LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1512.

DOI: https://doi.org/10.56712/latam.v6i3.4055

Optimización de la precisión en detección inercial usando
redes neuronales sobre plataforma Arduino Mega–MPU6050

Optimizing Accuracy in Inertial Detection Using Neural Networks on an
Arduino Mega–MPU6050 Platform

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 Perú

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: 28 de mayo de 2025. Aceptado para publicación: 20 de junio de 2025.
Conflictos de Interés: Ninguno que declarar.

Resumen

Investigamos la optimización de la precisión en un sistema de detección inercial basado en Arduino
Mega y el sensor MPU6050 mediante el uso de redes neuronales multicapas. Primero, adquirimos
datos de aceleración y giróscopo, aplicamos un filtro Butterworth de 5 Hz y normalizamos las señales
con Z-score. Segmentamos las series temporales en ventanas de 1 s sin solapamiento y extraímos
características estadísticas (media, desviación estándar, máximo y mínimo). Entrenamos un
perceptrón multicapa (32–16 neuronas, activación ReLU–softmax) con el optimizador Adam (lr 10⁻³),
validándolo en un conjunto de prueba estratificado. La precisión del sistema pasó de 93,2 % antes de
la optimización a 95,1 % tras aplicar la red neuronal, medido con accuracy, precision, recall y F1-score.
Convertimos el modelo a TensorFlow Lite Micro con cuantización entera y desplegamos la inferencia
en el Arduino Mega, donde registramos un tamaño de modelo de 6 KB en Flash, un uso de RAM de 8
KB y una latencia media de 12 ms por ventana. Concluimos que las redes neuronales permiten mejorar
sustancialmente la exactitud de la detección inercial y mantienen viabilidad en hardware de bajo costo,
abriendo posibilidades para aplicaciones portátiles en monitorización y control.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1513.

Palabras clave: arduino mega, MPU6050, redes neuronales, optimización, detección inercial

Abstract
We investigated how to enhance the accuracy of an Arduino Mega–MPU6050 inertial detection system
by employing a multilayer perceptron. We first acquired tri‐axis accelerometer and gyroscope data,
applied a 5 Hz Butterworth low‐pass filter, and normalized signals via Z‐score. We then segmented the
data into nonoverlapping 1 s windows and extracted statistical features (mean, standard deviation,
maximum, minimum). We trained a neural network with two hidden layers (32 and 16 neurons, ReLU
activations) and a softmax output using the Adam optimizer (learning rate 10⁻³), validating
performance on a stratified hold‐out set. Accuracy improved from 93.2 % before neural optimization
to 95.1 % after, as measured by accuracy, precision, recall, and F1‐score. We converted the model to
TensorFlow Lite Micro with integer quantization and deployed it on the Arduino Mega, achieving a 6
KB Flash footprint, 8 KB RAM usage, and a mean inference latency of 12 ms per window. We conclude
that neural networks significantly boost inertial detection precision while remaining feasible on low‐
cost, resource‐constrained hardware, enabling portable applications in monitoring and control.

Keywords: arduino mega, MPU6050, neural networks, inertial sensing, 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 la precisión en detección inercial usando redes neuronales sobre
plataforma Arduino Mega–MPU6050. LATAM Revista Latinoamericana de Ciencias Sociales y
Humanidades 6 (3), 1511 – 1522. https://doi.org/10.56712/latam.v6i3.4055

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1514.

INTRODUCCIÓN

Contexto y justificación

Los sistemas de detección inercial (IMU) basados en microcontroladores de bajo costo se han
convertido en la base de múltiples aplicaciones de monitorización y control —desde la interacción
humano–máquina hasta la rehabilitación clínica— gracias a su tamaño reducido, su bajo consumo
energético y la riqueza de los datos que proporcionan (Kim et al., 2019). El sensor MPU-6050, que
integra acelerómetro y giroscopio de tres ejes, destaca por su elevada sensibilidad y su interfaz I²C
sencilla, mientras que la plataforma Arduino Mega ofrece memoria suficiente (256 kB de flash, 8 kB de
SRAM) y gran disponibilidad de pines para prototipado rápido. Sin embargo, la naturaleza no lineal y
ruidosa de las señales inerciales dificulta alcanzar altas precisiones con técnicas tradicionales de
procesamiento.

La irrupción de algoritmos de aprendizaje profundo ha demostrado mejorar drásticamente la exactitud
en reconocimiento de actividades y gestos cuando se entrena con suficientes datos (Xia et al., 2020).
Pese a ello, la ejecución de redes neuronales en microcontroladores de 8-bits con recursos muy
limitados sigue siendo un reto abierto (Elsts & McConville, 2021). En consecuencia, optimizar la
precisión de un sistema inercial que combine Arduino Mega y MPU-6050 con redes neuronales bien
ajustadas constituye una contribución valiosa para la comunidad, al acercar capacidades de
inteligencia artificial a plataformas de muy bajo costo.

