Examinando por Autor "Robles Cruz, Diego"

Mostrando 1 - 4 de 4
  • Miniatura
    Ítem
    Classification of Center of Mass Acceleration Patterns in Older People with Knee Osteoarthritis and Fear of Falling
    (MDPI, 2022-10) González Olguín, Arturo; Ramos Rodríguez, Diego; Higueras Córdoba, Francisco; Martínez Rebolledo, Luis; Taramasco, Carla; Robles Cruz, Diego
    (1) Background: The preoccupation related to the fall, also called fear of falling (FOF) by some authors is of interest in the fields of geriatrics and gerontology because it is related to the risk of falling and subsequent morbidity of falling. This study seeks to classify the acceleration patterns of the center of mass during walking in subjects with mild and moderate knee osteoarthritis (KOA) for three levels of FOF (mild, moderate, and high). (2) Method: Center-of-mass acceleration patterns were recorded in all three planes of motion for a 30-meter walk test. A convolutional neural network (CNN) was implemented for the classification of acceleration signals based on the different levels of FOF (mild, moderate, and high) for two KOA conditions (mild and moderate). (3) Results: For the three levels of FOF to fall and regardless of the degree of KOA, a precision of 0.71 was obtained. For the classification considering the three levels of FOF and only for the mild KOA condition, a precision of 0.72 was obtained. For the classification considering the three levels of FOF and only the moderate KOA condition, a precision of 0.81 was obtained, the same as in the previous case, and finally for the classification for two levels of FOF, a high vs. moderate precision of 0.78 was obtained. For high vs. low, a precision of 0.77 was obtained, and for the moderate vs. low, a precision of 0.8 was obtained. Finally, when considering both KOA conditions, a 0.74 rating was obtained. (4) Conclusions: The classification model based on deep learning (CNN) allows for the adequate discrimination of the acceleration patterns of the moderate class above the low or high FOF. © 2022 by the authors.
  • Miniatura
    Ítem
    Descripción de las variables temporoespaciales y de estabilidad de la marcha en sujetos con enfermedad de Parkinson frente a estímulos sensoriales : un estudio piloto
    (Universidad Andrés Bello, 2017) Molina Santelices, Gerard; Montaner Valenzuela, Nicolás; Sein Peña, Emilia; Robles Cruz, Diego; Facultad de Ciencias de la Rehabilitación; Escuela de Kinesiología
    La Enfermedad de Parkinson (EP) idiopática es la segunda causa más común de las enfermedades neurodegenerativas después de la Enfermedad de Alzheimer, cuyos síntomas cardinales son el temblor, lentitud en la ejecución del movimiento (bradicinesia) y rigidez. El patrón de marcha se caracteriza por una disminución de la velocidad y de la longitud de zancada, y un aumento del tiempo de doble apoyo, una cadencia normal o incluso está algo aumentada para tratar de alcanzar una velocidad de marcha normal, otorgándole una menor estabilidad en la marcha. Desde el punto de vista neuro-rehabilitador, no existe evidencia suficiente que apoye o niegue la eficacia de una forma determinada de tratamiento sobre otra en la Enfermedad de Parkinson, es por esto que como investigadores nos plantemos determinar cuáles son los cambios en los parámetros espacio-temporales y de estabilidad de la marcha frente a distintos estímulos visuales y auditivos en sujetos con enfermedad de Parkinson. Se realizó un estudio de tipo experimental, de corte transversal e intención descriptiva, en el cual se manipuló la variable de entrega para el ritmo de la marcha en cuatro condiciones, una sin estímulos y otras 3 con estímulos. Para la obtención de las variables de interés del estudio, los sujetos evaluados utilizaron un dispositivo móvil con un acelerómetro triaxial a nivel de L4 L5, donde se extrajeron las valoraciones de la variabilidad y ritmicidad de la marcha las cuales fueron extraídas de las aceleraciones lineales del centro de masa por medio de un test de marcha con diferentes consideraciones, según cada medición de los diferentes estímulos. La aplicación de estímulos presentó cambios en el patrón de marcha que se interpretaron con una tendencia a disminución la velocidad, aumentó la candencia, una mejora de la estabilidad y una disminución de los episodios de FOG.
  • No hay miniatura disponible
    Ítem
    Fall Risk Classification Using Trunk Movement Patterns from Inertial Measurement Units and Mini-BESTest in Community-Dwelling Older Adults: A Deep Learning Approach
    (Multidisciplinary Digital Publishing Institute (MDPI), 2024) Robles Cruz, Diego; Puebla Quiñones, Sebastián; Lira Belmar, Andrea; Quintana Figueroa, Denisse; Reyes Hidalgo, María; Taramasco Toro, Carla
    Falls among older adults represent a critical global public health problem, as they are one of the main causes of disability in this age group. We have developed an automated approach to identifying fall risk using low-cost, accessible technology. Trunk movement patterns were collected from 181 older people, with and without a history of falls, during the execution of the Mini-BESTest. Data were captured using smartphone sensors (an accelerometer, a gyroscope, and a magnetometer) and classified based on fall history using deep learning algorithms (LSTM). The classification model achieved an overall accuracy of 88.55% a precision of 90.14%, a recall of 87.93%, and an F1 score of 89.02% by combining all signals from the Mini-BESTest tasks. The performance outperformed the metrics we obtained from individual tasks, demonstrating that aggregating all cues provides a more complete and robust assessment of fall risk in older adults. The results suggest that combining signals from multiple tasks allowed the model to better capture the complexities of postural control and dynamic gait, leading to better prediction of falls. This highlights the potential of integrating multiple assessment modalities for more effective fall risk monitoring.
  • Miniatura
    Ítem
    Reconocimientos y clasificación de patrones de marcha neurodegenerativa mediante variables temporoespaciales y machine learning : Esclerosis Múltiple, Parkinson, Huntington
    (Universidad Andrés Bello, 2017) Irazzoky Rojas, Igor; Robles Cruz, Diego; Facultad de Ciencias de la Rehabilitación; Escuela de Kinesiología
    La literatura ha descrito que la marcha humana puede ser clasificada con diversas técnicas y modelos, desde un simple péndulo hasta clasificadores complejos de aprendizaje automatizado, estos últimos son conocidos como clasificadores o clustering . Las técnicas de clasificación son métodos de análisis de multivarianza mostrando su mayor potencial en el reconocimiento de patrones. Las redes neuronales es un tipo de clasificador supervisado, caracterizadas por hacer su análisis y solución de problemas a través de los ajustes de los pesos conocidos, entregando como salida una matriz de confusión y una Receiver Operating Characteristic o curva ROC, que demuestran la calidad de la clasificación. Se ha relatado ampliamente la marcha patológica en enfermedades neurodegenerativas a través de distintos algoritmos computacionales , inclusivamente en la misma población, estableciendo un interés mundial, dando una relevancia al método de clasificación y descripción de la marcha humana. Sin embargo en la actualidad se desconocen los diversos motivos de análisis, poca comparación entre bases de datos en los distintos modelos y clasificaciones, adicionalmente de la pobre descripción de la marcha en base de datos, y la refuta de los procesos metodológicos. Es por esto, que es de suma importancia describir la marcha neurodegenerativa y la clasificación de patrones a través de métodos rigurosos en distintos tipos de bases de datos alternando los sujetos de estudio y sus variables, con el propósito de valorar el real aporte de estos parámetros temporo espaciales como atributos o características que permitan la correcta clasificación. ¿Es posible describir y clasificar la marcha neurodegenerativa en las patologías de ELA, EP, EH. mediante machine learning y las variables temporoespaciales?