Resumen de Analysis and classification of motor dysfunctions in gait by using wearable sensors
La esperanza de vida de la población aumenta constantemente. Esto está relacionado con el aumento de la calidad de vida y va de la mano con el progreso técnico. Sin embargo, el aumento de la esperanza de vida también da lugar a nuevos problemas que deben ser superados. Unos de los mayores problemas son las enfermedades de la vejez, que a menudo se relacionan con trastornos patológicos en la marcha, como la enfermedad de Parkinson. El diagnóstico de la enfermedad de Parkinson se hace usando la Escala Unificada de Calificación de la Enfermedad de Parkinson (UPDRS). No obstante, las decisiones médicas son subjetivas, ya que cada médico evalúa la marcha de un paciente de manera diferente. Por esta razón, es importante objetivar esta decisión.
Medir la marcha de un humano por medio de sensores resuelve este problema. Por esta razón, esta tesis trata sobre el desarrollo de un sistema portátil para el análisis de la marcha. Con un sistema móvil, los diagnósticos también pueden hacerse por medio de la telemedicina en la vida diaria. En esta tesis se muestra cómo tal sistema fue implementado prototípicamente. El sistema consiste en dos muñequeras, dos plantillas y un teléfono inteligente. Los wearables usan Inertial Measurement Unit (IMU) y Force Sensing Resistor (FSR). Además, en la tesis se presenta un método para sincronizar estos dispositivos. Esto asegura una mayor calidad de los datos y permite nuevos enfoques de análisis. Para garantizar que los dispositivos funcionen con eficiencia energética, se implementó la detección de actividad basada en las Redes Neuronales Convolucionales (CNN). El modelo de detección de actividad es capaz de detectar la actividad Gait a todas las demás actividades de una probabilidad del 94.7%. Si el smartphone detecta la actividad Gait, se establece automáticamente una conexión con los sensores portátiles y se graba la marcha. Al analizar la marcha, el primer paso importante es detectar las zancadas individuales mientras se camina. Para ello se desarrolló una CNN, que es capaz de detectar zancadas con una precisión del 95,8%. Basándose en estos pasos individuales es posible hacer un análisis detallado del ciclo de marcha. A partir del ciclo de marcha se calcularon los parámetros longitud de la zancada, altura de la zancada, duración de la zancada, duración de la fase de apoyo, duración de la fase de balanceo, ´índice de relación de simetría, índice de simetría, asimetría de la marcha, ´ángulo de simetría y Normalized Dynamic Time Warping (DTW). Normalized Symmetry es un método propio que compensa las debilidades de los métodos del índice de relación de simetría, índice de simetría, asimetría de marcha y ángulo de simetría. El balanceo del brazo fue clasificado usando una transformación Wavelet. Aquí, los des órdenes motores en el brazo pudieron ser detectados con una precisión del 90.3%. El estado de la enfermedad de Parkinson podría determinarse por medio de los sensores IMU de la plantilla. Se llevó a cabo un hierarchical clustering y se utilizó el DTW como métrica. El estado de Parkinson podría ser detectada con una especificidad del 92%.
