Please use this identifier to cite or link to this item: http://hdl.handle.net/10553/76591
DC FieldValueLanguage
dc.contributor.advisorTravieso González, Carlos Manueles
dc.contributor.advisorBönninger, Ingrides
dc.contributor.authorSteinmetzer, Tobiases
dc.date.accessioned2020-12-14T08:29:50Z-
dc.date.available2020-12-14T08:29:50Z-
dc.date.issued2020-
dc.identifier.otherTercer Ciclo
dc.identifier.urihttp://hdl.handle.net/10553/76591-
dc.descriptionPrograma de Doctorado en Empresa, Internet y Tecnologías de las Comunicaciones por la Universidad de Las Palmas de Gran Canariaen_US
dc.description.abstractThe life expectancy of the population is continuously increasing. This increasing life expectancy is related to the increasing quality of life and goes hand in hand with technical progress. Increasing life expectancy also gives rise to new problems that need to be overcome. One of the biggest problems is diseases of old age, which often result in pathological disorders in gait, such as Parkinson's disease. The diagnosis of Parkinson's disease is made using the Unified Parkinson's Disease Rating Scale (UPDRS). Nevertheless, medical decisions are subjective, as each physician evaluates a patient's gait di erently. For this reason, it is essential to objectify this decision. Measuring the gait of a human by using sensors solves this problem. For this reason, this work deals with the development of a wearable system for mobile gait analysis. It is shown how such a system was implemented prototypically. The system consists of two wristbands, two insoles, and a smartphone. The wearables use Inertial Measurement Units (IMU) and Force Sensing Resistors (FSR). Furthermore, a method to synchronize these devices is presented. This ensures higher data quality and allows new approaches to analysis. To ensure that the devices work energy-effciently, activity recognition based on Convolutional Neural Networks (CNN) was developed. The activity detection model can detect the activity Gait to all other activities with a probability of 94.7%. If the smartphone detects the activity Gait, a connection to the wearable sensors is automatically established, and the gait is recorded. When analyzing the gait, the first important step is to detect individual strides while walking. For this purpose, a CNN model was developed, which can detect strides with an accuracy of 95.8%. Based on these individual strides, it is possible to make a detailed analysis of the gait cycle. From the gait cycle, the parameters stride length, stride height, stride duration, stance phase duration, swing phase duration, Symmetry Ratio Index, Symmetry Index, Gait Asymmetry, Symmetry Angle and Normalized Dynamic Time Warping (DTW)Symmetry were calculated. Normalized (DTW) Symmetry is a proprietary method that compensates for the weaknesses of the Symmetry Ratio Index, Symmetry Index, GaitAsymmetry, and Symmetry Angle methods. The arm swing was classified using the Wavelet Transformation. Here, motor disorders in the arm could be detected with an accuracy of 90.3%. The stage of Parkinson's disease could be determined by means of the IMU sensors in the insole. Hierarchical clustering was carried out, and the DTWwas used as a metric. The Parkinson's stage could be detected with a specificity of 92%.en_US
dc.description.abstractLa esperanza de vida de la población aumenta constantemente. Esto está relacionado con el aumento de la calidad de vida y va de la mano con el progreso técnico. Sin embargo, el aumento de la esperanza de vida también da lugar a nuevos problemas que deben ser superados. Unos de los mayores problemas son las enfermedades de la vejez, que a menudo se relacionan con trastornos patológicos en la marcha, como la enfermedad de Parkinson. El diagnóstico de la enfermedad de Parkinson se hace usando la Escala Unificada de Calificación de la Enfermedad de Parkinson (UPDRS). No obstante, las decisiones médicas son subjetivas, ya que cada médico evalúa la marcha de un paciente de manera diferente. Por esta razón, es importante objetivar esta decisión. Medir la marcha de un humano por medio de sensores resuelve este problema. Por esta razón, esta tesis trata sobre el desarrollo de un sistema portátil para el análisis de la marcha. Con un sistema móvil, los diagnósticos también pueden hacerse por medio de la telemedicina en la vida diaria. En esta tesis se muestra cómo tal sistema fue implementado prototípicamente. El sistema consiste en dos muñequeras, dos plantillas y un teléfono inteligente. Los wearables usan Inertial Measurement Unit (IMU) y Force Sensing Resistor (FSR). Además, en la tesis se presenta un método para sincronizar estos dispositivos. Esto asegura una mayor calidad de los datos y permite nuevos enfoques de análisis. Para garantizar que los dispositivos funcionen con eficiencia energética, se implementó la detección de actividad basada en las Redes Neuronales Convolucionales (CNN). El modelo de detección de actividad es capaz de detectar la actividad Gait a todas las demás actividades de una probabilidad del 94.7%. Si el smartphone detecta la actividad Gait, se establece automáticamente una conexión con los sensores portátiles y se graba la marcha. Al analizar la marcha, el primer paso importante es detectar las zancadas individuales mientras se camina. Para ello se desarrolló una CNN, que es capaz de detectar zancadas con una precisión del 95,8%. Basándose en estos pasos individuales es posible hacer un análisis detallado del ciclo de marcha. A partir del ciclo de marcha se calcularon los parámetros longitud de la zancada, altura de la zancada, duración de la zancada, duración de la fase de apoyo, duración de la fase de balanceo, índice de relación de simetría, índice de simetría, asimetría de la marcha, ángulo de simetría y Normalized Dynamic Time Warping (DTW). Normalized Symmetry es un método propio que compensa las debilidades de los métodos del índice de relación de simetría, índice de simetría, asimetría de marcha y ángulo de simetría. El balanceo del brazo fue clasificado usando una transformación Wavelet. Aquí, los des órdenes motores en el brazo pudieron ser detectados con una precisión del 90.3%. El estado de la enfermedad de Parkinson podría determinarse por medio de los sensores IMU de la plantilla. Se llevó a cabo un hierarchical clustering y se utilizó el DTW como métrica. El estado de Parkinson podría ser detectada con una especificidad del 92%.en_US
dc.languageengen_US
dc.subject3307 Tecnología electrónicaen_US
dc.titleAnalysis And Classification Of Motor Dysfunctions In Gait By Using Wearable Sensorses
dc.title.alternativeAnálisis y clasificación de las disfunciones motoras en caminar mediante sensores que envían información corporalen_US
dc.typeinfo:eu-repo/semantics/doctoralThesisen_US
dc.typeThesisen_US
dc.investigacionIngeniería y Arquitecturaen_US
dc.type2Tesis doctoralen_US
dc.utils.revisionen_US
dc.identifier.matriculaTESIS-2102212es
dc.identifier.ulpgcen_US
dc.contributor.buulpgcBU-TELes
dc.contributor.programaPrograma de Doctorado en Empresa, Internet y Tecnologías de las Comunicaciones por la Universidad de Las Palmas de Gran Canariaes
item.grantfulltextopen-
item.fulltextCon texto completo-
crisitem.author.fullNameSteinmetzer, Tobias-
crisitem.advisor.deptGIR IDeTIC: División de Procesado Digital de Señales-
crisitem.advisor.deptIU para el Desarrollo Tecnológico y la Innovación-
crisitem.advisor.deptDepartamento de Señales y Comunicaciones-
Appears in Collections:Tesis doctoral
Thumbnail
Adobe PDF (29,17 MB)
Show simple item record

Google ScholarTM

Check


Share



Export metadata



Items in accedaCRIS are protected by copyright, with all rights reserved, unless otherwise indicated.