¿Puede la IA detectar acciones humanas? Exploración del reconocimiento de actividades

La vida cotidiana está llena de pequeños movimientos en los que rara vez nos paramos a pensar. Cruzar una habitación, sentarse a un escritorio o saludar a un amigo puede parecernos sencillo, pero detectarlos con IA es mucho más complicado. Lo que a las personas les sale de forma natural se vuelve mucho más complejo cuando una máquina intenta comprenderlo.

Esta capacidad se conoce como reconocimiento de actividades humanas (HAR) y permite a los ordenadores detectar e interpretar patrones del comportamiento humano. Una aplicación de fitness es un buen ejemplo de HAR en acción. Al registrar los pasos y las rutinas de entrenamiento, muestra cómo la IA puede supervisar las actividades diarias.

Al ver el potencial de HAR, muchos sectores han empezado a adoptar esta tecnología. De hecho, se prevé que el mercado del reconocimiento de acciones humanas supere los 12.560 millones de dólares en 2033.

Una parte importante de este progreso está impulsada por la visión artificial, una rama de la IA que permite a las máquinas analizar datos visuales, como imágenes y vídeos. Gracias a la visión artificial y al reconocimiento de imágenes, HAR ha pasado de ser un concepto de investigación a convertirse en una parte práctica de las aplicaciones modernas de IA.

En este artículo veremos qué es HAR, qué métodos se utilizan para reconocer acciones humanas y cómo la visión artificial ayuda a responder a esta pregunta: ¿puede la IA detectar acciones humanas en aplicaciones del mundo real?

¿Qué es el reconocimiento de acciones humanas?#

El reconocimiento de acciones humanas permite que los sistemas informáticos comprendan actividades o acciones humanas mediante el análisis de los movimientos corporales. A diferencia de la simple detección de una persona en una imagen, HAR puede ayudar a identificar qué está haciendo esa persona. Por ejemplo, distinguir entre caminar y correr, reconocer un saludo con la mano o detectar que alguien se ha caído.

HAR se basa en patrones de movimiento y postura. Un ligero cambio en la posición de los brazos o las piernas de una persona puede indicar distintas acciones. Al capturar e interpretar estos detalles sutiles, los sistemas HAR pueden extraer información útil de los movimientos corporales.

Para lograrlo, el reconocimiento de acciones humanas combina varias tecnologías, como el aprendizaje automático, los modelos de aprendizaje profundo, la visión artificial y el procesamiento de imágenes, que trabajan conjuntamente para analizar los movimientos corporales e interpretar las acciones humanas con mayor precisión.

Fig. 1. El reconocimiento de actividades humanas implica distintas ramas de la informática (Fuente: cell.com)

Los primeros sistemas HAR eran mucho más limitados. Solo podían procesar unas pocas acciones sencillas y repetitivas en entornos controlados, y a menudo tenían dificultades en situaciones reales.

Hoy en día, gracias a la IA y a las grandes cantidades de datos de vídeo, HAR ha avanzado considerablemente tanto en precisión como en robustez. Los sistemas modernos pueden reconocer una amplia variedad de actividades con mucha más precisión, lo que hace que esta tecnología resulte práctica en ámbitos como la sanidad, la seguridad y los dispositivos interactivos.

Distintos métodos para detectar acciones humanas#

Ahora que entendemos mejor qué es el reconocimiento de acciones humanas, veamos las distintas formas en que las máquinas pueden detectar acciones humanas.

Estos son algunos de los métodos más habituales:

• Métodos basados en sensores: Los dispositivos inteligentes, como los acelerómetros, los dispositivos ponibles y los smartphones, pueden captar señales directamente del cuerpo humano. Pueden mostrar patrones de movimiento como caminar, correr o incluso quedarse quieto. Un contador de pasos en un reloj inteligente es un buen ejemplo de este método.
• Métodos basados en la visión: Las cámaras combinadas con la visión artificial analizan imágenes y vídeos para seguir el aspecto y el movimiento del cuerpo fotograma a fotograma. Esto permite reconocer actividades más complejas. Los televisores o sistemas de videojuegos controlados por gestos se basan en este método.
• Métodos multimodales: Combinan sensores y cámaras para crear un sistema más fiable, ya que una fuente puede confirmar lo que detecta la otra. Por ejemplo, un dispositivo ponible puede registrar el movimiento mientras una cámara comprueba la postura; esta configuración suele utilizarse para detectar caídas en la atención a personas mayores.

