lisboa - Autor o Coautor
Univ Lisbon, Inst Super Tecn, IDMEC, Lisbon, Portugal - Autor o Coautor
Univ Lisbon, Inst Super Tecn, Lisbon, Portugal - Autor o Coautor
Univ Politecn Madrid, Ctr Biomed Technol, Bioinstrumentat & Nanomed Lab, Madrid, Spain - Autor o Coautor
Univ Tecnol Centroamer, Engn Fac, San Pedro Sula, Honduras - Autor o Coautor
Universidad Politécnica de Madrid - Autor o Coautor
Universidad Tecnológica Centroamericana , Universidad Politécnica de Madrid - Autor o Coautor
Ver más

Resumen

Deep learning (DL) models are very useful for human activity recognition (HAR); these methods present better accuracy for HAR when compared to traditional, among other advantages. DL learns from unlabeled data and extracts features from raw data, as for the case of time-series acceleration. Sliding windows is a feature extraction technique. When used for preprocessing time-series data, it provides an improvement in accuracy, latency, and cost of processing. The time and cost of preprocessing can be beneficial especially if the window size is small, but how small can this window be to keep good accuracy? The objective of this research was to analyze the performance of four DL models: a simple deep neural network (DNN); a convolutional neural network (CNN); a long short-term memory network (LSTM); and a hybrid model (CNN-LSTM), when variating the sliding window size using fixed overlapped windows to identify an optimal window size for HAR. We compare the effects in two acceleration sources': wearable inertial measurement unit sensors (IMU) and motion caption systems (MOCAP). Moreover, short sliding windows of sizes 5, 10, 15, 20, and 25 frames to long ones of sizes 50, 75, 100, and 200 frames were compared. The models were fed using raw acceleration data acquired in experimental conditions for three activities: walking, sit to stand, and squatting. Results show that the most optimal window is from 20-25 frames (0.20-0.25s) for both sources, providing an accuracy of 99,07% and F1-score of 87,08% in the (CNN-LSTM) using the wearable sensors data, and accuracy of 98,8% and F1-score of 82,80% using MOCAP data; similar accurate results were obtained with the LSTM model. There is almost no difference in accuracy in larger frames (100, 200). However, smaller windows present a decrease in the F1-score. In regard to inference time, data with a sliding window of 20 frames can be preprocessed around 4x (LSTM) and 2x (CNN-LSTM) times faster than data using 100 frames.
[+]

Palabras clave

deep learninghuman activity recognitionmotion capturepattern recognitionsensorssliding windowsAccelerometerDeep learningHuman activity recognitionMotion captureNetworksPattern recognitionSliding windows

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista PEERJ COMPUTER SCIENCE debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2022, se encontraba en la posición 29/111, consiguiendo con ello situarse como revista Q2 (Segundo Cuartil), en la categoría Computer Science, Theory & Methods. Destacable, igualmente, el hecho de que la Revista está posicionada en el Cuartil Q2 para la agencia Scopus (SJR) en la categoría Computer Science (Miscellaneous).

Desde una perspectiva relativa, y atendiendo al indicador del impacto normalizado calculado a partir de las Citas Mundiales proporcionadas por WoS (ESI, Clarivate), arroja un valor para la normalización de citas relativas a la tasa de citación esperada de: 2.37. Esto indica que, de manera comparada con trabajos en la misma disciplina y en el mismo año de publicación, lo ubica como trabajo citado por encima de la media. (fuente consultada: ESI 13 Nov 2025)

Esta información viene reforzada por otros indicadores del mismo tipo, que aunque dinámicos en el tiempo y dependientes del conjunto de citaciones medias mundiales en el momento de su cálculo, coinciden en posicionar en algún momento al trabajo, entre el 50% más citados dentro de su temática:

  • Media Ponderada del Impacto Normalizado de la agencia Scopus: 4.35 (fuente consultada: FECYT Mar 2025)

De manera concreta y atendiendo a las diferentes agencias de indexación, el trabajo ha acumulado, hasta la fecha 2026-04-27, el siguiente número de citas:

  • WoS: 31
  • Scopus: 40
  • Europe PMC: 3
  • Google Scholar: 37
[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2026-04-27:

  • El uso, desde el ámbito académico evidenciado por el indicador de la agencia Altmetric referido como agregaciones realizadas por el gestor bibliográfico personal Mendeley, nos da un total de: 109.

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

  • El Score total de Altmetric: 5.
  • El número de menciones en la red social Facebook: 1 (Altmetric).
  • El número de menciones en la red social X (antes Twitter): 6 (Altmetric).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
  • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/85443/

Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

  • Visualizaciones: 226
  • Descargas: 19
[+]

Análisis de liderazgo de los autores institucionales

Este trabajo se ha realizado con colaboración internacional, concretamente con investigadores de: Honduras; Portugal.

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (JAÉN VARGAS, MILAGROS QUILIMARA) y Último Autor (SERRANO OLMEDO, JOSE JAVIER).

los autores responsables de establecer las labores de correspondencia han sido Olmedo JJS y SERRANO OLMEDO, JOSE JAVIER.

[+]