RT info:eu-repo/semantics/bachelorThesis
T1 Segmentación y análisis de señales de marcha obtenidas con sensores inerciales mediante métodos avanzados de aprendizaje profundo
A1 Mazariegos Iglesias, Celia
A2 Universidad de Valladolid. Facultad de Medicina
K1 Niños
K1 Discapacidad mental
K1 Parálisis cerebral
K1 Análisis de la marcha
K1 Aprendizaje profundo
K1 Cinemática articular
AB Este trabajo de fin de grado se centra en el análisis de la marcha de población infantil con parálisis cerebral y su comparación con patrones no patológicos. La parálisis cerebral es una enfermedad neurológica no progresiva que constituye la principal causa de discapacidad pediátrica. Sus manifestaciones incluyen espasticidad, debilidad y alteraciones en la marcha. La marcha es un proceso cíclico con fases de apoyo y oscilación que se analiza mediante parámetros espaciotemporales, curvas de cinemática y señales de electromiografía. El objetivo de este proyecto es aplicar tanto métodos estadísticos como técnicas de inteligencia artificial a estas curvas de cinemática para su comparación y segmentación en fases, además de generar informes clínicos automáticos que puedan ser útiles en la práctica de rehabilitación. Para su correcto desarrollo se ha recopilado una base de datos pediátrica en el Hospital Universitario Río Hortega (Valladolid) con 46 participantes (25 controles y 21 niños con parálisis cerebral).La metodología se divide principalmente en dos bloques: en su inicio encontramos la generación automática de informes clínicos en Python, que facilitan el seguimiento del paciente y la comparación entre registros de distintas consultas. Seguidamente se comenta la segmentación de las fases de la marcha, aplicando dos enfoques: uno basado en la morfología de la señal y otro mediante un modelo BiLSTM + MultiHeadAttention, que incluye data augmentation, regularización y restricciones fisiológicas.Los resultados muestran ejemplos de señales de cinemática y electromiografía sincronizadas, informes clínicos, comparaciones estadísticas y segmentaciones. En primer lugar, la comparación entre la sincronización propuesta y la referencia de Xsens mostró errores bajos. En el análisis global de 14 sujetos, los resultados se situaron en torno a 7,5° de RMSE y 6,7° de MAE, alcanzando correlaciones cercanas a 1, lo que confirma la similitud entre las formas de onda. La detección de eventos de la marcha obtuvo errores inferiores a 80 ms tanto en controles como en pacientes, lo que representa menos del 1% del ciclo de la marcha y se considera clínicamente despreciable. Statistical Parametric Mapping superó a las métricas discretas en interpretabilidad y proporcionó un enfoque más robusto y objetivo que la supervisión visual, evitando conclusiones erróneas debidas a la variabilidad entre pasos. En cuanto a la segmentación clásica basada en la velocidad angular, se obtuvo una división de las siete fases de la marcha fiable. Finalmente, la red neuronal alcanzó rendimientos comparables o superiores a estudios previos, incluso en población patológica. En pacientes el modelo obtuvo un accuracy del 92,37% al aplicar una tolerancia de ±1 muestra. En controles, el rendimiento fue aún superior, alcanzando el 91,21% y hasta el 94,83% con una tolerancia de ±1 muestra. El error medio en la detección de transiciones fue de aproximadamente 12 y 15 ms, dentro de los márgenes aceptados en la literatura. Las fases largas y estables, como el apoyo medio y la oscilación media, fueron las que mejor se reconocieron, mientras que las fases más breves (apoyo terminal y preoscilación) concentraron la mayor parte de los errores.
YR 2025
FD 2025
LK https://uvadoc.uva.es/handle/10324/78995
UL https://uvadoc.uva.es/handle/10324/78995
LA spa
DS UVaDOC
RD 26-oct-2025