Virtual rehabilitation using sequential learning algorithms

• Autor: Calle Condori, Gladys Eliana
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/11650
• Enlace del recurso: http://hdl.handle.net/20.500.12773/11650
• Nivel de acceso: acceso abierto
• Materia: Esqueleto Kinect; Algoritmos de aprendizaje secuencial; Rehabilitación virtual; Terapia virtual; https://purl.org/pe-repo/ocde/ford#2.02.00

Los sistemas de rehabilitación están cobrando mayor importancia en la actualidad debido a que los pacientes pueden tener acceso al tratamiento de recuperación de habilidades motoras desde el hogar, reduciendo las limitaciones de tiempo, espacio y costo del tratamiento en un centro médico. Los sistemas de rehabilitación tradicionales servían como guías de movimientos, posteriormente como espejos de movimiento y en los últimos años las investigaciones buscan generar mensajes de retroalimentación al paciente en base a la evaluación de sus movimientos. Actualmente los algoritmos más usados para la evaluación de ejercicios son Dynamic time warping (DTW), Hidden Markov model (HMM), Support vector machine (SVM). Sin embargo cuanto mayor es el conjunto de ejercicios a evaluar, disminuye la precisión del reconocimiento, generándose confusiones entre ejercicios que tienen descriptores de postura similares. En el presente trabajo de investigación se compara dos clasificadores HMM y Hidden Conditional Random Fields (HCRF) además de dos tipos de descriptores de la postura, basados en puntos y basados en ángulos de la postura. La representación por puntos demuestra ser superior a la representación por ángulos, sim embargo esta última aún es aceptable. Mientras que en HCRF y HMM se encuentran resultados similares.