000164693 001__ 164693
000164693 005__ 20251203145553.0
000164693 037__ $$aTAZ-TFG-2025-3353
000164693 041__ $$aspa
000164693 1001_ $$aPolo Llimós, David
000164693 24200 $$aDatabase Generation through Body Key Point Estimation and Pose Detection by Artificial Intelligence Algorithms
000164693 24500 $$aGeneración de Base de Datos mediante la Estimación de Puntos Clave Corporales y Detección de Pose por Algoritmos de Inteligencia Artificial
000164693 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2025
000164693 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000164693 520__ $$aEste trabajo explora el desarrollo de un conjunto de datos para la estimación de la pose humana en 3D, combinando grabaciones de vídeo con datos de sensores inerciales (IMUs) del traje Rokoko Smartsuit Pro II. A pesar de los avances en la estimación de pose en 3D, la mayoría de los conjuntos de datos públicos se basan en sistemas ópticos costosos y en entornos controlados, lo que limita su accesibilidad y aplicabilidad en entornos reales. El objetivo de este trabajo es la construcción de un conjunto de datos que combina datos de IMUs y vídeo, capturando 14 acciones cotidianas realizadas por 8 sujetos en entornos exteriores. El conjunto está estructurado para ser aplicado a modelos de aprendizaje profundo para la estimación de pose humana 3D. Para garantizar la calidad de los datos, se diseñó una estrategia de grabación multicámara sincronizada, junto con procedimientos específicos para alinear temporalmente las secuencias de vídeo y los registros inerciales. Los modelos del estado del arte MediaPipe, MHFormer y MotionBERT fueron evaluados en el conjunto de datos desarrollado usando la métrica PA-MPJPE. En esta evaluación se observaron comportamientos anómalos de los modelos en secuencias con oclusiones o posturas complejas. Este proyecto aporta un conjunto de datos valioso y reproducible que impulsa la estimación de pose en 3D en escenarios reales y apoya la investigación en salud, biomecánica e interacción persona-computadora.<br /><br />
000164693 521__ $$aGraduado en Ingeniería de Datos en Procesos Industriales
000164693 540__ $$aDerechos regulados por licencia Creative Commons
000164693 691__ $$a3 9 13
000164693 692__ $$aObjetivo 3: ODS 3: Salud y bienestar. La estimación de pose en 3D tiene aplicaciones directas en el ámbito de la salud y la biomecánica, facilitando el análisis del movimiento en estudios clínicos y deportivos. Objetivo 9: Industria, innovación e infraestructura. El trabajo propone una alternativa más accesible y económica a los métodos tradicionales de captura de movimiento basados en sistemas ópticos. Objetivo 12: Producción y consumo responsables. Al utilizar sensores inerciales en lugar de cámaras y sistemas de captura ópticos costosos, se reduce el consumo de materiales y energía en la implementación de laboratorios de captura de movimiento. Esto permite democratizar el acceso a la tecnología sin generar un impacto ambiental significativo. Objetivo 13: Acción por el clima: La reducción del uso de infraestructuras complejas y energéticamente demandantes en la investigación y desarrollo de modelos de estimación de pose contribuye a disminuir la huella de carbono.
000164693 700__ $$aAznar Gimeno, Rocío$$edir.
000164693 700__ $$aPérez Lázaro, David$$edir.
000164693 7102_ $$aUniversidad de Zaragoza$$b $$c
000164693 8560_ $$f843700@celes.unizar.es
000164693 8564_ $$s350899$$uhttps://zaguan.unizar.es/record/164693/files/TAZ-TFG-2025-3353_ANE.pdf$$yAnexos (spa)
000164693 8564_ $$s3642621$$uhttps://zaguan.unizar.es/record/164693/files/TAZ-TFG-2025-3353.pdf$$yMemoria (spa)
000164693 909CO $$ooai:zaguan.unizar.es:164693$$pdriver$$ptrabajos-fin-grado
000164693 950__ $$a
000164693 951__ $$adeposita:2025-12-03
000164693 980__ $$aTAZ$$bTFG$$cALM
000164693 999__ $$a20250701204204.CREATION_DATE