Motion capture (Mocap) data are widely used as time series to study human movement. Indeed, animation movies, video games, and biomechanical systems for rehabilitation are significant applications related to Mocap data. However, classifying multi-channel time series from Mocap requires coding the intrinsic dependencies (even nonlinear relationships) between human body joints. Furthermore, the same human action may have variations because the individual alters their movement and therefore the inter/intraclass variability. Here, we introduce an enhanced Hilbert embedding-based approach from a cross-covariance operator, termed EHECCO, to map the input Mocap time series to a tensor space built from both 3D skeletal joints and a principal component analysis-based projection. Obtained results demonstrate how EHECCO represents and discriminates joint probability distributions as kernel-based evaluation of input time series within a tensor reproducing kernel Hilbert space (RKHS). Our approach achieves competitive classification results for style/subject and action recognition tasks on well-known publicly available databases. Moreover, EHECCO favors the interpretation of relevant anthropometric variables correlated with players’ expertise and acted movement on a Tennis-Mocap database (also publicly available with this work). Thereby, our EHECCO-based framework provides a unified representation (through the tensor RKHS) of the Mocap time series to compute linear correlations between a coded metric from joint distributions and player properties, i.e., age, body measurements, and sport movement (action class).

En los últimos años, el Machine Learning (ML) ha encontrado aplicación en diversas áreas del conocimiento debido a su capacidad para abordar problemas complejos. La medicina no es una excepción, ya que utiliza el ML para automatizar procesos como el diagnóstico y prediagnóstico de patologías. En este caso, se empleó esta herramienta para la clasificación de tipos de tejido mamario, siguiendo las categorías establecidas en el BI-RADS (acrónimo en inglés para Sistema de Datos e Informes de Imágenes Mamarias). Este sistema divide la densidad mamaria en cuatro clases: tejido mamario predominantemente graso, tejido mamario fibroglandular disperso, tejido mamario heterogéneamente denso y tejido mamario extremadamente denso. Esta clasificación reviste gran importancia, ya que, según el Centro para el Control y la Prevención de Enfermedades de la Organización Mundial de la Salud, las mujeres con mamas densas tienen un mayor riesgo de desarrollar cáncer de mama. Además, la densidad mamaria elevada puede dificultar la detección de cáncer en las mamografías. Por esta razón, es crucial clasificar el tipo de tejido mamario, pues permite identificar a las mujeres con mamas densas y tomar medidas diagnósticas oportunas. Para llevar a cabo esta clasificación, se evaluaron distintos métodos y modelos de ML con el objetivo de determinar cuál de ellos es el más adecuado para esta tarea.