Estimación de parámetros característicos del ciclo de marcha utilizando técnicas de aprendizaje de máquina

Abstract

El análisis de la marcha humana permite identificar y diagnosticar oportunamente diversas patologias, donde un correcto tratamiento y rehabilitación permitiría dar a las personas con dificultades motoras mejor calidad de vida. Para realizar un estudio completo y detallado de la marcha, es necesaria una infraestructura y equipos adecuados, estos pueden presentar costos elevados. Por lo anterior, en este trabajo se realiza la estimación automática de parámetros espaciotemporales de la marcha, tales como cadencia del paso, velocidad del paso y longitud de zancada, empleando señales relacionadas con la cinética de la misma (aceleración lineal y velocidad angular en cada uno de los ejes), utilizando técnicas de aprendizaje de máquina supervisado. En este trabajo se consideran señales adquiridas por tres dispositivos, dos comerciales, tales como el GWALK y el Apple Watch, y otro basado en sensores IMU, de bajo costo, desarrollado en el grupo de investigación BISEMIC. Esta base de datos, adquirida por el mismo grupo, está compuesta por 58 registros de señales inerciales adquiridos de 33 voluntarios. En primer lugar, las señales fueron preprocesadas para luego extraer de ellas caracteristicas espaciales y no lineales. Posteriormente, se crearon grupos de características, que fueron los datos de entrada, para desarrollar diferentes estimadores de cadencia, velocidad y longitud de zancada. Esto fue desarrollado en Python, utilizando la librería Scikit-Learn. El mejor algoritmo para la estimación de todos los parámetros, en todos los dispositivos, fue máquinas de soporte vectorial; destacando los resultados obtenidos en la estimación de cadencia (R2-0,866), velocidad (R2=0,868) y longitud de zancada (R2=0,824) utilizando el dispositivo basado en IMU. Estos resultados abren el panorama a trabajos futuros que permitan realizar la estimación de otros parámetros espaciotemporales de la marcha con dispositivos de bajo costo, de manera que puedan ser utilizados para una evaluación cuantitativa de la marcha.

The analysis of human gait allows the timely identification and diagnosis of various pathologies, where a correct treatment and rehabilitation would allow to provide people with motor difficulties a better quality of life. To carry out a complete and detailed study of the human gait, it is necessary to have an adequate infrastructure and equipment, which can have high costs. Therefore, in this research, the automatic estimation of spatial-temporal parameters of walking is carried out, such as step cadence, step speed and stride length, using signals related to the kinetics of walking (linear acceleration and angular speed in each of the axis), by means of supervised machine leaming techniques. This work considers signals acquired by three devices, two of commercial brands, GWALK and Apple Watch, and another one with a low cost, based on IMU sensors developed by the BISEMIC research group. This database, acquired by the same group, is composed by 58 records of inertial signals acquired from 33 volunteers. First, the signals were pre-processed to then extract spatial and non-linear characteristics from them. Then, groups of characteristics were created, which were the input data, to develop different estimators of cadence, speed and stride length. This was developed in Python, using the Scikit-Leam library. The best algorithm for the estimation of all parameters in all devices, was support vector machines; highlighting the results obtained in the estimation of cadence (R2=0,866), speed (R2=0,868) and stride length (R2=0,824) using the IMU-based device. These results widen the outlook for future research that will allow the estimation of other spatial-temporal parameters of gait with low-cost devices, so that they can be used for a quantitative evaluation of gait.