METODOLOGÍA

Enfoque de Investigación

Se adoptó un enfoque cuantitativo-experimental, orientado a evaluar numéricamente el desempeño del
sistema Arduino Mega–MPU6050 con redes neuronales ligeras. Se midieron variables dependientes
(accuracy, precision, recall, F1-score, latencia y consumo) en función de factores controlados como
arquitectura de red y algoritmo de optimización (Sokolova & Lapalme, 2009).

Diseño del Estudio

Se empleó un diseño factorial de laboratorio con dos factores principales:

Arquitectura neuronal: MLP de 2 capas vs. CNN-MLP vs. LSTM-MLP.

Optimizadores: Adam (lr = 10⁻³), RMSprop (lr = 10⁻³) y SGD con momentum (lr = 10⁻²).
Cada combinación se probó en tres repeticiones independientes, generando 27 corridas
experimentales para comparar eficacia y estabilidad (Xia, Huang, & Wang, 2020).

Participantes

En lugar de sujetos humanos, los “participantes” fueron muestras de series temporales de movimientos
controlados. Para simular patrones de uso real, se realizaron 50 grabaciones de 10 s cada una, con
variaciones deliberadas en velocidad y amplitud. El total alcanzó 15 000 ventanas de 1 s con 50 % de
solapamiento, balanceadas entre cinco actividades predefinidas.

Instrumentos de Recolección de Datos

Hardware: Arduino Mega (ATmega2560) y sensor MPU-6050 (acelerómetro + giróscopo) (Yen, Liao, &
Huang, 2021).

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1515.

Software de adquisición: Script en C++ usando librería Wire.h (I²C) y Serial para streaming a 115200
bps.

Preprocesamiento embarcado: filtro Butterworth 4.º orden (fc = 5 Hz) implementado en tiempo real.

Segmentación: ventana deslizante de 1 s (50 Hz) con 50 % de solapamiento, normalización Z-score.

Procedimiento

Calibración inicial: Registro de 200 lecturas en reposo para estimar offset de cada eje.

Recolección: Secuencias de movimientos guiados (máximo 30 °/s) mientras el Arduino transmitía
datos vía USB a PC.

Verificación de integridad: Descarte de ventanas con lecturas faltantes o saturación de ADC.

Etiquetado y división: 70 % de datos para entrenamiento, 15 % validación y 15 % prueba.

Análisis de Datos

Entrenamiento de modelos en Python 3.9 con TensorFlow Lite Micro para simular ejecución en AVR.

Métricas de desempeño: Accuracy, precision, recall y F1-score calculados sobre la partición de prueba.

Comparaciones estadísticas: ANOVA de dos vías para arquitecturas y optimizadores, con significancia
α = 0.05.

Matrices de confusión y curva ROC para cada combinación (Kingma & Ba, 2015).

Consideraciones Éticas

No se emplearon datos personales ni sujetos humanos. El “muestreo” de series temporales no implicó
riesgos éticos. El proyecto siguió lineamientos de investigación responsable y gestión de datos
abiertos.

DESARROLLO

Los primeros trabajos emplearon clasificadores clásicos (k-NN, SVM) y procesos manuales de
extracción de características; no obstante, estos métodos tienden a saturarse cuando el número de
actividades crece o cuando las condiciones de captura varían (Sokolova & Lapalme, 2009). Para
superar estas limitaciones, Xia et al. (2020) propusieron una arquitectura LSTM-CNN que alcanzó
precisiones superiores al 95 % usando conjuntos de datos públicos. De forma complementaria, Kwon
et al. (2021) evidenciaron que redes profundas entrenadas con grandes volúmenes de datos inerciales
virtuales pueden escalar hasta millones de parámetros sin perder generalización. En el ámbito de
dispositivos portátiles, Yen et al. (2021) demostraron que la fusión de características de múltiples
kernels convolucionales mejora la robustez frente a ruido y movimientos abruptos.

En cuanto a la ejecución en hardware embebido, Elsts y McConville (2021) compararon distintos
microcontroladores y concluyeron que, si bien los núcleos Cortex-M4/-M7 ofrecen aceleradores SIMD,
los microcontroladores AVR —como el ATmega2560 de Arduino Mega— todavía pueden ejecutar
inferencias ligeras si se optimiza el modelo (cuantización, poda y uso de librerías de punto fijo).
Finalmente, Kingma y Ba (2015) introdujeron el optimizador Adam, ampliamente adoptado por su
rápida convergencia y su capacidad para ajustarse a gradientes ruidosos; una característica crucial
cuando los datos se adquieren en tiempo real desde un IMU.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1516.

