PFG y TFM sobre Phyum: Personalización del aprendizaje psicomotor

Se admiten solicitudes para la realización de PFGs (Proyectos Fin de Grado) y TFMs (Trabajos Fin de Máster) en la UNED.

Para ello, los estudiantes interesados deben contactar con la profesora responsable de esta línea de investigación (Olga C. Santos – ocsantos AT dia.uned.es) y enviarle el CV y el expediente académico, así como comentarle los intereses en relación con este tema de investigación, y en función de todo ello, se le propondrá una propuesta personalizada, centrada a los objetivos y dedicación según sea un PFG (18 ECTS, desarrollando un proyecto software y/o hardware) o TFM (12 ECTS en el Máster en Ingeniería y Ciencia de datos o 27 ECTS en el Máster en Investigación en Inteligencia Artificial), según corresponda.

-Información sobre los PFGs de los Grados en Informática y Tecnologías de la Información de la UNED (preinscripción del 1 de septiembre al 20 de octubre): https://www.uned.es/universidad/facultades/informatica/bienvenida/estudiantes/informacion_PFG.html

-Información sobre los TFMs del Máster Universitario en Investigación en Inteligencia Artificial de la UNED (preinscripción durante la segunda quincena de mayo): https://portal.uned.es/portal/page?_pageid=93,71759483&_dad=portal&_schema=PORTAL&idAsignatura=31108022&idTitulacion=310801.

-Información sobre los TFMs del Máster Universitario en Ingeniería y Ciencia de Datos de la UNED (preinscripción durante la segunda quincena de mayo): https://portal.uned.es/portal/page?_pageid=93,71759483&_dad=portal&_schema=PORTAL&idAsignatura=31110075&idTitulacion=311001.

Descripción del planteamiento general:

Existen muchas actividades que requiere el aprendizaje de habilidades motoras específicas, como tocar un instrumento musical, practicar deporte o artes marciales, etc. También es necesario dar soporte para abordar el proceso de envejecimiento de forma activa y saludable.

Aunque existen sistemas que facilitan el entrenamiento de movimientos específicos, no suelen tener en cuenta las características individuales de cada persona durante su ejecución y por tanto, no adaptan su respuesta a las necesidades concretas del usuario en función de sus habilidades, objetivos, progreso, etc. En este contexto, se propone la realización de desarrollos y trabajos de investigación orientados a la personalización del aprendizaje psicomotor que aborden, aplicando técnicas de Inteligencia Artificial, la recogida, detección, análisis, interpretación, realimentación, etc. que involucren datos asociados al movimiento humano, considerando como entrada datos capturados por medios ópticos y/o inerciales y como salida diversas opciones de interacción multisensorial desde el entorno utilizando los dispositivos electrónicos disponibles (e.g. móviles, pulseras inteligentes, VR headsets, sensores especializados, …).

Para más información sobre necesidades de desarrollo para un PFG o puntos abiertos de investigación que podrían abordarse en un TFM pueden consultarse algunas de las publicaciones realizadas. Se destacan las siguientes publicaciones:

  1. Santos, O.C. (2016) «Training the Body: The Potential of AIED to support Personalized Motor Skills Learning«. International Journal of Artificial Intelligence in Education, vol. 26 (2), p. 730-755.
    http://link.springer.com/article/10.1007%2Fs40593-016-0103-2.
  2. O. C. Santos and A. Corbí, «Can Aikido Help With the Comprehension of Physics? A First Step Towards the Design of Intelligent Psychomotor Systems for STEAM Kinesthetic Learning Scenarios» in IEEE Access, vol. 7, pp. 176458-176469, 2019. https://ieeexplore.ieee.org/document/8924699.
  3. Olga C. Santos «Artificial Intelligence in Psychomotor Learning: Modeling Human Motion from Inertial Sensor Data». International Journal on Artificial Intelligence Tools. Vol. 28, No. 04, 1940006 (2019). https://www.worldscientific.com/doi/abs/10.1142/S0218213019400062.
  4. Santos, O.C. «Psychomotor Learning in Martial Arts: an Opportunity for User Modeling, Adaptation and Personalization«. UMAP 2017 Theory, Opinion and Reflection. Adjunct Publication of the 25th Conference on User Modeling, Adaptation and Personalization (UMAP ’17), p. 89-92. http://dl.acm.org/citation.cfm?id=3099107 (draft version)
  5. Casas-Ortiz, A., Santos, O.C. «KSAS: An AI Application to learn Martial Arts Movements in on-line Settings«. 22nd International Conference on Artificial Intelligence in Education (AIED 2021). https://aied2021.science.uu.nl/wp-content/uploads/2021/05/KSAS-An-AI-Application-to-learn-Martial-Arts-Movements-in-on-line-Settings.pdf
  6. Echeverria, J. and Santos, O.C. «Toward Modeling Psychomotor Performance in Karate Combats Using Computer Vision Pose Estimation«. Sensors 2021, 21, 8378. https://doi.org/10.3390/s21248378
  7. Miguel A. Ronda, Olga C. Santos, Gloria Fernandez-Nieto and Roberto Martinez-Maldonado. «Towards Exploring Stress Reactions in Teamwork using Multimodal Physiological Data». First International Workshop on Multimodal Artificial Intelligence in Education. In conjunction with the 22nd International Conference on Artificial Intelligence in Education (AIED 2021). CEUR, vol 2902, 49-60. http://ceur-ws.org/Vol-2902/paper5.pdf.

