Sistema de cosecha de energía para la extensión de la vida útil de una batería y reconocimiento de actividades
Actualmente, los dispositivos wearables se han convertido en parte integral de la vida humana, y su implementación es tendencia en el campo del reconocimiento de actividades humanas. Sin embargo, este tipo de dispositivos requieren del uso de baterías para operar, lo cual limita su tiempo de funcion...
- Autores:
-
Parody de la Cruz, Hemel Eduardo
Gómez Jiménez, Samuel
- Tipo de recurso:
- Fecha de publicación:
- 2019
- Institución:
- Universidad del Norte
- Repositorio:
- Repositorio Uninorte
- Idioma:
- spa
- OAI Identifier:
- oai:manglar.uninorte.edu.co:10584/8488
- Acceso en línea:
- http://hdl.handle.net/10584/8488
- Palabra clave:
- Cosecha de Energía
Aprendizaje de Máquina
Reconocimiento de Actividades
ESP32
Portátil
Baterías
HARKE
Bobinas
Cosecha de Energía Cinética
Energy Harvesting
Machine Learning
Activities Recognition
ESP32
Wearable
Coils
HARKE
Kinetic Energy Harvesting
- Rights
- License
- Universidad del Norte
| id |
REPOUNORT2_a8033b3d6ef5ea29a7e9e056f38229b6 |
|---|---|
| oai_identifier_str |
oai:manglar.uninorte.edu.co:10584/8488 |
| network_acronym_str |
REPOUNORT2 |
| network_name_str |
Repositorio Uninorte |
| repository_id_str |
|
| dc.title.es_ES.fl_str_mv |
Sistema de cosecha de energía para la extensión de la vida útil de una batería y reconocimiento de actividades |
| dc.title.en_US.fl_str_mv |
Energy harvesting system for the extension of the useful life of a battery and activities recognition |
| title |
Sistema de cosecha de energía para la extensión de la vida útil de una batería y reconocimiento de actividades |
| spellingShingle |
Sistema de cosecha de energía para la extensión de la vida útil de una batería y reconocimiento de actividades Cosecha de Energía Aprendizaje de Máquina Reconocimiento de Actividades ESP32 Portátil Baterías HARKE Bobinas Cosecha de Energía Cinética Energy Harvesting Machine Learning Activities Recognition ESP32 Wearable Coils HARKE Kinetic Energy Harvesting |
| title_short |
Sistema de cosecha de energía para la extensión de la vida útil de una batería y reconocimiento de actividades |
| title_full |
Sistema de cosecha de energía para la extensión de la vida útil de una batería y reconocimiento de actividades |
| title_fullStr |
Sistema de cosecha de energía para la extensión de la vida útil de una batería y reconocimiento de actividades |
| title_full_unstemmed |
Sistema de cosecha de energía para la extensión de la vida útil de una batería y reconocimiento de actividades |
| title_sort |
Sistema de cosecha de energía para la extensión de la vida útil de una batería y reconocimiento de actividades |
| dc.creator.fl_str_mv |
Parody de la Cruz, Hemel Eduardo Gómez Jiménez, Samuel |
| dc.contributor.advisor.none.fl_str_mv |
Pardo González, Mauricio Manjarrez Córdoba, José |
| dc.contributor.author.none.fl_str_mv |
Parody de la Cruz, Hemel Eduardo Gómez Jiménez, Samuel |
| dc.subject.es_ES.fl_str_mv |
Cosecha de Energía Aprendizaje de Máquina Reconocimiento de Actividades ESP32 Portátil Baterías HARKE Bobinas Cosecha de Energía Cinética |
| topic |
Cosecha de Energía Aprendizaje de Máquina Reconocimiento de Actividades ESP32 Portátil Baterías HARKE Bobinas Cosecha de Energía Cinética Energy Harvesting Machine Learning Activities Recognition ESP32 Wearable Coils HARKE Kinetic Energy Harvesting |
| dc.subject.en_US.fl_str_mv |
Energy Harvesting Machine Learning Activities Recognition ESP32 Wearable Coils HARKE Kinetic Energy Harvesting |
| description |
