LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1233.
DOI: https://doi.org/10.56712/latam.v6i3.4020
Optimización de lógica difusa en Arduino Mega y MPU6050
para la clasificación de movimientos
Fuzzy logic optimization on Arduino Mega and MPU6050 for motion
classification
Juan Rodrigo Villalta Vilca
villaltajuanrodrigo@gmail.com
https://orcid.org/0000-0002-3718-4590
Universidad Andina Néstor Cáceres Velásquez
Juliaca – Perú
Rudy Jhean Rojas Pari
Jhean.rp@gmail.com
https://orcid.org/0009-0003-0351-8219
Universidad Tecnológica del Peru
Juliaca – Perú
Wilber Pineda Yucra
ww_pineda@hotmail.com
https://orcid.org/0009-0003-6904-4028
Universidad Andina Néstor Cáceres Velásquez
Juliaca – Perú
Wilfredo Pineda Yucra
wipineda72@gmail.com
https://orcid.org/0000-0003-3607-2471
Universidad Politécnica del Perú
Juliaca – Perú
Marcos Denys Choque Castro
denys.choque@unap.edu.pe
https://orcid.org/0000-0001-8972-7430
Universidad Nacional del Altiplano
Puno – Perú
Artículo recibido: 22 de mayo de 2025. Aceptado para publicación: 06 de junio 2025.
Conflictos de Interés: Ninguno que declarar.
Resumen
Presentamos un framework que integra Arduino Mega y el sensor IMU MPU6050 para adquirir datos
inerciales brutos. Calibramos las señales con los offsets del dispositivo y aplicamos un filtro
complementario para reducir el ruido. A partir de las señales filtradas, extraemos características
temporales (rms_roll, std_roll y p2p_roll) y las usamos como entrada de un clasificador fuzzy tipo
Mamdani. Comparamos funciones de membresía triangulares y trapeciales basadas en cuartiles,
elevando la precisión de clasificación del 24 % al 46 %. Posteriormente, optimizamos los parámetros
de los trapecios mediante búsqueda en cuadrícula, alcanzando un 61 % de precisión. Finalmente,
validamos el sistema con validación cruzada estratificada de 5 pliegues, obteniendo un accuracy
promedio de 57,75 % ± 3,97 %. Estos resultados demuestran que la optimización de lógica difusa
mejora significativamente la clasificación de movimientos en sistemas embebidos de bajo coste.
Palabras clave: lógica difusa, MPU6050, Arduino Mega, clasificación de movimientos,
optimización
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1234.
Abstract
We present a Python-Fuzzy framework that integrates an Arduino Mega with an MPU6050 IMU to
acquire and process raw inertial data for motion classification. Signals are first calibrated using sensor
offsets and then fused with a complementary filter to reduce noise. From the filtered roll angle, we
extract temporal features—root mean square, standard deviation, and peak-to-peak amplitude—and
feed them into a Mamdani-type fuzzy classifier. By comparing triangular and quartile-based
trapezoidal membership functions, we improve classification accuracy from 24 % to 46 %. We further
optimize the trapezoidal parameters via grid search, achieving 61 % accuracy. Finally, we validate the
optimized system through stratified 5-fold cross-validation, obtaining an average accuracy of 57.75 %
± 3.97 %. These results demonstrate that fuzzy logic optimization significantly enhances real-time
motion classification on low-cost embedded platforms.
Keywords: fuzzy logic, MPU6050, Arduino Mega, motion classification, optimization
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,
publicado en este sitio está disponibles bajo Licencia Creative Commons.
Cómo citar: Villalta Vilca, J. R., Rojas Pari, R. J., Pineda Yucra, W., Pineda Yucra, W., & Choque Castro,
M. D. (2025). Optimización de lógica difusa en Arduino Mega y MPU6050 para la clasificación de
movimientos. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades 6 (3), 1233 –
1245. https://doi.org/10.56712/latam.v6i3.4020
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1235.
