Deep Learning para asistencia en rehabilitación con robots mediante demostraciones

• Martínez Pascual, David ^[1] ; Reig-Lozano, Asier ^[1] ; Vales, Yolanda ^[1] ; Catalán Orts, José María ^[1] ; Lledó Pérez, Luís Daniel ^[1] ; García Aracil, Nicolás ^[1]
  1. [1] Universidad Miguel Hernández de Elche

     Universidad Miguel Hernández de Elche

     Elche, España

     
• Localización: Jornadas de Automática, ISSN-e 3045-4093, Nº. 45, 2024
• Idioma: español
• Títulos paralelos:
  • Deep Learning for robot-assisted rehabilitation by means of demonstrations
• Enlaces
  • Texto completo
• Resumen
  • español

    El uso de dispositivos robóticos de rehabilitación ha surgido como una solución prometedora para mejorar la recuperación motora durante la rehabilitación. Uno de los retos más significativos durante el uso de estos dispositivos es la capacidad de decidir cuándo proporcionar asistencia al paciente. En este contexto, se ha propuesto una solución basada en Deep Learning para aprender del criterio de un terapeuta cuándo un paciente necesita asistencia. Con el objetivo de desarrollar un modelo que permita generalizar a múltiples situaciones, se ha aplicado una serie de transformaciones a las trayectorias realizadas por los pacientes antes de utilizarlas como entradas al modelo. El modelo propuesto ha sido evaluado utilizando diferentes métricas y ha mostrado una precisión del 93,21% y un F1-Score del 85,05% con el conjunto de datos de validación. Además, el modelo ha alcanzado una precisión del 69,32% y un F1-Score del 63,31% con usuarios que no participaron en el proceso de aprendizaje del modelo.

  • English

    Robotic rehabilitation devices have shown promise in improving motor recovery. However, a significant challenge lies indetermining when to provide assistance to the patient. To address this, a Deep Learning-based approach has been proposedto learn from a therapist’s criteria in identifying when a patient requires assistance. In order to develop a model that can begeneralized to multiple situations, a series of transformations have been applied to the trajectories performed by the patientsbefore using them as inputs to the model. The performance of the model was evaluated using different metrics and achieved anaccuracy of 93.21 % and an F1-Score of 85.05 % with the validation dataset. Furthermore, the model demonstrated an accuracyof 69.32 % and an F1-Score of 63.31 % with users who were not part of the learning process.