Facultad de Ingeniería
Permanent URI for this community
Browse
Browsing Facultad de Ingeniería by Subject "Accidentes por Caídas"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
Item Desarrollo e implementación de una estrategia para la evaluación automática del riesgo de caídas en personas usando sensores inerciales.(Universidad de Concepción, 2021) Gómez Arias, Britam Arom; Aqueveque Navarro, Pablo EstebanEste trabajo presenta una investigación referente a la identificación y el análisis automático del movimiento humano mientras se realizan evaluaciones clínicas sensorizadas para determinar el riesgo de caídas en población objetivo. El proyecto incluye la implementación de un sistema de medición con una Unidad de Medición Inercial bajo las características propias de un sistema “wereable”: portable, autónomo, inalámbrico y ergonómico, y el posterior procesamiento para la identificación de las actividades realizadas durante la aplicación del “Timed Up & Go Test” de 3–metros y su versión extendida (6–metros). Con esto, se propone un análisis automático para la extracción de los índices y/o características correspondientes que caracterizan el movimiento humano durante el “Timed Up & Go Test” y la marcha usando el Test de 10 metros como referencia para su versión extendida y, de esta manera, otorgar una evaluación automática y específica del riesgo de caídas usando algoritmos de aprendizaje automático. Los resultados obtenidos en cuanto a la identificación del riesgo en cada una de las actividades observadas durante la realización del “Timed Up & Go Test” van de bien a excelente, con un “Recall” (sujetos con riesgo de caídas respecto al total de sujetos con riesgo) de un 88.46 % en las fases de pararse y del primer giro, hasta un 100 % en las fases del primer giro y en la marcha del “Timed Up & Go Test” no extendido, comprobando que mediante el uso de una Unidad de Medición Inercial ubicada en la espalda y algoritmos de aprendizaje automático se puede determinar el riesgo de caídas en sujetos durante el “Timed Up & Go Test” y su versión extendida, no solo de manera global, sino también de manera específica al segmentar las actividades realizadas durante su ejecución. Esta tesis contribuye a la investigación y desarrollo de sistemas para el análisis y monito reo clínico del movimiento humano, centrándose en el reconocimiento automático de actividad humana y en la extracción de índices que caracterizan el riesgo de caídas.Item Evaluación crítica de Algoritmos de segmentación del test Timed Up and Go (TUG) basados en IMU.(Universidad de Concepción, 2025) Rojas Sandoval, Loreto Valentina; Aqueveque Navarro, Pablo EstebanEl Timed Up and Go (TUG) es una prueba funcional ampliamente utilizada para evaluar movilidad y riesgo de caídas, especialmente en adultos mayores y personas con patologías neurológicas. Sin embargo, su enfoque tradicional basado únicamente en el tiempo total presenta limitaciones al no considerar aspectos cualitativos del movimiento. La integración de sensores inerciales (IMU) y algoritmos ha permitido segmentar el TUG en subetapas, mejorando la detección de deficiencias motoras. Este trabajo valida y desarrolla un algoritmo automático de segmentación del TUG, utilizando datos inerciales en personas de distintos rangos etarios. Se revisaron algoritmos existentes, se evaluó un modelo basado en reglas y se propuso una optimización mediante votación de jurados, comparando resultados con el sistema OptiTrack, estándar de referencia para este trabajo. El algoritmo se evaluó por precisión, sensibilidad, error promedio y correlación con segmentación manual. Se espera aportar herramientas más precisas para la evaluación clínica, facilitando la integración del TUG automatizado en entornos de salud. En la validación con 75 participantes de diversos rangos etarios, el algoritmo alcanzó sensibilidad y precisión de hasta 0.97, con MAE menor a un segundo en la mayoría de las subetapas. Se observó alta correlación (r > 0.90) con la segmentación manual en la duración total y fases estables, confirmando su robustez. Además, el análisis por grupo etario mostró un aumento progresivo en los tiempos de ejecución del TUG, subrayando el potencial de la herramienta para identificar variaciones funcionales asociadas a la edad. Estos resultados demuestran que la segmentación automática con IMU complementa y potencia la evaluación clínica, proporcionando métricas objetivas para el monitoreo y prevención del riesgo de caídas.Item Segmentación automática del test Timed Up and Go mediante BiLSTM con datos de una IMU: extracción de biomarcadores cinemáticos.(Universidad de Concepción, 2025) Rojas Sandoval, Loreto Valentina; Aqueveque Navarro, Pablo EstebanEl Timed Up and Go (TUG) es una prueba funcional ampliamente utilizada para evaluar la movilidad, el equilibrio y el riesgo de caídas, especialmente en adultos mayores y personas con patologías neurológicas. Sin embargo, su enfoque tradicional basado en el tiempo total presenta limitaciones significativas al no considerar aspectos cualitativos del movimiento, como la estabilidad durante los giros y la coordinación al levantarse. Para abordar estas limitaciones, la integración de unidades de medición inercial (IMU) y algoritmos, ha permitido segmentar el TUG en subetapas específicas, mejorando la precisión en la detección de deficiencias motoras. Este trabajo propone un método automatizado para la segmentación de las seis subetapas del TUG utilizando una única unidad de medición inercial (IMU) ubicada en la región lumbar y un modelo de aprendizaje profundo basado en arquitecturas BiLSTM. Se recopilaron 315 ensayos de TUG provenientes de participantes de distintos rangos etarios y niveles funcionales, incluyendo sujetos sanos y personas con disfunción. Las señales inerciales fueron preprocesadas y etiquetadas manualmente en Label Studio para generar el dataset de entrenamiento. El modelo BiLSTM, compuesto por dos capas bidireccionales apiladas y una capa fully connected final, fue entrenado con un split 80/20 utilizando Adam, una tasa de aprendizaje de 0.0005 y 150 épocas. El modelo alcanzó un desempeño robusto, con precisiones y F1-scores superiores al 90% en la mayoría de las subetapas, y errores temporales (MAE) entre 0.28 y 0.40 segundos. La comparación con evaluadores clínicos demostró una alta concordancia, con ICC de hasta 0.98 para el tiempo total del TUG y valores de MAE similares a los observados entre los propios clínicos. Además, la segmentación automática permitió la extracción de 60 biomarcadores cinemáticos y temporales seleccionados mediante Recursive Feature Elimination (RFE), los cuales presentaron una alta capacidad discriminativa entre grupos etarios y funcionales (AUC de hasta 0.98 en la etapa de segundo giro). Finalmente, se establecieron rangos de referencia estratificados por edad para los biomarcadores derivados, y se observaron correlaciones significativas con la edad en varios de ellos, lo que confirma su relevancia clínica. Los resultados sugieren que este enfoque basado en una única IMU y un modelo BiLSTM constituye una herramienta precisa, reproducible y clínicamente útil para la segmentación automática del TUG y la caracterización del movimiento humano.