El papel de los conjuntos de datos en el reconocimiento de actividades humanas#

Para cualquier modelo o sistema HAR, los conjuntos de datos son el punto de partida. Un conjunto de datos HAR es una colección de ejemplos, como vídeos, imágenes o datos de sensores, que capturan acciones como caminar, sentarse o saludar. Estos ejemplos se usan para entrenar modelos de IA que reconozcan patrones del movimiento humano y que después se pueden aplicar en situaciones reales.

La calidad de los datos de entrenamiento afecta directamente al rendimiento de un modelo. Los datos limpios y uniformes facilitan que el sistema reconozca las acciones con precisión.

Por eso, los conjuntos de datos suelen preprocesarse antes del entrenamiento. Un paso habitual es la normalización, que ajusta los valores de forma uniforme para reducir errores y evitar el sobreajuste (cuando un modelo funciona bien con los datos de entrenamiento, pero tiene dificultades con datos nuevos).

Para medir el rendimiento de los modelos más allá del entrenamiento, los investigadores recurren a métricas de evaluación y conjuntos de datos de referencia que permiten realizar pruebas y comparaciones justas. Colecciones populares como UCF101, HMDB51 y Kinetics incluyen miles de vídeos etiquetados para detectar acciones humanas. En cuanto a los sensores, los conjuntos de datos recopilados con smartphones y dispositivos ponibles proporcionan señales de movimiento valiosas que hacen que los modelos de reconocimiento sean más robustos en distintos entornos.

Fig. 2. Un vistazo a un conjunto de datos de reconocimiento de actividades humanas. (Fuente)

Cómo contribuye la visión artificial al reconocimiento de actividades humanas#

De las distintas formas de detectar acciones humanas, la visión artificial se ha convertido rápidamente en uno de los métodos más populares y estudiados. Su principal ventaja es que puede extraer abundante información directamente de imágenes y vídeos. Al examinar los píxeles fotograma a fotograma y analizar los patrones de movimiento, puede reconocer actividades en tiempo real sin que las personas tengan que llevar dispositivos adicionales.

Los avances recientes en aprendizaje profundo, especialmente en las redes neuronales convolucionales (CNNs), diseñadas para analizar imágenes, han hecho que la visión artificial sea más rápida, precisa y fiable.

Por ejemplo, modelos de visión artificial de última generación muy utilizados, como Ultralytics YOLO11 (al que posteriormente sucedió Ultralytics YOLO26), se basan en estos avances. YOLO11 admite tareas como la detección de objetos, la segmentación de instancias, el seguimiento de personas entre fotogramas de vídeo y la estimación de poses humanas, por lo que es una herramienta excelente para el reconocimiento de actividades humanas.

Descripción general de Ultralytics YOLO11#

Ultralytics YOLO11 es un modelo de IA visual diseñado para ofrecer velocidad y precisión. Admite tareas esenciales de visión artificial, como la detección de objetos, el seguimiento de objetos y la estimación de poses. Estas capacidades son especialmente útiles para el reconocimiento de actividades humanas.

La detección de objetos identifica y localiza a las personas en una escena; el seguimiento sigue sus movimientos entre fotogramas de vídeo para reconocer secuencias de acciones; y la estimación de poses localiza las articulaciones principales del cuerpo humano para distinguir entre actividades similares o detectar cambios repentinos, como una caída.

Por ejemplo, la información del modelo se puede usar para distinguir entre alguien que está sentado tranquilamente, luego se pone de pie y, por último, levanta los brazos para celebrar. A primera vista, estas acciones cotidianas pueden parecer similares, pero tienen significados muy distintos cuando se analizan en secuencia.

Fig. 3. Uso de Ultralytics YOLO11 para la estimación de poses. (Fuente)

Aplicaciones reales de la visión artificial y HAR#

A continuación, veremos más de cerca cómo se aplica el reconocimiento de actividades humanas basado en visión artificial en casos reales que influyen en nuestra vida cotidiana.