INTRODUCCIÓN
Contexto y justificación
En las últimas décadas, los sistemas embebidos de bajo costo han impulsado el desarrollo de
aplicaciones robóticas y de monitoreo de movimientos humanos mediante unidades de medición
inercial (IMU). El módulo MPU6050, que integra acelerómetro y giroscopio de seis grados de libertad,
se ha consolidado como opción preferida en proyectos de robótica móvil y wearables debido a su
precisión y tamaño reducido (Franček et al., 2023). Paralelamente, Arduino Mega ofrece una plataforma
accesible para la adquisición de datos en tiempo real, con tasas de muestreo de hasta 50 Hz y facilidad
de calibración de offsets en entorno Arduino (Soto-Hidalgo et al., 2019). Sin embargo, las lecturas
crudas de IMU sufren de ruido de alta frecuencia y deriva, afectando la fidelidad de las señales de
orientación si no se aplican métodos de filtrado adecuados.
Revisión de la literatura
El empleo de filtros complementarios para la fusión de señales de acelerómetro y giróscopo ha
demostrado mejorar notablemente la calidad de la estimación de ángulos en robots autoequilibrados
(Wu & Zhang, 2012). En sistemas de control fuzzy, diversas arquitecturas Mamdani y Sugeno han sido
implementadas para estabilizar robots de dos ruedas, obteniendo rendimientos de control superiores
al 70 % en algunas configuraciones de PD difuso (Noor et al., 2023); no obstante, dichos estudios suelen
basarse en Arduino Uno o DSP dedicados y no exploran exhaustivamente la optimización de los
parámetros de las funciones de membresía.
Problema de investigación
A pesar de estos avances, falta un enfoque integral que combine adquisición en Arduino Mega, filtrado
complementario, extracción de características temporales y optimización ligera de funciones de
membresía fuzzy en un entorno reproducible con Python y aplicable en tiempo real. En particular, no se
ha evaluado sistemáticamente el impacto de diferentes formas de membresía (triangular vs. trapecial
basada en cuartiles) ni un proceso de validación cruzada que garantice robustez en diversas
particiones de datos.
Objetivos y preguntas de investigación.
Objetivo general
● Desarrollar y optimizar un clasificador fuzzy Mamdani que, a partir de datos de ángulo filtrado
y características temporales de MPU6050 adquiridos con Arduino Mega, logre una
clasificación de movimientos (“quieto”, “caminar”, “correr”, “girar”, “caer”) con precisión
superior al 60 %.
Objetivos específicos
● Comparar la performance de funciones de membresía triangulares vs. trapeciales basadas en
cuartiles.
● Implementar una búsqueda en cuadrícula para optimizar automáticamente los puntos de corte
trapezoidales.
● Validar la robustez del sistema mediante validación cruzada estratificada de 5 pliegues.
Preguntas de investigación
● ¿Cómo afecta la forma y ubicación de los puntos de corte de las funciones de membresía a la
precisión de clasificación?
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1236.
● ¿Puede alcanzarse o superarse un 60 % de accuracy optimizando únicamente los parámetros
fuzzy en Python sin métodos heurísticos complejos?
● ¿El sistema mantiene un rendimiento consistente (± 5 %) bajo validación cruzada?
METODOLOGÍA
Enfoque de investigación: Este estudio adopta un diseño cuantitativo-experimental, orientado a evaluar
la precisión de un clasificador fuzzy para movimientos, a partir de datos inerciales adquiridos con
Arduino Mega y MPU6050.
Diseño del estudio: Se implementó un experimento de laboratorio controlado. El sistema de
adquisición consta de un Arduino Mega 2560 conectado a un MPU6050, muestreando a 50 Hz y
registrando tramas de 15 s tras un conteo regresivo de 15 s para preparar el cambio de movimiento.
Sujetos de prueba: No se emplearon participantes humanos. Los movimientos fueron simulados
mecánicamente sobre una bancada fija:
“quieto”: placa sujeta sin movimiento.
“caminar”, “correr”, “girar”, “caer”: programación de servomotores que reproducen patrones
predefinidos de inclinación y giro sobre la placa.
Instrumentos de recolección de datos
MPU6050 (acelerómetro ±2 g, giróscopo ±250 °/s), calibrado en reposo para obtener offsets de cada
eje.
