Fusión de sensores para la detección y estimación del movimiento

En este proyecto se implementaron estrategias de aprendizaje automático para determinar el estado de ambulación de un usuario a través de un clasificador de modos de locomoción que alimenta un estimador de parámetros continuos para los modos de terreno llano, rampa y escaleras. El sistema se aplicó en un rango muy extenso de parámetros ambientales (6 inclinaciones de rampa, 4 alturas de escaleras y 28 velocidades de caminata) para aumentar la robustez y representar mejor la naturaleza continua de los entornos del mundo real.

Contexto

Con el envejecimiento de la población y la prevalencia de discapacidades resultado de lesiones en la médula espinal, accidentes cerebrovasculares o enfermedades, la terapia de rehabilitación adecuada es un proceso muy importante para recuperar la movilidad, la independencia y reducir el riesgo de complicaciones de salud adicionales.

A medida que la tecnología se vuelve más sofisticada y portátil, la aplicación de sensores portátiles a la rehabilitación se ha convertido en un campo de investigación prevalente. Estos sensores se han utilizado para proporcionar información adicional a los estudios clínicos, así como para mejorar el control de dispositivos de rehabilitación como prótesis, órtesis y exoesqueletos. La estrategia de aprendizaje automático presentada en este estudio se centra en esta última aplicación, aunque podría adaptarse para la monitorización de la actividad del paciente.

Los dispositivos de rehabilitación motorizados están diseñados para replicar o aumentar los torques biológicos en las articulaciones del tobillo, rodilla y cadera utilizando modos de detección y control avanzados. Actualmente, muchos dispositivos de investigación operan utilizando parámetros variables de potencia y amortiguación para ayudar a caminar en diversos modos de ambulación comunitaria – terreno llano, rampas y escaleras. Estos parámetros de control se ajustan manualmente para cada modo de ambulación basado en la comodidad del paciente y la retroalimentación de rendimiento, un proceso que consume tiempo y se realiza durante las pruebas iniciales, normalmente bajo un solo conjunto de parámetros ambientales – velocidad de caminata, inclinación de la rampa o altura de las escaleras.

Sensores

Diversos sensores, como las Unidades de Medición Inercial (IMU), los goniómetros (GON) y los sistemas de electromiografía (EMG), se pueden utilizar para recopilar datos sobre la dinámica del cuerpo.

Una Unidad de Medición Inercial (IMU) es un dispositivo que mide y reporta la velocidad, la orientación y las fuerzas gravitacionales de un objeto. Las IMU típicamente combinan acelerómetros, giroscopios y, a veces, magnetómetros para proporcionar una representación completa del movimiento en tres dimensiones. Un goniómetro es un dispositivo que mide el ángulo de una articulación, como el codo, la rodilla o el tobillo. Puede ser manual, utilizando una escala graduada y un brazo móvil, o electrónico, proporcionando mediciones más precisas y fáciles de registrar. La electromiografía (EMG) es una técnica que mide la actividad eléctrica producida por los músculos cuando se contraen. Utiliza electrodos colocados sobre la piel (EMG de superficie) o insertados en el músculo (EMG intramuscular) para registrar estas señales eléctricas.

Estudios más recientes muestran la promesa de utilizar EMG para predecir la intención humana, algoritmos de clasificación de modos en línea y control de torque basado en modelos que aprovechan datos cinemáticos y de fuerza, aunque estos sistemas en su mayoría asumen un entorno estático. Debido a que la cinemática de la marcha varía con cada parámetro del entorno de locomoción, el uso de parámetros de control estáticos resulta en un dispositivo incapaz de adaptarse a entornos cambiantes. Esta adaptabilidad también es importante para monitorear la rehabilitación, ya que la velocidad de la caminata es una medida de resultado común, y el uso de ejercicios de escaleras y rampas mejora la fuerza muscular, el equilibrio y la velocidad de la caminata.

Machine learning

Para que la adaptación ocurra dentro de la arquitectura de control de un dispositivo sin intervención del usuario, se requiere tanto una estimación precisa del parámetro ambiental relevante como la clasificación del modo de ambulación del usuario. Los clasificadores de modo de locomoción han sido ampliamente analizados en el campo de la robótica rehabilitativa, con los modelos comunes siendo el análisis discriminante lineal (LDA) y las máquinas de vectores de soporte (SVM). Otros modelos como kNN, k-means y modelos de mezcla gaussiana también han sido estudiados, pero sin mejoras significativas en comparación con LDA. Una técnica común para mejorar la precisión de la clasificación más allá del modelo base es la adición de información de historial temporal. Esto se implementa típicamente como un filtro de votación mayoritaria, aunque los estudios han demostrado que un modelo de red bayesiana dinámica (DBN) – un tipo de modelo de Markov oculto (HMM) que utiliza un enfoque probabilístico para incorporar información de decisiones anteriores y actuales basadas en la confianza del modelo en cada decisión – funciona mejor que un LDA con votación mayoritaria.