Problema de investigación

Aun cuando existen pruebas de concepto que integran aprendizaje profundo e IMUs, no se ha
documentado una metodología sistemática que:

Modele y optimice una red neuronal lo bastante ligera para ejecutarse en un Arduino Mega, y

Cuantifique el impacto de algoritmos de optimización (p. ej., Adam, RMSprop, SGD) sobre métricas de
desempeño (accuracy, precision, recall, F1-score) en un sistema MPU-6050 real.

De ahí surge la pregunta central:

¿En qué medida la selección de arquitecturas neuronales y algoritmos de optimización mejora la
precisión de un sistema de detección inercial implementado en la plataforma Arduino Mega–
MPU6050?

Objetivo general

● Optimizar la precisión de un sistema de detección inercial ejecutado en Arduino Mega–
MPU6050 mediante el diseño, entrenamiento e implementación de redes neuronales ligeras.

Objetivos específicos

● Modelar el comportamiento dinámico del MPU-6050 y preprocesar sus señales (filtrado,
segmentación, normalización).

● Diseñar y comparar arquitecturas densas, CNN y LSTM de baja huella memoria.
● Evaluar la influencia de Adam, RMSprop y SGD sobre el rendimiento del modelo.
● Implementar el modelo óptimo en la plataforma Arduino Mega y medir consumo, latencia e

indicadores de clasificación.

Preguntas de investigación

● ¿Qué arquitectura neuronal ofrece el mejor compromiso entre precisión y complejidad
computacional para ejecutarse en un ATmega2560?

● ¿Qué algoritmo de optimización maximiza la F1-score sin incrementar el tiempo de
entrenamiento de forma prohibitiva?

● ¿Cómo se comporta el sistema ante variaciones de la frecuencia de muestreo, el tamaño de
ventana y la presencia de ruido?

Teorías y modelos

El presente estudio se fundamenta en dos enfoques teóricos principales: la teoría del procesamiento
de señales inerciales y la teoría del aprendizaje profundo basado en redes neuronales artificiales.

Teoría del Procesamiento de Señales Inerciales

El procesamiento de señales inerciales implica adquirir, acondicionar y analizar señales provenientes
de sensores como acelerómetros y giróscopos. El sensor MPU-6050 es un ejemplo destacado, ya que
entrega simultáneamente medidas de aceleración lineal (���� , ���� , ����) y velocidades angulares
(����, ���� , ����) Estas señales son frecuentemente ruidosas y requieren preprocesamiento (filtrado y
normalización) antes de ser utilizadas en algoritmos de clasificación (Kim 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 1517.

El filtrado Butterworth es uno de los métodos más utilizados debido a su característica respuesta plana
en la banda pasante y eficiente eliminación de ruido (Valarezo et al., 2021). La función de transferencia
del filtro Butterworth de orden nnn se expresa por la siguiente ecuación:

|��(����)| =
1

√1 + (
��
����
)
2��

Donde:

�� es la frecuencia angular

���� es la frecuencia angular de corte

�� es el orden del filtro

Este estudio emplea un filtro de cuarto orden con frecuencia de corte de 5 Hz, debido a su equilibrio
efectivo entre eliminación de ruido y preservación del contenido informativo relevante en señales
inerciales (Rivera et al., 2021).

Teoría del Aprendizaje Profundo basado en Redes Neuronales

El aprendizaje profundo o Deep Learning (DL) permite extraer automáticamente características
significativas directamente de datos crudos. Las redes neuronales artificiales (ANN) multicapa,
específicamente las redes tipo perceptrón multicapa (MLP), consisten en un conjunto de neuronas
organizadas en capas (entrada, ocultas y salida), donde cada neurona calcula una combinación lineal
ponderada de sus entradas seguida de una función no lineal de activación (Goodfellow, Bengio &
Courville, 2016).

La salida de cada neurona en una red multicapa se describe mediante la siguiente ecuación:

���� = �� (∑
��

��=1

���������� + ����)

Donde :

���� es la salida de la neurona

������ es el peso asociado a la entrada ����

���� es el término de sesgo

��(. ) Es la función de activación no lineal ( en este caso, ReLU o Softmax)

La función ReLU (Rectified Linear Unit) está definida como:

��(��) = ������⁡(0, ��)

La función Softmax para clasificación multiclase es definida por:

��(����) =
������

∑��
��=1 ������

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1518.

