Este documento compara el rendimiento de algoritmos de aprendizaje profundo (DL) y aprendizaje automático clásico (ML) para clasificar el comportamiento de movimiento de 24 horas en sueño, actividad sedentaria, actividad física de baja intensidad (LPA) y actividad física de moderada a vigorosa (MVPA). Usamos datos disponibles públicamente de 151 adultos que usaban acelerómetros de muñeca (Axivity-AX3). Los participantes se dividieron aleatoriamente en conjuntos de entrenamiento, validación y prueba. Las señales de aceleración brutas se segmentaron en intervalos de 10 segundos no superpuestos y se extrajo un total de 104 características artesanales. Cuatro algoritmos de DL (LSTM, BiLSTM, GRU y 1D-CNN) se entrenaron utilizando las señales de aceleración brutas y las características artesanales extraídas. Además, los algoritmos de ML clásicos, incluyendo Random Forest, Support Vector Machine (SVM), XGBoost, Logistic Regression, ANN y Decision Tree, se entrenaron utilizando las características artesanales. Como resultado, LSTM, BiLSTM y GRU, entrenados con señales de aceleración sin procesar, alcanzaron una precisión de aproximadamente el 85%, y 1D-CNN, una precisión de aproximadamente el 80%. La precisión de los algoritmos de aprendizaje automático (AA) y aprendizaje automático clásico (AA) entrenados con características personalizadas osciló entre el 70% y el 81%. Se observó mayor confusión en la clasificación de la AFMV y la AFLP en comparación con el sueño y la actividad sedentaria. En conclusión, los métodos de AA que utilizan señales de aceleración sin procesar tuvieron un rendimiento ligeramente superior al de AA y aprendizaje automático clásico entrenados con características personalizadas en la predicción de la intensidad de la actividad de movimiento durante 24 horas.