Aunque la clasificación del tipo de locomoción ha sido analizada extensamente, la investigación sobre la estimación de parámetros continuos utilizando sensores portátiles es comparativamente escasa. Los métodos más comunes para la estimación son la integración de datos IMU, modelos cinemáticos y enfoques de aprendizaje automático. Aunque las técnicas de integración se aplican fácilmente a la estimación de velocidad y pendiente, la estimación precisa de la altura es más propensa a errores debido a la doble integración requerida. De los tres métodos de estimación, los métodos basados en modelos cinemáticos son los más precisos para la estimación de velocidad; sin embargo, la creación de modelos cinemáticos requiere un análisis detallado de cada modo de ambulación. Los métodos de ML para la estimación de parámetros de caminata han recibido atención recientemente debido a la capacidad de enmarcar la naturaleza de entrada-salida de los sensores portátiles y los parámetros de caminata como un problema de regresión. Esta relación se presta bien a un enfoque generalizado para la estimación en varios modos de ambulación y se expande fácilmente para incorporar información de muchos sensores.

El proceso de construcción de este sistema se detalla a través de la selección de características, el barrido de parámetros, la selección de modelos y los pasos de optimización de modelos. También buscamos proporcionar a los diseñadores de sistemas nuevos y existentes una idea de qué sensores son más importantes para cada modelo, de modo que el esfuerzo de incorporar sensores portátiles se utilice de manera más efectiva. Los estudios anteriores han demostrado que la información de EMG ayuda en la clasificación, ya que estas señales se relacionan con la intención del usuario. En contraste, suponemos que la estimación de parámetros puede realizarse en gran medida a través de sensores mecánicos, ya que estos sensores indican la geometría y cinemática de cada modo. Las contribuciones principales de este trabajo incluyen: El desarrollo y la optimización rigurosa de un enfoque de ML para la clasificación de la locomoción y la regresión de parámetros ambientales; un análisis detallado de los mejores tipos de sensores y ubicaciones para cuatro problemas de ML: clasificación de modo de ambulación, estimación de velocidad de caminata, estimación de inclinación de rampa y estimación de altura de escalera.

Métodos

Los datos de los sensores portátiles se introducen en un extractor de características, donde se extraen diferentes patrones según el tipo de sensor y la fase de la marcha del usuario. Las características se utilizan primero en el clasificador de intención para determinar la intención del usuario y, posteriormente, el parámetro de locomoción a estimar. Los valores estimados son luego filtrados por un Filtro de Kalman. Los resultados finales tanto del Clasificador de Intención del Usuario como del Filtro de Kalman, se retroalimentan en los bloques respectivos como datos previos para el siguiente paso.

Resultados

Este estudio ilustra la construcción de un clasificador de modos de locomoción combinado y un estimador de parámetros de locomoción para proporcionar información precisa sobre el estado de ambulación actual de un usuario. A través de los pasos de selección de características, barrido de parámetros, selección de modelos y optimización de modelos, el sistema propuesto logró tasas de error similares o menores en comparación con el estado del arte actual para los cuatro problemas: clasificación de modos, estimación de velocidad de caminata, estimación de pendiente del terreno y estimación de altura de escaleras. Esto a pesar de la evaluación del sistema propuesto sobre un rango mucho mayor de parámetros ambientales que en estudios anteriores, lo que lo hace más robusto frente al dominio completo de la locomoción posible. El conjunto de datos de características y el código de Matlab se proporcionan para facilitar la reproducibilidad y el trabajo futuro. El análisis de la importancia de los sensores proporciona información valiosa a los diseñadores, ya que hubo diferencias significativas en los efectos de cada tipo de sensor para estos cuatro problemas.

Para la clasificación de modos, el sistema propuesto tuvo un rendimiento superior al 98% de precisión en promedio (0.70% de error en estado estacionario, 3.55% de error en transición). Una diferencia importante entre el sistema propuesto y la literatura previa es la presencia de múltiples condiciones de parámetros ambientales para cada modo. Aprovechando el robusto conjunto de datos, este clasificador pudo identificar una amplia gama de inclinaciones y alturas como el modo correcto. En cuanto a la estimación de parámetros, se calculó el error cuadrático medio (RMSE) de la estimación durante la locomoción en estado estacionario.

El análisis de la importancia de los sensores mostró que los sensores mecánicos (IMU, GON) eran generalmente más importantes que los sensores EMG. Esto fue especialmente cierto para la regresión, ya que no se seleccionaron características de EMG para la estimación de ningún parámetro. Para la clasificación, aunque el efecto de eliminar datos de EMG fue menos pronunciado que eliminar cualquiera de los tipos de sensores mecánicos, eliminar EMG aún causó un aumento significativo en el error.

Este estudio también mostró que para la estimación de parámetros, seleccionar el tipo de sensor correcto es crucial. Los goniómetros fueron los mejores para la estimación de la inclinación de rampas y la altura de escaleras, mientras que los IMU deberían usarse para la estimación de velocidad.

Las mejoras en la estimación debido al filtrado de Kalman en la salida de la red neuronal también sugieren fuertemente el filtrado de las salidas de regresión. Además, la investigación futura podría aplicar el método propuesto de estimación de parámetros a más variables ambientales, como la dirección del usuario o medidas clínicas como la longitud del paso, lo que podría permitir una nueva adaptación de dispositivos y una mejor rehabilitación.