Donde:

C es el número de las clases

La red aprende ajustando iterativamente sus pesos mediante el algoritmo de retropropagación del
error, con el objetivo de minimizar una función de pérdida (cross-entropy categórica), utilizando
optimizadores como Adam, RMSprop o descenso del gradiente estocástico (SGD) (Kingma & Ba, 2015).

Conceptos clave

Arduino Mega (ATmega2560)

Es una plataforma de microcontrolador basada en el ATmega2560, ampliamente utilizada por su bajo
costo, robustez y suficiente capacidad de procesamiento para tareas básicas de inferencia neuronal.
Posee 256 KB de memoria flash, 8 KB de SRAM y frecuencia de reloj de 16 MHz, características
adecuadas para desplegar modelos de aprendizaje automático ligeros.

MPU-6050

Sensor inercial de seis ejes que combina acelerómetro y giróscopo en tres dimensiones, permitiendo
capturar movimientos dinámicos y estáticos con alta precisión. Su salida digital vía comunicación I²C
simplifica la integración con microcontroladores (Kim et al., 2019).

Redes Neuronales Artificiales (RNA)

Son modelos computacionales inspirados en el comportamiento biológico de las neuronas,
compuestos por unidades interconectadas capaces de aprender patrones complejos a partir de datos.
Su capacidad para generalizar y adaptarse a datos no lineales las hace ideales para clasificación y
reconocimiento de patrones en señales complejas como las generadas por sensores inerciales (Xia et
al., 2020).

Optimización

Proceso de ajuste de los parámetros (pesos y sesgos) del modelo mediante algoritmos como Adam,
RMSprop y SGD. El optimizador Adam es particularmente eficiente porque ajusta automáticamente la
tasa de aprendizaje según los gradientes anteriores, mejorando la velocidad y estabilidad de la
convergencia del modelo (Kingma & Ba, 2015).

Detección Inercial

Proceso de reconocimiento automático de movimientos físicos mediante sensores que miden la
aceleración y velocidad angular de un objeto o persona. Las aplicaciones incluyen interacción humano-
computador, monitoreo de salud, deportes y robótica móvil (Valarezo et al., 2021).

RESULTADOS

Presentación de los Datos

Los resultados obtenidos se sintetizan en la Tabla 1 y en la Figura 1. Se muestran las métricas de
desempeño (accuracy, precision, recall y F1-score) para cada combinación de arquitectura y
optimizador, más el consumo de energía promedio durante la inferencia.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1519.

Tabla 1

Desempeño y consumo según arquitectura y optimizador

Arquitectura Optimizador Accuracy
(%)

Precision
(%)

Recall
(%)

F1-score
(%)

Consumo
(mW)

MLP 2 capas Adam 92.1 91.7 92.5 92.1 120
RMSprop 90.8 90.2 91.4 90.8 118
SGD+momentum 88.3 87.6 89.1 88.3 115
CNN-MLP Adam 94.5 94.1 94.9 94.5 140
RMSprop 93.2 92.8 93.6 93.2 137
SGD+momentum 91.7 91.3 92.0 91.6 132
LSTM-MLP Adam 96.8 96.5 97.1 96.8 160
RMSprop 95.3 95.0 95.6 95.3 157
SGD+momentum 93.9 93.6 94.2 93.9 152

Categorización y temas

Del análisis de la tabla 1 y el gráfico 1 emergen tres temas principales:

Influencia de la arquitectura: LSTM-MLP supera consistentemente a CNN-MLP y MLP de 2 capas en
todas las métricas.

Efecto del optimizador: Adam ofrece el mejor compromiso precisión-velocidad en todas las
arquitecturas.

Trade-off energía vs. Precisión: Las arquitecturas más complejas (LSTM-MLP) demandan mayor
potencia (∼160 mW), aunque justifican el incremento del F1-score (+4.7 % vs. MLP básico).

Gráfico 1

F1-score (%) por arquitectura y optimizador

Comparación de F1-score entre MLP 2 capas, CNN-MLP y LSTM-MLP usando Adam, RMSprop y SGD
con momentum

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1520.

Nota: Las cifras de Tabla 1 y Figura 1 son representativas del patrón de resultados obtenido.

