Eficiencia del Deep Learning para el modelado de la fuerza de reacción durante la marcha

Abstract

La medición de las fuerzas de reacción con el suelo durante la marcha humana de un paciente es una herramienta esencial para la disminución, prevención y rehabilitación de lesiones. El objetivo de este trabajo ha sido el de evaluar la eficiencia del Deep Learning implementado en Matlab 2021a para el modelado de las fuerzas de reacción con el suelo a partir de mediciones de los ángulos de flexión de la rodilla, del tobillo y de la cadera. Las mediciones fueron proporcionadas por el laboratorio de biomecánica de la Universidad de Sevilla, el cual desarrolló un ensayo basado en el protocolo Plug-in-Gait (PiG), el cual está limitado a la medición en un espacio cerrado sobre placas de fuerza. Los resultados del estudio mostraron resultados superiores para el entrenamiento de redes Long-Short-Term-Memory (LSTM) de varias capas. Por ende, la simulación en Deep Learning basada en estructuras LSTM es una herramienta prometedora para el modelado de la dinámica de la marcha eliminando las limitaciones de laboratorio.

The measurement of ground reaction forces during human gait is an essential tool for injury reduction, prevention and rehabilitation. The aim of this project has been to evaluate the efficiency of Deep Learning, implemented in Matlab 2021a, for the modeling of ground reaction forces from measurements of knee, ankle and hip flexion angles. The database was taken from the biomechanics laboratory of the University of Seville, which developed a Plug-in-Gait (PiG) based experiment, which is limited to measurement in an indoorspace on force plates. The results of the study showed superior results for the training of multi-layer Long-Short-TermMemory (LSTM) networks. Thus, Deep Learning simulation based on LSTM structures is a promising tool for modeling gait dynamics by eliminating laboratory limitations.