Arduino Mega 2560, como interfaz I²C y transmisor serial hacia el PC.
Software
Sketch en Python/C++ para Arduino, encargado de la adquisición y el conteo regresivo.
Scripts en Python para calibración, filtrado complementario y extracción de características.
Librerías Scikit-Fuzzy y Scikit-Learn para construcción del clasificador y validación.
Procedimiento
Calibración inicial: 30 s de reposo para estimar offsets de acelerómetro y giróscopo.
Adquisición: tras conteo regresivo de 15 s, grabación continua de 15 s del patrón mecánico.
Repetición: se captura cada patrón tres veces, con 30 s de descanso mecánico entre replicados.
Análisis de datos
Filtrado complementario para fusionar acelerómetro y giróscopo y reducir ruido y deriva (Summerville,
2009).
Segmentación en ventanas de 1 s sin solapamiento (50 muestras) para cada patrón.
Extracción de características: media, desviación estándar, RMS y pico-a-pico de las series de roll, ax,
ay y az.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1237.
Clasificador fuzzy
● Definición de variables lingüísticas con funciones trapeciales basadas en cuartiles.
● Optimización de puntos de corte por búsqueda en cuadrícula.
● Validación cruzada estratificada de 5 pliegues para estimar precisión y variabilidad.
DESARROLLO
Teorías y Modelos
El estudio se sustenta fundamentalmente en la Teoría de los Conjuntos Difusos de Zadeh, que
introduce el concepto de variable lingüística y posibilita el razonamiento aproximado frente a la
incertidumbre (Zadeh, 1975). Los Controladores Difusos Mamdani emplean reglas IF–THEN con
funciones de membresía tipo triangular o trapezoidal para deducir salidas a partir de entradas
imprecisas (Lee, 1990). Para la optimización ligera de estos parámetros se han explorado tanto
algoritmos evolutivos como búsquedas en cuadrícula; en este trabajo utilizamos una estrategia de grid
search basada en percentiles para ajustar los vértices de los trapecios.
Por otro lado, el Filtro Complementario se apoya en la fusión de señales de acelerómetro y giróscopo,
balanceando la baja frecuencia de uno con la alta frecuencia del otro, de modo que la estimación de
ángulo resulte más estable y libre de deriva (Summerville, 2009).
Conceptos Clave
Variable lingüística: Representa valores cualitativos (“bajo”, “medio”, “alto”) mediante funciones de
membresía cuyos dominios pueden ser continuos o discretos, facilitando el modelado de
conocimientos expertos (Zadeh, 1975).
Función de membresía trapezoidal y triangular: Definen el grado de pertenencia μ∈[0,1] de una entrada
a un conjunto difuso; la forma triangular es parametrizada por mínimo, medio y máximo, mientras que
la trapezoidal usa cuatro puntos (lo, q1, q2, hi) para mayor flexibilidad (Lee, 1990).
Inferencia Mamdani: Consiste en: fuzzificación de entradas, activación de reglas, agregación de
salidas difusas y defuzzificación (p. ej., método del centroide) para obtener un valor crudo final.
Grid search de percentiles: Técnica de optimización que barre combinaciones de cuartiles (20 %–80
%) para hallar la configuración que maximice la métrica de desempeño (accuracy).
Validación cruzada estratificada: Divide el dataset en k subconjuntos balanceados según clase,
entrena en k–1 y prueba en el restante, iterando para estimar robustez y varianza del modelo.
RESULTADOS
Desempeño global de los métodos
Tabla 1
Precisión de clasificación por método
Método Precisión (%)
Triangular 24.73
Trapecial 46.15
Optimizada 61.18
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1238.
Nota: Los resultados de la Tabla 1 muestran que el esquema de membresías trapezoidales basado en
cuartiles casi duplica la precisión respecto al enfoque triangular (de 24.7 % a 46.2 %). La optimización
posterior mediante búsqueda en cuadrícula eleva aún más la precisión hasta un 61.2 %, lo que confirma
el beneficio de ajustar los puntos de corte (gráfico 1).