Actualmente, los dispositivos wearables se han convertido en parte integral de la vida humana, y su implementación es tendencia en el campo del reconocimiento de actividades humanas. Sin embargo, este tipo de dispositivos requieren del uso de baterías para operar, lo cual limita su tiempo de funcionamiento. Se diseñó e implementó un sistema que, en conjunto, realiza cosecha de energía cinética para extender la vida útil de una batería y utiliza los patrones de generación para identificar las actividades realizadas por el usuario. Se implementaron dos bobinas con imanes en su interior, situadas ortogonalmente entre sí, que presentan un voltaje inducido por el movimiento de los imanes y del cuerpo humano. Este voltaje en AC se convirtió a DC a través de un circuito de acondicionamiento, basado en puentes rectificadores de onda completa. De forma paralela, se sensaron los voltajes alternantes producidos en cada una de las bobinas y estos datos se utilizaron para entrenar un clasificador. Se implementó un clasificador con el algoritmo Random Forest para realizar el reconocimiento de 5 actividades: caminar, correr, saltar, mover el torso y estar quieto. El clasificador obtuvo una exactitud promedio del 97% en su etapa de validación. Se realizaron pruebas con 5 sujetos, que realizaron cada actividad durante 30 segundos, y se obtuvo una exactitud promedio de 81.6%. Por otro lado, el sistema logró extender el tiempo de vida de la batería un total de 5.8ms, esto es, el sistema generó un total de 754.677μJ, cuando un usuario realizó las 5 actividades en 5 minutos, un minuto por actividad. |
| publishDate |
2019 |
| dc.date.accessioned.none.fl_str_mv |
2019-06-10T16:28:51Z |
| dc.date.available.none.fl_str_mv |
2019-06-10T16:28:51Z |
| dc.date.issued.none.fl_str_mv |
2019-05-26 |
| dc.type.es_ES.fl_str_mv |
article |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_6501 |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/10584/8488 |
| url |
http://hdl.handle.net/10584/8488 |
| dc.language.iso.es_ES.fl_str_mv |
spa |
| language |
spa |
| dc.rights.es_ES.fl_str_mv |
Universidad del Norte |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Universidad del Norte http://purl.org/coar/access_right/c_abf2 |
| dc.publisher.es_ES.fl_str_mv |
Barranquilla, Universidad del Norte, 2019 |
| institution |
Universidad del Norte |
| bitstream.url.fl_str_mv |
http://172.16.14.36:8080/bitstream/10584/8488/1/Proyecto_Final_IEN_Informe_Final_Grupo_09.pdf http://172.16.14.36:8080/bitstream/10584/8488/2/block_diagram.png http://172.16.14.36:8080/bitstream/10584/8488/3/block_diagram_en.png http://172.16.14.36:8080/bitstream/10584/8488/4/license.txt |
| bitstream.checksum.fl_str_mv |
4d9c199a4e88cefb190cf9ad82bd07fa da8ecf986030b22e3dbe44cbb5b649df 0b57e6a7efe06ec15748daa5efa6ca48 8a4605be74aa9ea9d79846c1fba20a33 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Digital de la Universidad del Norte |
| repository.mail.fl_str_mv |
mauribe@uninorte.edu.co |
| _version_ |
1808401286462177280 |
| spelling |
Pardo González, MauricioManjarrez Córdoba, JoséParody de la Cruz, Hemel EduardoGómez Jiménez, Samuel2019-06-10T16:28:51Z2019-06-10T16:28:51Z2019-05-26http://hdl.handle.net/10584/8488Actualmente, los dispositivos wearables se han convertido en parte integral de la vida humana, y su implementación es tendencia en el campo del reconocimiento de actividades humanas. Sin embargo, este tipo de dispositivos requieren del uso de baterías para operar, lo cual limita su tiempo de funcionamiento. Se diseñó e implementó un sistema que, en conjunto, realiza cosecha de energía cinética para extender la vida útil de una batería y utiliza los patrones de generación para identificar las actividades realizadas por el usuario. Se implementaron dos bobinas con imanes en su interior, situadas ortogonalmente entre sí, que presentan un voltaje inducido por el movimiento de los imanes y del cuerpo humano. Este voltaje en AC se convirtió a DC a través de un circuito