RT info:eu-repo/semantics/bachelorThesis
T1 Segmentación y análisis de patrones de marcha en  paciente pediátrico con parálisis cerebral  empleando sensores inerciales, visión artificial y  aprendizaje profundo
A1 Romo Marín, Ángela
A2 Universidad de Valladolid. Facultad de Medicina
K1 Parálisis cerebral - Niños
K1 Niños - Enfermedades
K1 Parálisis cerebral
K1 Análisis instrumentado de la marcha
K1 Unidades de medición inercial
K1 Sistemas optoelectrónicos
K1 Deep learning
K1 Niños
K1 3205.07 Neurología
AB La parálisis cerebral (PC) ha sido reconocida como la discapacidad motora más común en la infancia (Bekteshi et al., 2023). La afectación de la marcha en niños y niñas que sufren de esta condición constituye una de las principales limitaciones a las que se ven sometidos en su día a día (Nowicki, 2020). Es por ello que el análisis clínico de la marcha (Clinical Gait Analysis, CGA) ha pasado a ser una práctica habitual en los centros sanitarios. En él se miden y analizan múltiples parámetros, con el objetivo de identificar y entender tanto las distintas lesiones del movimiento como sus causas (Armand et al., 2016). Como complemento a la inspección visual médica ha surgido el análisis instrumentado, el cual se apoya en el uso de dispositivos electrónicos con el fin de brindar un estudio más completo e individualizado a cada uno de los sujetos (Nowicki, 2020). Actualmente, son muchas las opciones de dispositivos de esta clase ofertadas en el mercado. La visión artificial con múltiples cámaras constituye la técnica gold standard en el estudio del movimiento (Tunca et al., 2017). Sin embargo, su elevado precio y su necesidad de amplios espacios y formación profesional hacen imposible la generalización del análisis instrumentado de la marcha en el ámbito médico (Gao et al., 2022). Por ello, durante este estudio se realizó un CGA a partir de unidades de medición inercial (IMU) y sistemas de vídeo. Con ello se pretende demostrar el potencial de ambas técnicas, mucho más económicas que la visión artificial, las cuales podrían hacer posible la extensión de este tipo de práctica en el campo hospitalario. Así pues, se adquirió una base de datos de 25 sujetos, de los cuales 17 eran controles y 8 pacientes pediátricos con PC. A mayores, se elaboró un modelo de deep learning capaz de segmentar automáticamente la marcha en sus respectivas fases. Los resultados obtenidos durante los distintos entrenamientos mostraron que, en sujetos sin afectación de la marcha, con 3-4 sensores inerciales y una arquitectura de red sencilla es posible hacer una segmentación y análisis de gran calidad. Prueba de ello son las métricas de rendimiento conseguidas, entre las que cabe destacar un accuracy comprendido entre 0.97 y 1. Por otro lado, también se pudo comprobar cómo, en pacientes con parálisis cerebral, es necesario entrenar modelos que tengan en cuenta todas las posibles desviaciones de la marcha, puesto que no es posible emplear la misma red en ambos grupos de sujetos. Por último, tras el conjunto de pruebas realizadas, quedó demostrada la efectividad de ambas técnicas de medición. En consecuencia, gracias a las mismas, es posible conseguir, de una manera más económica, un estudio objetivo e individualizado de la marcha de cada paciente.
YR 2023
FD 2023
LK https://uvadoc.uva.es/handle/10324/61357
UL https://uvadoc.uva.es/handle/10324/61357
LA spa
DS UVaDOC
RD 02-dic-2024