Identificación y evaluación de los ejercicios con información de los ángulos de Euler

Tal y como se ha expuesto en la introducción de este capítulo, el fin de introducir información de los ángulos de Euler que sufren las IMUs es poder mejorar los resultados obtenidos en la clasificación sin hacer uso de los mismos. Como se ha detallado en los apartados 4.2.1 y 4.2.2, los resultados obtenidos son muy precisos ya que, para las posiciones óptimas elegidas tanto en los ejercicios de la pierna como en los de brazo, tienen un porcentaje de error muy pequeño y una precisión cerca del 100 %. Estos resultados sugieren que lo más óptimo es no utilizar la información de los ángulos de Euler ya que implica más procesamiento y la mejora en la aplicación, en caso de haberla, es mínima.

Conclusiones y trabajos futuros

5.1

Conclusiones

El aumento de la esperanza de vida en los países desarrollados ha dado lugar a un interés creciente por alcanzar un envejecimiento saludable, el cual implica comida sana y ejercicio diario. Actualmente hay multitud de dispositivos y aplicaciones que permiten monitorizar la actividad a través de la estimación del número de pasos utilizando una IMU. Hay algunos sistemas que incluso discriminan entre si estás de pie, sentado o tumbado. Sin embargo, no hay muchos trabajos que aborden la monitorización de ejercicios como ayuda al paciente, haciendo las veces de un entrenador virtual, y a los cuidadores o facultativos que pueden evaluar el desempeño del los ejercicios físicos, los cuales pueden estar pautados de forma específica dentro algún programa concreto de fragilidad, prevención de caídas, etc.

Este Trabajo de Fin de Grado se ha realizado motivado por esta necesidad del seguimiento de rutinas en el domicilio, permitiendo monitorizar los ejercicios que realiza el paciente, mediante la obtención y el posterior tratamiento de los datos ofrecidos por las IMUs.

En este estudio se han realizado diferentes clasificaciones complejas utilizando métodos de Machine Lear- ning. El fin de dichas clasificaciones es identificar qué ejercicio se está realizando así como la evaluación del mismo, es decir, si se realiza correcta o incorrectamente. Para las distintas clasificaciones se determina el algoritmo que mejores resultados obtiene así como las mejores posiciones de las IMUs para esta moni- torización de ejercicios. Para ello se ha trabajado con un catálogo de siete ejercicios diferentes donde tres trabajan las extremidades inferiores, tres las superiores y el último ejercicio era el de marcha. Además, se ha hecho uso de cuatro IMUs para los ejercicios del tren inferior, con dos en cada miembro, y el equiva- lente en el tren superior. La entrada a los modelos de Machine Learning han sido cuatro características obtenidas de las señales en crudo obtenidas por las IMUs, es decir, la velocidad angular y aceleración lineal, aunque también se ha analizado el efecto sobre la clasificación al considerar la estimación de los ángulos de Euler como entrada adicional. Las características empleadas son la medida, desviación están- dar, máximo y mínimo de los segmentos en los que se han dividido mediante una ventana deslizante las señales evaluadas.

Se ha desarrollado una clasificación binaria para evaluar un ejercicio concreto en bien o mal realizado 69

obteniendo sensibilidades del orden de 99, 50 % con el método KNN, que además ha demostrado ser uno de los más óptimos para este estudio. Además se ha desarrollado una clasificación multiclase que ha permitido identificar y evaluar los ejercicios de entre un catálogo propuesto obteniendo exactitudes del orden de 99, 80 % con el método KNN.

Además se ha estudiado la optimización del número y posiciones de las IMUs y se ha concluido que la mejor opción es hacer uso de dos unidades de medida tanto en los ejercicios de brazos como en los de pierna. Dichas IMUs tendrán que estar situadas en posiciones cruzadas o paralelas de cada extremidad inferior o superior.

Se han analizado distintos planteamientos tanto de evaluación como de identificación de ejercicios y se concluye que los errores son inferiores al 2 % haciendo uso del algoritmo KNN y de dos IMUs. Por lo tanto, se puede concluir que cumpliendo con los objetivos marcados se ha desarrollado un clasificador que a partir de todos los datos, todos los ejercicios bien y mal hechos, es capaz de identificar cuál se está realizando y, además, evaluar si se ha realizado bien o no con una sensibilidad del 99 % y una especificidad del 98 %.

Los resultados obtenidos son muy buenos, lo que hace prometedora la propuesta pero será necesario evaluar el sistema de una forma que se asemeje de otra forma a la aplicación buscada. Esto es, evaluando los resultados en un sujeto, desconocido para los clasificadores, mediante una validación cruzada de leave- one-out.

Por último, se ha estudiado la posibilidad de mejorar los clasificadores basados en Machine Learning aumentando el número de características a la entrada y para ello se han incluido los ángulos del mo- vimiento. Dichos ángulos se han representado a través de los ángulos de Euler que se han estimado a partir de los datos de una IMU, usando un UKF. Para el conjunto de datos analizados los resultados admiten poco margen de mejora, lo que hace que el aumento de características no implique una mejora significativa de parámetros estadísticos de métrica. Los datos varían en menos de un 1 % en la mayoría de los casos, tanto respecto a la mejora como al empeoramiento, por lo que no se puede considerar una variación significativa. La causa principal de esta variación es la nueva aleatorización de datos para la validación cruzada aleatoria que se hace al emplear los ángulos de Euler, de forma que no se parte de los mismos datos al evaluar únicamente los datos de las IMUs que al introducir además los ángulos del movimiento.

Asimismo, debido a la pequeña magnitud de la variación de los resultados y los buenos resultados al no emplear los ángulos de Euler, se concluye que a la hora de clasificar con los datos empleados en este trabajo lo más óptimo no es utilizar la información relativa a los ángulos de Euler ya que requiere un mayor procesamiento de datos y la mejora es mínima.