Logo Repositorio Institucional

Please use this identifier to cite or link to this item: http://dspace.ucuenca.edu.ec/handle/123456789/36081
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

Files in This Item:
File Description SizeFormat 
Trabajo de Titulación.pdf
  Until 2022-04-24
Acceso restringido (versión presentada)8.66 MBAdobe PDFView/Open Request a copy


This item is protected by original copyright



This item is licensed under a Creative Commons License Creative Commons

 

Centro de Documentacion Regional "Juan Bautista Vázquez"

Biblioteca Campus Central Biblioteca Campus Salud Biblioteca Campus Yanuncay
Av. 12 de Abril y Calle Agustín Cueva, Telf: 4051000 Ext. 1311, 1312, 1313, 1314. Horario de atención: Lunes-Viernes: 07H00-21H00. Sábados: 08H00-12H00 Av. El Paraíso 3-52, detrás del Hospital Regional "Vicente Corral Moscoso", Telf: 4051000 Ext. 3144. Horario de atención: Lunes-Viernes: 07H00-19H00 Av. 12 de Octubre y Diego de Tapia, antiguo Colegio Orientalista, Telf: 4051000 Ext. 3535 2810706 Ext. 116. Horario de atención: Lunes-Viernes: 07H30-19H00