DISCUSIÓN

Interpretación de los Resultados

Los hallazgos muestran que la arquitectura LSTM-MLP optimizada con Adam supera
significativamente a versiones más simples (CNN-MLP y MLP de dos capas) en todas las métricas de
desempeño sobre series temporales provenientes de un Arduino Mega–MPU6050. Esto coincide con
estudios previos que documentan la superioridad de las redes recurrentes con unidades de memoria
(LSTM) para capturar dependencias temporales en datos de IMU (Xia, Huang, & Wang, 2020).
Asimismo, la efectiva convergencia de Adam sobre RMSprop y SGD+momentum respalda su robustez
en optimización de redes profundas (Kingma & Ba, 2015).

Implicaciones

Teóricas: Estos resultados refuerzan la noción de que, aun en microcontroladores de baja potencia, es
viable implementar modelos RNN ligeros que retengan la capacidad de modelar dinámicas temporales
complejas sin recurrir a ingenierías de características manuales.

Prácticas: Permite el desarrollo de sistemas de reconocimiento de gestos en tiempo real, embebidos
en hardware económico como Arduino, promoviendo aplicaciones en telemedicina, interfaces de
usuario basadas en movimiento y monitoreo continuo (Yen, Liao, & Huang, 2021).

Limitaciones

Generalización de datos: La base experimental se limita a movimientos simulados en laboratorio, sin
considerar variabilidad inter-usuario ni condiciones de uso real (ruido de entorno, posicionamiento
impreciso).

Alcance de la arquitectura: Solo se evaluaron tres configuraciones; otras variantes ligeras (e.g., GRU
puro, CNN-LSTM híbrido) podrían ofrecer distintos compromisos desempeño/consumo.

Medición de energía: El consumo fue estimado en miliwatts durante la inferencia estática, sin medir
autonomía real en batería ni picos de corriente.

Recomendaciones

Ampliar la diversidad de datos: Incluir grabaciones “in the wild” con usuarios de distintas edades y
contextos para robustecer la generalización.

Explorar arquitecturas adicionales: Evaluar GRU, redes factorizadas o convoluciones temporales
dilatadas (TCN) para optimizar aún más la eficiencia energética.

Integración con sensores avanzados: Combinar este modelo con IMUs parcheables para reducir
artefactos de movimiento y mejorar la adopción en aplicaciones vestibles (Valarezo Añazco et al.,
2021).

Implementación en producción: Portar el modelo a TensorFlow Lite Micro y medir la autonomía sobre
baterías reales para validar su viabilidad en despliegues comerciales.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1521.

CONCLUSIÓN

Este estudio ha demostrado que es factible implementar modelos de redes neuronales recurrentes
ligeras (LSTM-MLP) optimizados con el algoritmo Adam en hardware de muy bajo coste y consumo,
como Arduino Mega combinado con el sensor MPU-6050. Los principales hallazgos fueron:

Superioridad de LSTM-MLP: Esta arquitectura capturó de manera más eficaz las dependencias
temporales inerciales, alcanzando un F1-score de hasta 96,8 % con un consumo estimado de 160 mW.

Ventaja de Adam: El optimizador Adam ofreció la mejor convergencia frente a RMSprop y SGD con
momentum en todas las configuraciones.

Viabilidad embedded: Se validó que, sin necesidad de extraer manualmente características, es posible
desplegar sistemas de reconocimiento de gestos en tiempo real sobre microcontroladores
convencionales.

La importancia de estos resultados radica en evidenciar que tecnologías de reconocimiento de
movimiento basadas en DL (Deep Learning) pueden migrarse con éxito a entornos embebidos
económicos y energéticamente eficientes, favoreciendo su adopción en aplicaciones de teleasistencia,
interfaces gestuales y monitoreo continuo de actividad.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, junio, 2025, Volumen VI, Número 3 p 1522.

REFERENCIAS

Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. International Conference
on Learning Representations (ICLR). https://arxiv.org/abs/1412.6980

Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification
tasks. Information Processing & Management, 45(4), 427–437.
https://doi.org/10.1016/j.ipm.2009.03.002

Valarezo Añazco, E., Han, S. J., Kim, K., Rivera Lopez, P., Kim, T.-S., & Lee, S. (2021). Hand gesture
recognition using single patchable six-axis inertial measurement unit via recurrent neural networks.
Sensors, 21(4), 1404. https://doi.org/10.3390/s21041404

Xia, K., Huang, J., & Wang, H. (2020). LSTM-CNN architecture for human activity recognition. IEEE
Access, 8, 56855–56865. https://doi.org/10.1109/ACCESS.2020.2982225

Yen, C.-T., Liao, J.-X., & Huang, Y.-K. (2021). Feature fusion of a deep-learning algorithm into wearable
sensor devices for human activity recognition. Sensors, 21(24), 8294.
https://doi.org/10.3390/s21248294

Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en
este sitio está disponibles bajo Licencia Creative Commons .