Sistema interactivo de seguimiento de posición corporal mediante visión artificial para actividad demostrativa.
| dc.contributor.advisor | Pino Quiroga, Esteban Javier | es |
| dc.contributor.advisor | Urrutia Martínez, Mabel Alejandra | es |
| dc.contributor.author | Ríos Díaz, Ricardo Francisco | es |
| dc.date.accessioned | 2025-10-23T18:18:15Z | |
| dc.date.available | 2025-10-23T18:18:15Z | |
| dc.date.issued | 2025 | |
| dc.description | Tesis presentada para optar al título de Ingeniero/a Civil Biomédico. | es |
| dc.description.abstract | El presente informe de memoria de título expuso el desarrollo de un sistema de reconocimiento postural en tiempo real utilizando la visión por computador, enfocado en la comparación automática de posturas corporales humanas en una interfaz gráfica con asignación de puntaje. Una postura fue capturada en tiempo real y la otra fue de referencia proveniente de datasets internos del proyecto. El sistema fue implementado usando el lenguaje de programación Python y sustentado por el modelo MediaPipe Holistic de Google, el cual permitió la estimación de puntos articulares clave del cuerpo humano a partir de la imagen captada por la cámara, y sobre estos se dibujaron líneas de unión, simulando un esqueleto sobre la imagen. El modelo detectaba puntos en regiones faciales, corporales y en manos. Se realizó una revisión bibliográfica y estudio de técnicas de procesamientos internos de la visión por computador basados en Deep Learning (DL) supervisado. Se seleccionó un modelo de estos mediante comparación de ventajas y desventajas entre los modelos de Computer Vision (CV) actuales. Para verificar si las posturas eran similares o diferentes, fue necesario el desarrollo de una lógica comparativa postural que constaba de la comparación de diferencias promedio basadas en distancias euclidianas entre puntos articulares correspondientes y la asignación de pesos sobre regiones anatómicas con un umbral de tolerancia definido empíricamente. Si la postura del usuario captada por la cámara coincidía con la imagen de referencia, se otorgaban puntos como retroalimentación y se continuaba con la siguiente. Se implementaron además tres dataset ordenados por dificultad para enriquecer la experiencia de la actividad demostrativa y se evaluó el logro de posturas por nivel de dificultad por parte de usuarios reales. Se expusieron muestras de funcionamiento de los software desarrollados, umbral definido empíricamente y evaluación de logro de posturas por nivel de dificultad. En la actividad con usuarios, el porcentaje promedio de posturas logradas disminuye al aumentar la dificultad (80% en el nivel fácil, 62% en el intermedio y 40% en el difícil). En términos generales, el proyecto logró demostrar la factibilidad de construir un sistema de reconocimiento postural en tiempo real, capaz de otorgar retroalimentación inmediata, establecer niveles de dificultad y cuantificar el desempeño del usuario de forma objetiva. | es |
| dc.description.abstract | The present thesis report presented the development of a real-time posture recognition system using computer vision, focused on the automatic comparison of human body postures within a graphical inter face with score assignment. One posture was captured in real time and the other was taken as a reference from internal project datasets. The system was implemented using the Python programming language and supported by Google’s MediaPipe Holistic model, which enabled the estimation of key joint points of the human body from the image captured by the camera, upon which connecting lines were drawn, simulating a skeleton over the image. The model detected points in facial, body, and hand regions. A bibliographic review and study of internal processing techniques in computer vision based on supervised Deep Learning (DL) were carried out. One of these models was selected through a comparison of advantages and disadvantages among current Computer Vision (CV) models. To verify whether the postures were similar or different, it was necessary to develop a comparative posture logic consisting of the comparison of average differences based on Euclidean distances between corresponding joint points and the assignment of weights on anatomical regions with a tolerance threshold definedempirically. If the user’s posture captured by the camera matched the reference image, points were awarded as feedback and the system proceeded to the next posture. In addition, three datasets ordered by difficulty were implemented to enrich the experience of the demonstrative activity, and the achievement of postures by difficulty level was evaluated with real users. Samples of the developed software’s operation, empirically defined threshold, and evaluation of posture achievement by difficulty level were presented. In the user activity, the average percentage of achieved postures decreased as the difficulty increased (80%attheeasy level, 62% at the intermediate level, and 40% at the difficult level). In general terms, the project demonstrated the feasibility of building a real-time posture recognition system, capable of provi ding immediate feedback, establishing difficulty levels, and objectively quantifying user performance. | es |
| 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 Fondecyt Exploración 13220040 | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/13285 | |
| 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 | Movimiento Fisiología | es |
| dc.subject | Postura humana | es |
| dc.subject | Procesamiento electrónico de datos | es |
| dc.title | Sistema interactivo de seguimiento de posición corporal mediante visión artificial para actividad demostrativa. | es |
| dc.type | Thesis | en |