Generación de la biomecánica del movimiento de extremidades inferiores
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 c...
| Main Authors: | , |
|---|---|
| Other Authors: | |
| Format: | bachelorThesis |
| Language: | spa |
| Published: |
Universidad de Cuenca
2021
|
| Subjects: | |
| Online Access: | http://dspace.ucuenca.edu.ec/handle/123456789/36081 |
| _version_ | 1785802434991357952 |
|---|---|
| author | Benenaula Armijos, Stalin Javier Trelles Peralta, Milton Damian |
| author2 | Minchala Avila, Luis Ismael |
| author_facet | Minchala Avila, Luis Ismael Benenaula Armijos, Stalin Javier Trelles Peralta, Milton Damian |
| author_sort | Benenaula Armijos, Stalin Javier |
| collection | DSpace |
| description | 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. |
| format | bachelorThesis |
| id | oai:dspace.ucuenca.edu.ec:123456789-36081 |
| institution | Universidad de Cuenca |
| language | spa |
| publishDate | 2021 |
| publisher | Universidad de Cuenca |
| record_format | dspace |
| spelling | oai:dspace.ucuenca.edu.ec:123456789-360812021-04-26T08:00:55Z Generación de la biomecánica del movimiento de extremidades inferiores Benenaula Armijos, Stalin Javier Trelles Peralta, Milton Damian Minchala Avila, Luis Ismael Electrónica Inteligencia artificial Robótica Biomecánica 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. Human beings, in their quest to improve the quality of life in people who suffer from gait disturbances, have developed technologies capable of identifying patterns and characteristics of different conditions that deteriorate mobility. Although, some studies explore invasive methods such as electromyography, the use of sensors and/or markers for the analysis and evaluation of pathological gaits, there is still little research that addresses methods that do not invade the body, given that in current times it is an essential approach. The purpose of this study is to develop a non-invasive system, based on vision techniques and artificial intelligence capable of generating spatio-temporal parameters of the biomechanics of movement of the lower extremities from normal or pathological gaits such as hemiparetic and paraparetic, as well as the analysis and classification of these gaits. The methodology used consists of capturing RGB images in people who perform several cycles of the normal, hemiparetic and paraparetic gaits. These images are processed by using models like OpenPose and PoseNet to estimate the pose. Then, cutting, synchronization, filtering, normalization and 2D analysis techniques are applied, as well as new approaches such as Skeleton Gait Energy Image (SGEI) to characterize the gait. Finally, through algorithms such as Convolutional Neural Network (CNN) or Support Vector Machine (SVM), the system is trained to classify the analyzed gaits. As a result, it is possible to generate the parameters of stride length, cadence, stride width, step time, gait speed, front body posture inclination and angles of the lower extremities of the human body of the 3 gaits using a non-invasive system approach, additionally experimental results show high efficiency in the classification of the gaits with a 98.57 % using OpenPose and a 98.15 % with PoseNet. Ingeniero en Electrónica y Telecomunicaciones Cuenca 2021-04-23T20:02:18Z 2021-04-23T20:02:18Z 2021-04-23 bachelorThesis http://dspace.ucuenca.edu.ec/handle/123456789/36081 spa TET;108 Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ openAccess application/pdf application/pdf Universidad de Cuenca |
| spellingShingle | Electrónica Inteligencia artificial Robótica Biomecánica Benenaula Armijos, Stalin Javier Trelles Peralta, Milton Damian Generación de la biomecánica del movimiento de extremidades inferiores |
| title | Generación de la biomecánica del movimiento de extremidades inferiores |
| title_full | Generación de la biomecánica del movimiento de extremidades inferiores |
| title_fullStr | Generación de la biomecánica del movimiento de extremidades inferiores |
| title_full_unstemmed | Generación de la biomecánica del movimiento de extremidades inferiores |
| title_short | Generación de la biomecánica del movimiento de extremidades inferiores |
| title_sort | generación de la biomecánica del movimiento de extremidades inferiores |
| topic | Electrónica Inteligencia artificial Robótica Biomecánica |
| url | http://dspace.ucuenca.edu.ec/handle/123456789/36081 |
| work_keys_str_mv | AT benenaulaarmijosstalinjavier generaciondelabiomecanicadelmovimientodeextremidadesinferiores AT trellesperaltamiltondamian generaciondelabiomecanicadelmovimientodeextremidadesinferiores |