de acondicionamiento, basado en puentes rectificadores de onda completa. De forma paralela, se sensaron los voltajes alternantes producidos en cada una de las bobinas y estos datos se utilizaron para entrenar un clasificador. Se implementó un clasificador con el algoritmo Random Forest para realizar el reconocimiento de 5 actividades: caminar, correr, saltar, mover el torso y estar quieto. El clasificador obtuvo una exactitud promedio del 97% en su etapa de validación. Se realizaron pruebas con 5 sujetos, que realizaron cada actividad durante 30 segundos, y se obtuvo una exactitud promedio de 81.6%. Por otro lado, el sistema logró extender el tiempo de vida de la batería un total de 5.8ms, esto es, el sistema generó un total de 754.677μJ, cuando un usuario realizó las 5 actividades en 5 minutos, un minuto por actividad.Currently, wearable devices have become an integral part of human life, and their implementation is a trend in the field of human activities recognition. However, this type of devices require the use of batteries to work, which limits their operating time. A system was designed and implemented that, collectively, harvests kinetic energy to extend the useful life of a battery and uses the generation patterns to identify the activities carried out by the user. A system of two coils, with magnets inside them, located orthogonally to each other, was implemented, which presented a voltage induced by the movement of the magnets and the human body. This voltage in AC was converted to DC through a conditioning circuit, based on full wave rectifier bridges. In parallel, the alternating voltages produced in each of the coils were sensed, and these data were used to train a classifier. A classifier with the Random Forest algorithm was implemented to perform the recognition of 5 activities: walking, running, jumping, moving the torso and being still. The classifier obtained an average accuracy of 97% in its validation stage. Tests were performed with 5 subjects, who performed each activity for 30 seconds, and an average accuracy of 81.6% was obtained. On the other hand, the system managed to extend the battery life time by a total of 5.8ms, that is, the system generated a total of 754,677μJ, when a user performed the 5 activities in 5 minutes, one minute per activity.spaBarranquilla, Universidad del Norte, 2019Universidad del Nortehttp://purl.org/coar/access_right/c_abf2Cosecha de EnergíaAprendizaje de MáquinaReconocimiento de ActividadesESP32PortátilBateríasHARKEBobinasCosecha de Energía CinéticaEnergy HarvestingMachine LearningActivities RecognitionESP32WearableCoilsHARKEKinetic Energy HarvestingSistema de cosecha de energía para la extensión de la vida útil de una batería y reconocimiento de actividadesEnergy harvesting system for the extension of the useful life of a battery and activities recognitionarticlehttp://purl.org/coar/resource_type/c_6501ORIGINALProyecto_Final_IEN_Informe_Final_Grupo_09.pdfProyecto_Final_IEN_Informe_Final_Grupo_09.pdfInforme Finalapplication/pdf8107208http://172.16.14.36:8080/bitstream/10584/8488/1/Proyecto_Final_IEN_Informe_Final_Grupo_09.pdf4d9c199a4e88cefb190cf9ad82bd07faMD51block_diagram.pngblock_diagram.pngDiagrama de Bloquesimage/png164942http://172.16.14.36:8080/bitstream/10584/8488/2/block_diagram.pngda8ecf986030b22e3dbe44cbb5b649dfMD52block_diagram_en.pngblock_diagram_en.pngBlock Diagramimage/png163971http://172.16.14.36:8080/bitstream/10584/8488/3/block_diagram_en.png0b57e6a7efe06ec15748daa5efa6ca48MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://172.16.14.36:8080/bitstream/10584/8488/4/license.txt8a4605be74aa9ea9d79846c1fba20a33MD5410584/8488oai:172.16.14.36:10584/84882019-06-10 11:28:51.427Repositorio Digital de la Universidad del Nortemauribe@uninorte.edu.co |