| Summary: | El ser humano en su búsqueda de mejorar la calidad de vida en personas que sufren alteraciones de la marcha,
ha desarrollado tecnologías capaces de identificar patrones y características de las diferentes afecciones que
deterioran la movilidad. Si bien algunos estudios exploran métodos invasivos como la electromiografía, el uso de
sensores y/o marcadores para el análisis y evaluación de marchas patológicas, es todavía escasa la investigación
que abordan métodos que no invadan el cuerpo en vista de que en tiempos actuales es un enfoque imprescindible.
El propósito de este estudio es desarrollar un sistema no invasivo, basado en técnicas de visión e inteligencia
artificial con capacidad de generar parámetros espacio-temporales de la biomecánica del movimiento de las
extremidades inferiores a partir de marchas normales o patológicas como la hemiparética y paraparética, así
como el análisis y clasificación de dichas marchas.
La metodología utilizada consiste en la captura de imágenes Red Green Blue (RGB) en personas que realizan
varios ciclos de dichas marchas, estas imágenes se procesan mediante el uso de modelos como OpenPose y
PoseNet para estimar la pose. Luego, se aplican técnicas de corte, sincronización, filtrado, normalización y
análisis en 2D, además de nuevos enfoques como el Skeleton Gait Energy Image (SGEI) para caracterizar la
marcha. Finalmente mediante algoritmos como Convolutional Neural Network (CNN) o Support Vector Machine
(SVM), se entrena al sistema para clasificar las marchas analizadas.
Como resultado, se generan los parámetros de longitud de paso, cadencia, amplitud de paso, tiempo de paso,
velocidad de marcha, inclinación de la postura corporal frontal y ángulos de las extremidades inferiores del
cuerpo humano de las 3 marchas utilizando un sistema con un enfoque no invasivo, adicionalmente los resultados
experimentales muestran alta eficiencia en la clasificación de las marchas con un 98.57 % para OpenPose y
98.15 % con PoseNet.
|
|---|