Sanidad y bienestar#

En el ámbito de la sanidad, los pequeños cambios en el movimiento pueden aportar información útil sobre el estado de una persona. Por ejemplo, un tropiezo de un paciente mayor o el ángulo de una extremidad durante la rehabilitación pueden revelar riesgos o avances. Estos indicios suelen pasar desapercibidos con métodos tradicionales, como las revisiones médicas.

Ultralytics YOLO11 puede ayudar a supervisar a los pacientes en tiempo real mediante la estimación de poses y el análisis de imágenes. Puede utilizarse para detectar caídas, hacer un seguimiento de los ejercicios de recuperación y observar actividades diarias como caminar o estirarse. Como funciona mediante análisis visual sin necesidad de sensores ni dispositivos ponibles, ofrece una forma sencilla de recopilar información precisa que favorece la atención al paciente.

Fig. 4. Seguimiento de movimientos corporales mediante la compatibilidad de Ultralytics YOLO11 con la estimación de poses. (Fuente)

Seguridad y vigilancia#

Los sistemas de seguridad deben detectar rápidamente actividades humanas inusuales, como que alguien merodee, corra en una zona restringida o muestre una agresividad repentina. Estas señales suelen pasar desapercibidas en entornos concurridos, donde el personal de seguridad no puede vigilarlo todo manualmente. Ahí es donde entran en juego la visión artificial y Ultralytics YOLO11.

YOLO11 facilita la supervisión de la seguridad al ofrecer videovigilancia en tiempo real capaz de detectar movimientos sospechosos y enviar alertas inmediatas. Contribuye a la seguridad de las multitudes en espacios públicos y refuerza la detección de intrusiones en zonas privadas.

Con este enfoque, los guardias de seguridad pueden trabajar junto con sistemas de visión artificial y responder más rápidamente a actividades sospechosas.

Ventajas e inconvenientes del uso de la visión artificial para HAR#

Estas son algunas de las ventajas del uso de la visión artificial para el reconocimiento de actividades humanas:

• Escalabilidad: Una vez configurado, el mismo sistema de reconocimiento puede monitorizar automáticamente a varias personas a la vez, lo que lo hace útil para automatizar centros sanitarios, fábricas y espacios públicos.
• Procesamiento en tiempo real: Las soluciones de IA visual se pueden usar para analizar flujos de vídeo a medida que se producen, lo que permite responder con mayor rapidez.
• Seguimiento no invasivo: A diferencia de los dispositivos ponibles o los sensores, no exige que las personas lleven dispositivos, lo que permite analizar su comportamiento de forma natural y sencilla.

Aunque la visión artificial ofrece muchas ventajas para HAR, también tiene limitaciones que conviene tener en cuenta. Estos son algunos factores que debes considerar:

• Cuestiones de privacidad: La monitorización basada en vídeo puede plantear problemas de protección de datos y consentimiento, sobre todo en entornos sensibles como hogares o lugares de trabajo.
• Posibles sesgos: Si los conjuntos de datos de entrenamiento no son lo bastante diversos, los algoritmos pueden interpretar mal las acciones de determinados grupos de personas, lo que puede dar lugar a resultados injustos o imprecisos.
• Sensibilidad al entorno: La precisión puede disminuir debido a una iluminación deficiente, a fondos desordenados o a que las personas estén parcialmente ocultas, por lo que los sistemas deben diseñarse con cuidado.

Conclusiones clave#

La inteligencia artificial y la visión artificial están haciendo posible que las máquinas reconozcan acciones humanas con mayor precisión y en tiempo real. Al analizar fotogramas de vídeo y patrones de movimiento, estos sistemas pueden identificar tanto gestos cotidianos como cambios repentinos. A medida que la tecnología sigue mejorando, el reconocimiento de actividades humanas sale de los laboratorios de investigación y se convierte en una herramienta práctica para la sanidad, la seguridad y las aplicaciones cotidianas.

Descubre más sobre IA visitando nuestro repositorio de GitHub y uniéndote a nuestra comunidad. Consulta nuestras páginas de soluciones para obtener más información sobre la IA en robótica y la visión artificial en la fabricación. Descubre nuestras opciones de licencia para empezar a trabajar con IA visual.