Segmentación de pasos en ciclos de marcha utilizando algoritmos de machine learning
Este trabajo se enfoca en la problemática tendiente a la caracterización del equilibrio humano, normal o disfuncional, de pacientes adultos mayores con riesgo de caída, donde la marcha es un gesto motor central de análisis, ya que permite definir indicadores del riesgo de caída, a partir de la desvi...
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | , , , |
| Formato: | Tesis Libro |
| Lenguaje: | Español |
| Publicado: |
11 de marzo de 2022
|
| Materias: | |
| Aporte de: | Registro referencial: Solicitar el recurso aquí |
| LEADER | 06461nam a22004697a 4500 | ||
|---|---|---|---|
| 003 | AR-BaUEN | ||
| 005 | 20250204194509.0 | ||
| 008 | 231027s2022 ag aod|f m||| 000 0|spa d | ||
| 040 | |a AR-BaUEN |b spa |c AR-BaUEN | ||
| 041 | 0 | |b spa |b eng | |
| 044 | |a ag | ||
| 084 | |a DMI 007427 | ||
| 100 | 1 | |a Edwards Molina, Julio | |
| 245 | 1 | 0 | |a Segmentación de pasos en ciclos de marcha utilizando algoritmos de machine learning |
| 246 | 3 | 1 | |a Segmentation of steps in gait cycles using machine learning algorithms |
| 260 | |c 11 de marzo de 2022 | ||
| 300 | |a vii, 74 p. : |b il. color, diagrs. color, fotos color, gráfs. color, tablas | ||
| 502 | |b Magister de la Universidad de Buenos Aires en Explotación de Datos y Descubrimiento del Conocimiento |c Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |d 11 de marzo de 2022 | ||
| 506 | |2 openaire | ||
| 518 | |o Fecha de publicación en la Biblioteca Digital FCEN-UBA | ||
| 520 | 3 | |a Este trabajo se enfoca en la problemática tendiente a la caracterización del equilibrio humano, normal o disfuncional, de pacientes adultos mayores con riesgo de caída, donde la marcha es un gesto motor central de análisis, ya que permite definir indicadores del riesgo de caída, a partir de la desviación del valor de las variables definidas para un ciclo normal. Para modelar la marcha, las extremidades inferiores se abordan con el modelo biomecánico de péndulo invertido, en el cual su movimiento depende de la aceleración y fuerza realizada por los músculos, optimizando, de esta forma, la energía utilizada para efectuar dicho movimiento. La importancia de este abordaje reside en el hecho de que la declinación motora, debida al envejecimiento natural, o a otros factores concomitantes, se manifiesta con un creciente aumento de variabilidad en los registros de equilibrio. Esta observación se acentúa en los adultos mayores y en los pacientes geriátricos. El riesgo de caídas aumenta con las enfermedades crónicas degenerativas que, según el tipo de lesión provocada, incrementan el riesgo de muerte, y en todos los casos, conllevan al empeoramiento de la calidad de vida del paciente y de su entorno cercano. Se presenta aquí un Modelo Oculto de Markov (en inglés, Hidden Markov Model —HMM—) para el estudio de la marcha humana. Este resultó de la combinación de dos modelos de tres estados ocultos cada uno, haciendo uso de las librerías DepmixS4 y RcppHMM del software libre R. La validación se realizó por el método de validación cruzada de dos diferentes maneras, procesando las 3 señales de acelerometría provistas por los sensores ubicados en el tobillo izquierdo y en el tobillo derecho de un total de 20 sujetos sanos (edad: 33,4 ± 7 años, altura: 172,6 ± 9,5 cm, masa muscular: 73,2 ± 10,9 kg), que efectuaron diferentes pruebas de marcha, en entorno abierto y cerrado. Todas estas señales están disponibles en la base abierta MAREA. El modelo alcanzó un valor de Exactitud de 93,2 % para la detección de pasos, en una marcha controlada de entorno cerrado. Se concluye que este trabajo aporta una herramienta de análisis que puede ser replicada y mejorada para la investigación de la marcha humana senil o patológica, como así también ser incorporada a dispositivos en estudios de seguimiento clínico. Los resultados se agregan, y fueron comparables, a otros ya publicados, en donde también han utilizado la base de datos MAREA. |l spa | |
| 520 | 3 | |a This work focuses on the characterization of the human balance, normal or dysfunctional, of elderly patients at risk of falling. In it, walking is a central motor skill to be analyzed, since it allows defining indicators of the risk of falling from the deviation in the value of the variables defined for a normal cycle. To model gait, the inverted pendulum biomechanical model is used in this work. In it, the movement of the lower extremities depends on the acceleration and the force exerted by the muscles, thus optimizing the energy used to perform the movement. The importance of this approach lies in the fact that motor decline due to natural aging or other concomitant factors becomes apparent with a growing increase of the variability in the balance records. This is particularly observed in older adults and in geriatric patients. The risk of fall increases with chronic degenerative diseases, which, depending on the type of injury caused, increase the risk of death and, in all cases, lead to a worsening of the quality of life of the patient and their immediate environment. This work presents a Hidden Markov Model (HMM) for the study of human gait. It is the result of the combination of two three-hidden-state models, for each of which the DepmixS4 and RcppHMM libraries of the free-use software R were used. For validation, the Cross Validation method was used in two different ways, processing the 3 accelerometry signals provided by the sensors located both on the left ankle and the right ankle of 20 healthy subjects, (age: 33.4 ± 7 years, height: 172.6 ± 9.5 cm, muscle mass: 73,2 ± 10,9 kg), who carried out different walking tests, in an open and closed environment. All these signals are available at the MAREA open base. The model reached an accuracy value of 93.2 % for the detection of steps, in a controlled gait in a closed environment. It is concluded that this work provides an analysis tool that can be replicated and improved for the investigation of senile or pathological human gait, as well as incorporated into devices in clinical follow-up studies. The results add to those of already published studies in which the MAREA database was also used, and are comparable to them. |l eng | |
| 540 | |2 cc |f https://creativecommons.org/licenses/by-nc-sa/2.5/ar | ||
| 653 | 1 | 0 | |a CICLO DE MARCHA |
| 653 | 1 | 0 | |a MODELO OCULTO DE MARKOV |
| 653 | 1 | 0 | |a SEGMENTACION |
| 653 | 1 | 0 | |a APRENDIZAJE SUPERVISADO |
| 653 | 1 | 0 | |a RIESGO DE CAIDA |
| 690 | 1 | 0 | |a GAIT CYCLE |
| 690 | 1 | 0 | |a HIDDEN MARKOV MODEL |
| 690 | 1 | 0 | |a SEGMENTATION |
| 690 | 1 | 0 | |a SUPERVISED LEARNING |
| 690 | 1 | 0 | |a RISK OF FALLING |
| 700 | 1 | |a Miralles, Mónica Teresita | |
| 700 | 1 | |a Pelle, Patricia Alejandra | |
| 700 | 1 | |a Oleari, Cristina Vivian | |
| 700 | 1 | |a Mazzeo, Jorge R. | |
| 856 | 4 | |q application/pdf | |
| 931 | |a DC | ||
| 961 | |b tesis |e ND |c IR | ||
| 962 | |a info:eu-repo/semantics/masterThesis |a info:ar-repo/semantics/tesis de maestría |b info:eu-repo/semantics/publishedVersion | ||
| 999 | |c 102401 | ||