Prototipo para el reconocimiento de video en tiempo real de los ejercicios del método Klapp usando redes neuronales recurrentes
DOI:
https://doi.org/10.30973/progmat/2022.14.2/1Palabras clave:
Redes Neuronales Recurrentes, Inteligencia Artificial, Método Klapp, Telerehabilitación, Fisioterapia, RehabilitaciónResumen
En la actualidad la telerehabilitación ha tomado un gran auge debido a los acontecimientos de la COVID-19, éste trata de la aplicación de un programa bajo la supervisión remota, usando las tecnologías de información y comunicación, eliminando limitantes de las personas para su desplazamiento, minimizando riesgos y aportando mayor cumplimiento a los programas de rehabilitación y reacondicionamiento. El presente trabajo propone el desarrollo de una herramienta para el reconocimiento en tiempo real de ejercicios del método fisioterapéutico Klapp, basándonos en el concepto de telerehabilitación. El objetivo de este proyecto es dar apoyo a los fisioterapeutas para dar seguimiento al tratamiento de rehabilitación o reacondicionamiento. La herramienta permite evaluar la ejecución en tiempo real de cada uno de los ejercicios para informarle al paciente si lo realizó correctamente, y el fisioterapeuta podrá consultar dichos resultados. El desarrollo del proyecto fue gestionado bajo el modelo V como referencia para cada una de las actividades realizadas. La técnica utilizada para el reconocimiento son las redes neuronales recurrentes, pues su arquitectura permite modelar la siguiente predicción basándose en la información pasada y lograr modelar datos en secuencia como videos. Y para la implementación fueron empleadas las herramientas Keras, TensorFlow, Python, librerías de OpenCV y OpenPose, con el cual se obtuvieron los puntos de referencias de los ejercicios basándonos en los ángulos de Cobb. Los resultados obtenidos de reconocimiento de la red recurrente fueron medidos bajo la métrica de exactitud (Accuracy), logrando un 97% considerando 6 ejercicios, los cuales comprenden los ejercicios del método Klapp.
Citas
Rabanales J., Párraga, I., López-Torres, J., Andrés, F., Navarro, B. Tecnologías de la Información y las Comunicaciones: Telemedicina. REV CLÍN MED FAM, 2011, 4 (1), 42-48, https://scielo.isciii.es/pdf/albacete/v4n1/especial1.pdf.
Russell, S. J. Inteligencia Artificial Un Enfoque Moderno (2.a ed.). Mexico:PRENTICE HALL/PEARSON, 2020
Ilktan y Akgul, Y. A Computerized Recognition System for the Home-Based Physiotherapy Exercises Using an RGBD Camera. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2014, https://doi.org/10.1109/TNSRE.2014.2326254
Zurich, ETH. Recognition and Repetition Counting for Complex Physical Exercises with Deep Learning. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2019.
Zhou, H., and Hu, H. Human motion tracking for rehabilitation-A survey. Biomedical Signal Processingand Control, 2008, https://doi.org/10.1016/j.bspc.2007.09.001
Moeslund, T.B., Hilton, A., y Kruger, V. A survey of advances in vision-based human motioncapture and analysis. CVIU, 2006, https://doi.org/10.1016/j.cviu.2006.08.002
Cáceres, JA. Método mezieres vs técnica de Klapp aplicada a estudiantes de entre 13 a 16 años con escoliosis idiopática en la unidad educativa Alberto Guerra del cantón cevallos en el período febrero – mayo 2015. Tesis Licenciatura. Universidad Técnica de Ambato, 2015. http://repositorio.uta.edu.ec/bitstream/123456789/10367/1/C%c3%a1ceres%20Urrutia%2c%20Jessica%20Andrea.pdf .
Jinnovart, T., Cai, X. y Thonglek, K. Abnormal Gait Recognition in Real-Time using Recurrent Neural Networks. 59th IEEE Conference on Decision and Control (CDC), 2020, 972-977, https://doi.org/10.1109/CDC42340.2020.9304106.
Alatiah, T. y Chen, C. Recognizing Exercises and Counting Repetitions in Real Time. CoRR, abs/2005.03194, 2020, https://arxiv.org/abs/2005.03194.
