Segmentación automática del test Timed Up and Go mediante BiLSTM con datos de una IMU: extracción de biomarcadores cinemáticos.
| dc.contributor.advisor | Aqueveque Navarro, Pablo Esteban | es |
| dc.contributor.author | Rojas Sandoval, Loreto Valentina | es |
| dc.date.accessioned | 2026-01-20T13:29:54Z | |
| dc.date.available | 2026-01-20T13:29:54Z | |
| dc.date.issued | 2025 | |
| dc.description | Tesis presentada para optar al grado de Magíster en Ciencias de la Ingeniería con mención en Ingeniería Eléctrica. | es |
| dc.description.abstract | El 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. | es |
| dc.description.abstract | The Timed Up and Go (TUG) test is a widely used functional assessment to evaluate mobility, balance, and fall risk, particularly in older adults and individuals with neurological conditions. However, its traditional approach based solely on total completion time presents significant limitations, as it fails to capture qualitative aspects of movement, such as stability during turning and coordination when standing up. To address these limitations, the integration of inertial measurement units (IMUs) and algorithmic analysis has enabled the segmentation of the TUG into specific subphases, improving the accuracy in detecting motor impairments. This work proposes an automated method for segmenting the six TUG subphases using a single inertial measurement unit (IMU) placed on the lumbar region and a deep learning model based on a BiLSTM architecture. A total of 315 TUG trials were collected from participants spanning different age groups and functional levels, including both healthy individuals and those with mobility impairments. The inertial signals were preprocessed and manually annotated in Label Studio to generate the training dataset. The BiLSTM model, composed of two stacked bidirectional layers and a final fully connected layer, was trained using an 80/20 split with the Adam optimizer, a learning rate of 0.0005, and 150 epochs. The model achieved robust performance, with accuracies and F1-scores above 90% in most subphases and temporal errors (MAE) ranging from 0.28 to 0.40 seconds. Comparison with clinical evaluators showed high agreement, with ICC values up to 0.98 for total TUG time and MAE values similar to those observed between clinicians themselves. Furthermore, the automatic segmentation enabled the extraction of 60 temporal and kinematic biomarkers selected through RFE, which demonstrated high stability (79%) and strong discriminative capacity across age and functional groups (AUC values up to 0.98 in the second turning phase). Finally, age-stratified reference ranges were established for all derived biomarkers, and several showed significant correlations with age, confirming their clinical relevance. Overall, the results suggest that this approach, based on a single IMU and a BiLSTM model, provides a precise, reproducible, and clinically meaningful tool for automatic TUG segmentation and human movement characterization. | en |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Eléctrica | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.description.sponsorship | ANID, Proyecto FONDEF IDEA I+D N°ID24I10422 | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/13616 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Movilidad de desplazamiento | es |
| dc.subject | Accidentes por Caídas | es |
| dc.subject | Ancianos | es |
| dc.subject | Prevención de accidentes | es |
| dc.subject.ods | Buena SALUD | es |
| dc.title | Segmentación automática del test Timed Up and Go mediante BiLSTM con datos de una IMU: extracción de biomarcadores cinemáticos. | es |
| dc.type | Thesis | en |