Publicación: Valoración cuantitativa de la marcha mediante un sistema óptico de captura y análisis de movimiento y técnicas de Aprendizaje Automático
Cargando...
Fecha
2021-10-01
Autores
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
Atribución-NoComercial-SinDerivadas 4.0 Internacional
info:eu-repo/semantics/openAccess
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
Resumen
El estudio y valoración de la marcha humana es una importante herramienta diagnóstica que permite identificar anomalías y trastornos del aparato locomotor, en especial, en el adulto mayor. Tradicionalmente, el análisis de la marcha se ha realizado siguiendo un enfoque cualitativo, caracterizado por la aplicación de distintas pruebas y escalas basadas en observaciones visuales por parte de los profesionales sanitarios. En este sentido, una de las escalas más completas y validadas es el test de Tinetti, que estudia de forma sistemática, tanto la marcha como el equilibrio, siendo una de sus principales aplicaciones la evaluación del riesgo de caídas en personas de avanzada edad. Además, a pesar de su fiabilidad y validez, el marcado carácter observacional de este método provoca que su aplicación conlleve procesos rutinarios que requieren de una evaluación subjetiva por parte de uno o varios expertos. El estudio y valoración de la marcha humana es una importante herramienta diagnóstica que permite identificar anomalías y trastornos del aparato locomotor, en especial, en el adulto mayor. Tradicionalmente, el análisis de la marcha se ha realizado siguiendo un enfoque cualitativo, caracterizado por la aplicación de distintas pruebas y escalas basadas en observaciones visuales por parte de los profesionales sanitarios. En este sentido, una de las escalas más completas y validadas es el test de Tinetti, que estudia de forma sistemática, tanto la marcha como el equilibrio, siendo una de sus principales aplicaciones la evaluación del riesgo de caídas en personas de avanzada edad. Además, a pesar de su fiabilidad y validez, el marcado carácter observacional de este método provoca que su aplicación conlleve procesos rutinarios que requieren de una evaluación subjetiva por parte de uno o varios expertos. Dentro de este contexto, el presente Trabajo Fin de Máster pretende automatizar y objetivar los tradicionales análisis observacionales de la marcha, y en particular, el uso de la escala de Tinetti. Para ello, se analizan, aplican y evalúan diferentes técnicas de Aprendizaje Automático sobre los datos recopilados por un sistema óptico profesional para la captura y análisis de movimiento. Sin embargo, teniendo en cuenta que estos datos en crudo tienen una alta dimensionalidad y son bastante ruidosos, como paso previo es necesario realizar una importante fase de preprocesamiento y limpieza de los datos que posteriormente alimentan a los algoritmos de Machine Learning. Finalmente, se obtienen varios modelos predictivos que son integrados y desplegados en una herramienta que, a partir de datos sensoriales de movimiento, es capaz de generar automáticamente las respuestas a las distintas categorías que constituyen el criterio de marcha en el test Tinetti.
Human gait assessment is an important diagnostic tool for identifying abnormalities and disorders of the locomotor system. Typically, gait analysis has been conducted in a qualitative way, using dierent tests and scales based on visual observations carried out by healthcare professionals. In this sense, one of the most complete and validated scales is the Tinetti test, which studies both gait and balance in order to, for example, measure the risk of falls in elderly people. Although this method is robust and valid, its observational nature makes its application a routine task that involves a subjective assessment from one or more experts. Against this background, this Master’s thesis aims to automate and objectify the traditional observational gait analysis, and particularly the use of the Tinetti scale. For this purpose, dierent Machine Learning techniques are analysed, applied and evaluated on the data recorded using an optical motion capture system. However, since this raw data has a high dimensionality and is very noisy, it is necessary to preprocess and clean the data that will serve as input for the Machine Learning algorithms. Finally, various predictive models are integrated and deployed in a tool which, using motion data, is able to automatically generate the responses to the dierent categories of the Tinetti test gait criterion.
Human gait assessment is an important diagnostic tool for identifying abnormalities and disorders of the locomotor system. Typically, gait analysis has been conducted in a qualitative way, using dierent tests and scales based on visual observations carried out by healthcare professionals. In this sense, one of the most complete and validated scales is the Tinetti test, which studies both gait and balance in order to, for example, measure the risk of falls in elderly people. Although this method is robust and valid, its observational nature makes its application a routine task that involves a subjective assessment from one or more experts. Against this background, this Master’s thesis aims to automate and objectify the traditional observational gait analysis, and particularly the use of the Tinetti scale. For this purpose, dierent Machine Learning techniques are analysed, applied and evaluated on the data recorded using an optical motion capture system. However, since this raw data has a high dimensionality and is very noisy, it is necessary to preprocess and clean the data that will serve as input for the Machine Learning algorithms. Finally, various predictive models are integrated and deployed in a tool which, using motion data, is able to automatically generate the responses to the dierent categories of the Tinetti test gait criterion.
Descripción
Categorías UNESCO
Palabras clave
Citación
Centro
Facultades y escuelas::E.T.S. de Ingeniería Informática
Departamento
Inteligencia Artificial