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

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.