Gráfico 1
Comparación de precisión entre métodos
Análisis de confusiones por método
Para entender cómo se distribuyen los errores de clasificación, examinamos las matrices de confusión
de los dos primeros métodos:
Gráfico 2
Matriz de confusión – Triangular
En el gráfico 2, el método triangular clasifica correctamente muy pocas instancias fuera de “correr”:
prácticamente todas las muestras de “quieto” y “girar” se confunden con “caminar” o “correr”.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1239.
Gráfico 3
Matriz de confusión – Trapecial
El gráfico 3 muestra que el esquema trapecial reduce considerablemente las confusiones de “quieto”
y “caer”, aunque aún persisten errores en las clases dinámicas intermedias.
Rendimiento por clase
Se calcularon precision, recall y F1-score para cada clase y ambos métodos:
Gráfico 4
Precisión por clase
El gráfico 4 indica que el método trapezoidal mejora la precisión en “quieto”, “caminar” y “girar”,
mientras que el esquema triangular únicamente destaca en “caer”.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1240.
Gráfico 5
Recall por clase
Según el gráfico 5, el trapecial recupera casi todas las instancias de “quieto” y más de la mitad de
“caer”, mientras que el triangular sólo es efectivo en “correr”.
Gráfico 6
F1-score por clase
El gráfico 6 6 sintetiza la armonía entre precision y recall, confirmando que el trapecial (F1 ≈ 0.80 en “quieto” y
≈ 0.56 en “caer”) supera ampliamente al baseline.
Distribución de las características
Los boxplots de las variables clave por etiqueta evidencian la razón del éxito del trapecial:
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1241.
Gráfico 7
Boxplot de rms_roll por etiqueta
Gráfico 8
Boxplot de std_roll por etiqueta
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1242.
Gráfico 9
Boxplot de p2p_roll por etiqueta
Las figuras 7 y 9 muestran rangos crecientes de variabilidad y amplitud de “quieto” a “caer”, lo que
justifica la necesidad de trapecios ajustados a los percentiles para capturar matices entre clases.
Optimización por búsqueda en cuadrícula
Se exploraron combinaciones de percentiles para definir los trapecios:
Tabla 2
Top 5 configuraciones de grid search
q1_pct q2_pct q3_pct Precisión (%)
0.35 0.80 0.80 61.18
0.80 0.35 0.80 61.18
0.80 0.80 0.35 61.18
0.35 0.65 0.80 59.30
0.35 0.80 0.65 59.30
Nota: Los resultados en Tabla 2 confirman que el percentil 35 % para el primer corte y el 80 % para los
dos siguientes maximizan la precisión.
Robustez mediante validación cruzada
La configuración óptima se validó con 5-fold estratificado:
Tabla 3
Precisión por pliegue en validación cruzada
Pliegue Precisión (%)
1 50.00
2 58.82
3 61.11
4 58.82
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1243.
5 60.00
Media ± SD 57.75 ± 3.97
Gráfico 10
Matriz de confusión agregada (5-fold) (archivo: Figure_1a.png)
El gráfico 10 muestra una mejora generalizada en la detección de “quieto” y “caer”, validando la
consistencia del método (media 57.8 % ± 3.9 %).
DISCUSIÓN
Implicaciones teóricas y prácticas
Teóricamente, este estudio refuerza la noción de que la selección de funciones de membresía —no
solo su número— es crítica para el rendimiento de los clasificadores fuzzy (Lee, 1990. Demuestra la
viabilidad de sistemas embebidos de bajo coste (Arduino Mega + MPU6050) para aplicaciones de
reconocimiento de patrones de movimiento, sin requerir hardware especializado o algoritmos muy
pesados, lo cual abre la puerta a soluciones portátiles en salud, deportes o rehabilitación.
Limitaciones
Alcance de variables: sólo se usaron métricas derivadas del eje de roll; es posible que incorporar
aceleraciones en otros ejes o características espectrales incremente la discriminación entre clases
cercanas (“correr” vs. “girar”).
