Title: | Generación de la biomecánica del movimiento de extremidades inferiores |
Authors: | Benenaula Armijos, Stalin Javier Trelles Peralta, Milton Damian |
metadata.dc.contributor.advisor: | Minchala Avila, Luis Ismael |
metadata.dc.ucuenca.correspondencia: | stamben1996@gmail.com trelles.damian1d@gmail.com |
metadata.dc.subject.other: | Biomecánica |
Keywords: | Electrónica Inteligencia artificial Robótica |
metadata.dc.ucuenca.areaconocimientounescoamplio: | 33 Ciencias Tecnológicas |
metadata.dc.ucuenca.areaconocimientounescodetallado: | 3307.03 Diseño de Circuitos |
metadata.dc.ucuenca.areaconocimientounescoespecifico: | 3307 Tecnología Electrónica |
Issue Date: | 23-Apr-2021 |
metadata.dc.ucuenca.embargoend: | 23-Apr-2022 |
metadata.dc.ucuenca.paginacion: | 76 páginas |
Publisher: | Universidad de Cuenca |
metadata.dc.description.city: | Cuenca |
Series/Report no.: | TET;108 |
metadata.dc.type: | bachelorThesis |
Abstract: | 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. |
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. |
metadata.dc.description.degree: | Ingeniero en Electrónica y Telecomunicaciones |
URI: | http://dspace.ucuenca.edu.ec/handle/123456789/36081 |
Appears in Collections: | Tesis de Pregrado
|