También pueden ser de interés las siguientes charlas:

Modelado de la actividad motora: deporte, envejecimiento activo y rehabilitación. I Jornada UNED-Empresa: Inteligencia Artificial en Medicina. Febrero 2019. [pdf] – [video]

Inteligencia Artificial en el Deporte. Charlas Científicas del Centro de Inteligencia Artificial de Ourense. Mayo 2021. [texto] – [video]

Envejeciendo con Inteligencia… Artificial. Lección inaugural del curso 2021/2022 en el Centro Asociado a la UNED en Valencia. Noviembre 2021. [pdf]

Requisitos:
-Buen expediente académico y nivel alto de inglés.
-Se valorarán conocimientos de técnicas de detección de movimientos mediante imágenes y/o medidas inerciales, de aprendizaje automático, y de representación y modelado del conocimiento, así como el desarrollo de interfaces interactivas.
-Se requerirá iniciativa para seleccionar herramientas adecuadas, y elaborar y diseñar propuestas propias.
-Se buscan, ante todo, y tanto para los PFG como los TFM, estudiantes a quienes les guste la investigación, sean buenos programadores y tengan interés en reportar en foros científicos los resultados que se vayan obteniendo. No obstante, en función del tipo de trabajo (PFG o TFM), los objetivos y tareas del mismo serán diferentes. Además, la realización de un PFG podría servir de base su continuación en un TFM (del Máster en IA) y posteriormente en una Tesis Doctoral en el Programa de Doctorado en Sistemas Inteligentes.

Trabajos ya defendidos sobre PhyUM:

TFM: Exploring Pose Estimation with Computer Vision Processing to Model Psychomotor Performance in Karate Combats. Estudiante: Jon Echeverría San Millán. Defendido en Septiembre 2022.

TFM: Sign Language Segmentation Using a Transformer-based Approach. Estudiante: Luis Pérez Villegas. Defendido en Septiembre 2022.

TFM: Intelligent expertise level assessment using wearables for psychomotor learning in martial arts. Estudiante: Miguel Ángel Portaz Collado. Defendido en Junio 2021.

TFM: Capturing, Modelling, Analyzing and providing Feedback in Martial Arts with Artificial Intelligence to support Psychomotor Learning Activities. Estudiante: Alberto Casas-Ortiz Defendido en Septiembre 2020. Accesit al Mejor TFM de la Red eMadrid.

PFG: Diseño, desarrollo y evaluación del sistema Kumitrón para monitorizar combates en Karate que sincroniza imágenes aéreas con señales fisiológicas e inerciales. Estudiante: Jon Echeverría San Millán. Defendido en Junio 2020. Premio al Mejor TFG de la Red eMadrid.

PFG: Diseño, Desarrollo y Evaluación de un sistema actuador háptico con hardware abierto para el análisis la práctica del trombón. Estudiante: Íñigo Osés Galé. Defendido en Septiembre 2019.

TFM: FRAGILESS: Videojuego 3D con Adaptación Dinámica de la Dificultad para Retrasar y/o Disminuir el Grado de Fragilidad en Personas Mayores. Estudiante: Zelai Sáenz de Urturi Bretón. Defendido en Septiembre 2018.