Sistema de telerehabilitación para evaluar la función motora del miembro superior mediante IMUs y Machine Learning
DOI:
https://doi.org/10.17979/ja-cea.2025.46.12166Palabras clave:
Tecnología de asistencia e ingeniería de rehabilitación, Ingeniería de rehabilitación y asistencia sanitaria, Toma de decisiones y procesos cognitivos, Automatización centrada en el ser humano, Interfaces inteligentesResumen
Las lesiones neurológicas pueden provocar una discapacidad importante, sobre todo en la función motora de las extremidades superiores, lo que reduce la capacidad de los pacientes para realizar las actividades de la vida diaria (AVD). Con el objetivo de desarrollar un sistema de telerehabilitación que permita evaluar el paciente a distancia se propone un sistema basado en tres unidades magneto-inerciales (IMUs). Estas IMUs capturan trayectorias articulares que luego sirven de entrada para un modelo de Machine Learning (ML) encargado de reconocer doce AVDs. Además, el estudio compara las trayectorias de pacientes con discapacidad motora y usuarios sin discapacidad usando la técnica de Dynamic Time Warping (DTW) para calcular índices de similaridad, lo que puede permitir estimar el nivel de deterioro motor como leve o moderado. La viabilidad del sistema ha sido evaluada con 31 pacientes y 9 usuarios de control, demostrando su efectividad en la identificación de actividades y la evaluación de la función motora.
Referencias
Bertomeu-Motos, A., Blanco, A., Badesa, F. J., Barios, J. A., Zollo, L., Garcia-Aracil, N., 2018. Human arm joints reconstruction algorithm in rehabilitation therapies assisted by end-effector robotic devices. Journal of neuroengineering and rehabilitation 15, 1–11.
Bertomeu-Motos, A., Ezquerro, S., Barios, J. A., Catalán, J. M., Blanco- Ivorra, A., Martinez-Pascual, D., Garcia-Aracil, N., 2023. Feasibility of an intelligent home-based neurorehabilitation system for upper extremity mobility assessment. IEEE Sensors Journal 23 (24), 31117–31124. DOI: 10.1109/JSEN.2023.3326531
Bohannon, R. W., Smith, M. B., 1987. Interrater reliability of a modified ashworth scale of muscle spasticity. Physical therapy 67 (2), 206–207. Fugl-Meyer, A. R., J¨a¨ask¨o, L., Leyman, I., Olsson, S., Steglind, S., 1975. A method for evaluation of physical performance. Scand J Rehabil Med 7 (1), 13–31.
Gorelick, P. B., 2019. The global burden of stroke: persistent and disabling. The Lancet Neurology 18 (5), 417–418.
Le Guennec, A., Malinowski, S., Tavenard, R., 2016. Data augmentation for time series classification using convolutional neural networks. In: ECML/PKDD workshop on advanced analytics and learning on temporal data.
Maceira-Elvira, P., Popa, T., Schmid, A.-C., Hummel, F. C., 2019. Wearable technology in stroke rehabilitation: towards improved diagnosis and treatment of upper-limb motor impairment. Journal of neuroengineering and rehabilitation 16, 1–18.
Moulaei, K., Sheikhtaheri, A., Nezhad, M. S., Haghdoost, A., Gheysari, M., Bahaadinbeigy, K., 2022. Telerehabilitation for upper limb disabilities: a scoping review on functions, outcomes, and evaluation methods. Archives of Public Health 80 (1), 196.
Panwar, M., Biswas, D., Bajaj, H., J¨obges, M., Turk, R., Maharatna, K., Acharyya, A., 2019. Rehab-net: Deep learning framework for arm movement classification using wearable sensors for stroke rehabilitation. IEEE Transactions on Biomedical Engineering 66 (11), 3026–3037.
Rosafalco, L., Manzoni, A., Mariani, S., Corigliano, A., 2020. Fully convolutional networks for structural health monitoring through multivariate time series classification. Advanced Modeling and Simulation in Engineering Sciences 7 (1), 38.
Sakoe, H., Chiba, S., 1978. Dynamic programming algorithm optimization for spoken word recognition. IEEE transactions on acoustics, speech, and signal processing 26 (1), 43–49.
Schwarz, A., Bhagubai, M. M., Nies, S. H., Held, J. P., Veltink, P. H., Buurke, J. H., Luft, A. R., 2022. Characterization of stroke-related upper limb motor impairments across various upper limb activities by use of kinematic core set measures. Journal of neuroengineering and rehabilitation 19, 1–18.
See, J., Dodakian, L., Chou, C., Chan, V., McKenzie, A., Reinkensmeyer, D. J., Cramer, S. C., 2013. A standardized approach to the fugl-meyer assessment and its implications for clinical trials. Neurorehabilitation and neural repair 27 (8), 732–741.
Serra, J., Pascual, S., Karatzoglou, A., 2018. Towards a universal neural network encoder for time series. In: CCIA. pp. 120–129.
Steinmetz, J. D., Seeher, K. M., Schiess, N., Nichols, E., Cao, B., Servili, C., Cavallera, V., Cousin, E., Hagins, H., Moberg, M. E., et al., 2024. Global, regional, and national burden of disorders affecting the nervous system, 1990–2021: a systematic analysis for the global burden of disease study 2021. The Lancet Neurology 23 (4), 344–381.
Velozo, C. A.,Woodbury, M. L., 2011. Translating measurement findings into rehabilitation practice: an example using fugl-meyer assessment-upper extremity with patients following stroke. Journal of Rehabilitation Research & Development 48 (10).
Wang, X., Zhang, J., Xie, S. Q., Shi, C., Li, J., Zhang, Z.-Q., 2024. Quantitative upper limb impairment assessment for stroke rehabilitation: a review. IEEE Sensors Journal 24 (6), 7432–7447.
Wang, Z., Yan, W., Oates, T., 2017. Time series classification from scratch with deep neural networks: A strong baseline. In: 2017 International joint conference on neural networks (IJCNN). IEEE, pp. 1578–1585.
Zhao, B., Lu, H., Chen, S., Liu, J., Wu, D., 2017. Convolutional neural networks for time series classification. Journal of Systems Engineering and Electronics 28 (1), 162–169.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 David Martínez Pascual, Yolanda Vales, Raúl Martín Batanero, Pablo Rubira Úbeda, José María Catalán Orts, Luís Daniel Lledó Pérez, Nicolás Manuel García Aracil
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