Entorno controlado: las pruebas se realizaron en bancada mecánica, con movimientos predefinidos;
no se evaluó la variabilidad inherente a sujetos humanos ni condiciones de terreno real.
Grid search estático: aunque resulta eficaz, la búsqueda en cuadrícula es costosa si se amplía el
espacio de parámetros; métodos dinámicos como algoritmos genéticos podrían explorar rangos
continuos con mayor eficiencia (Acampora et al., 2019).
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1244.
Recomendaciones para futuras investigaciones
Extender características: incluir estadísticas de aceleración en los ejes x/y/z y parámetros del dominio
de la frecuencia para enriquecer el espacio de entrada.
Optimización avanzada: implementar y comparar metaheurísticas (algoritmos genéticos, PSO) frente
al grid search para ajustar simultáneamente cortes y reglas (Genetic algorithm–based control…, 2021).
Pruebas en campo: validar el sistema con usuarios reales en escenarios dinámicos (caminatas al aire
libre, superficies irregulares) para evaluar robustez frente a ruido ambiental.
Adaptación online: explorar técnicas de aprendizaje incremental para ajustar automáticamente los
puntos de corte según variaciones del sensor o desgaste mecánico.
CONCLUSIÓN
Este estudio ha demostrado que la optimización de las funciones de membresía en un clasificador
fuzzy, aplicado sobre datos inerciales de MPU6050 adquiridos con Arduino Mega, incrementa de
manera sustancial la precisión de la clasificación de movimientos. Pasamos de un 24 % con
membresías triangulares a un 46 % al utilizar trapecios basados en cuartiles, y alcanzamos un 61 %
tras optimizar los puntos de corte mediante búsqueda en cuadrícula. La validación cruzada de 5
pliegues (57,8 % ± 3,9 %) confirmó la robustez del enfoque en condiciones controladas. Estos
resultados resaltan la relevancia de ajustar la forma y ubicación de los cortes fuzzy para mejorar el
desempeño sin incrementar la complejidad computacional, lo que convierte a este framework en una
solución viable para aplicaciones de reconocimiento de movimiento en sistemas embebidos de bajo
coste.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1245.
REFERENCIAS
Chen, C., & Wang, J. (2020). A two-wheeled self-balancing robot with the fuzzy PD control method.
International Journal of Advanced Robotic Systems, 17(3), 1-12.
https://doi.org/10.1177/1729881420932345
Franček, M., Krbec, K., & Krbec, D. (2023). Noise reduction in the accelerometer and gyroscope sensor
with complementary filtering on a self-balancing robot. Sensors, 23(4), 1710.
https://doi.org/10.3390/s23041710
Lee, C.-C. (1990). Fuzzy logic in control systems: Fuzzy logic controller. Part I & Part II. IEEE
Transactions on Systems, Man, and Cybernetics, 20(2), 404-435. https://doi.org/10.1109/21.52552
Noor, M., Yasin, H., & Ahmad, R. (2023). Study on the performance of a two-wheeled balancing mobile
robot using a fuzzy PD controller. Applied System Innovation, 6(1), 14.
https://doi.org/10.3390/asi6010014
Soto-Hidalgo, C., Rodríguez-Reséndiz, J., & Cruz-Ávila, M. (2019). Design of fuzzy controllers for
embedded systems with Arduino. IEEE Latin America Transactions, 17(8), 1319-1325.
https://doi.org/10.1109/TLA.2019.8887354
Summerville, B. (2009). Noise reduction in inertial sensors using complementary filters for mobile
robots. Robotics and Autonomous Systems, 57(10), 1018-1024.
https://doi.org/10.1016/j.robot.2009.07.004
Tang, Y., & Zhao, L. (2021). Genetic-algorithm-based control of a two-wheeled self-balancing mobile
robot. Electronics, 10(9), 1027. https://doi.org/10.3390/electronics10091027
Zadeh, L. A. (1975). The concept of a linguistic variable and its application to approximate reasoning.
Information Sciences, 8(3), 199-249. https://doi.org/10.1016/0020-0255(75)90036-5
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en
este sitio está disponibles bajo Licencia Creative Commons .