Jarrín, JL. Sistema de detección del ángulo articular en los movimientos de miembro superior para la evaluación en fisioterapia mediante visión artificial. Trabajo de grado Ingeniería, Universidad Técnica del Norte, Ibarra-Ecuador, 2020. http://repositorio.utn.edu.ec/handle/123456789/10295.
Obaid, F., Babadi, A., y Yoosofan, A. Hand Gesture Recognition in Video Sequences Using Deep Convolutional and Recurrent Neural Networks. Applied Computer Systems, mayo 2020, 25(1), 57–61, https://doi.org/10.2478/acss-2020-0007.
Leightley, L., Mukhopadhyay, S. C., Ghayvat, H. and Yap, M. H. Deep convolutional neural networks for motion instability identification using Kinect. Fifteenth IAPR International Conference on Machine Vision Applications (MVA), 2017, 310-313, https://doi.org/10.23919/MVA.2017.7986863.
Rodríguez, L. Telerehabilitación funcional en entornos virtuales interactivos como propuesta de rehabilitación en pacientes con discapacidad. Espacios, 2019, 40(5.5), 1, https://www.revistaespacios.com/a19v40n25/a19v40n25p01.pdf.
Barrios, M., Rodriguez, L., Pachón, C., Medina, B. y Sierra, JE. Revista Espacios, 2019, Vol. 40 (Nº 25). ISSN 0798 1015. https://www.revistaespacios.com/a19v40n25/a19v40n25p01.pdf.
Sierra J., Medina B., Rodriguez L. Desarrollo e implementación de tecnologías biomédicas para la telerehabilitación funcional. Revista Colombiana de Tecnologías de Avanzada, 2019. ISSN: 1692-7257 Volumen 2 – Número 34.
Moreno, DL. Inteligencia Computacional en Sistemas de Teleasistencia en Domicilios. Tesis doctoral. Universidad del País Vasco Euskal Herriko Unibertsitatea, 2018. https://core.ac.uk/download/pdf/168407281.pdf.
Columna vertebral sana & Postura recta (3.3.5).2020.[Aplicación móvil]. App store. https://play.google.com/store/apps/details?id=melstudi o.mback.
Ejercicios de dolor de espalda (1.0.82). 2020. [Aplicación móvil]. App store. https://play.google.com/store/apps/details?id=com.vratsev.bpex.
Ejercicios de Espalda en Casa (1.0). 2017. [Aplicación móvil]. App store. 65 https://play.google.com/store/apps/details?id=com.doctorapps.
Mitchell, T. Machine Learning (1ra. ed.). México: McGraw-Hill Education, 1997.
Goodfellow, I., Bengio, Y. y Courville, A. Deep Learning. MIT Press, 2016, https://www.deeplearningbook.org.
Vaca, D. L. Una técnica de muestreo para categorizar videos. RevActaNova. 2018, 8(4), 631-650. ISSN 1683-0789.
Zumba, J. P. y León , C.A. Evolución de las Metodologías y Modelos utilizados en el Desarrollo de Software. INNOVA Research Journal, septiembre 2018, 3, 20-33.
Aguileta, A. A., & S. Gómez, O. Estudio de calidad y eficiencia de un enfoque de desarrollo software secuencial con programadores solos y en pareja. SciELO, Abril 2019, https://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-33052019000200304.
Martin, B., Bismarck et al. Enfoque actual en la rehabilitación de la escoliosis. CCM, 2014, 18(1), 89-99.
Santoja, A. Higiene postural en el escolar. Albacete:Editores Escolares Albacete. 2012, https://repositorio.uleam.edu.ec/bitstream/123456789/1 673/1/ULEAM-FST-0035.pdf.
Tribastone, F. Compendio de Gimnasia Correctiva. 3ed. Barcelona: Paidotribo, 2001.
Heaton, J. Introduction to Neural Networks for Java (2.a ed.). Heaton Research, Inc. 2008.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Néstor Andrés García Rojas, Verónica Moreno Jiménez, Rubelia Isaura Martínez Téllez, Gudelia Pilar Pérez Conde, Gabriela Rabanales Gómez
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
 |
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
 |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
 |
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
| Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |
