Automatic human movement assessment with switching linear dynamic system : motion segmentation and motor performance

Abstract

Desenvolvimentos recentes na tecnologia de sensores portáteis estão trazendo dispositivos de medição de movimento humano para atividades cotidianas. Esses sensores fornecem aos usuários finais e profissionais de biomecânica uma quantidade de dados sem precedentes. Além disso, eles proporcionam o desenvolvimento de novas tecnologias em próteses inteligentes e sistemas de interação homem-máquina. No entanto, há uma falta de técnicas para extrair automaticamente as medições indiretas - tais como duração do movimento, amplitude ou coordenação motora - a partir desses dados. Medidas indiretas são necessárias para o reconhecimento, avaliação e análise do movimento humano, e são geralmente extraídas manualmente por meio de inspeção visual por um profissional de biomecânica. Esta tese propõe um novo método para a avaliação automática de movimentos humanos que executa segmentação e extração de parâmetros de desempenho motor (isto é, medições indiretas) em séries temporais de medições de uma seqüência de movimentos humanos. Utilizamos os elementos de um modelo de Sistema Dinâmico Linear Chaveado como blocos de construção para traduzir definições e procedimentos formais da análise tradicional do movimento humano. Nossa abordagem fornece um método para os usuários sem experiência em processamento de sinal para criar modelos para movimentos usando conjunto de dados rotulado e mais tarde empregá-lo para a avaliação automática. Validamos nossa estrutura de testes preliminares envolvendo seis sujeitos adultos saudáveis que executaram movimentos comuns em testes funcionais e sessões de exercícios de reabilitação, como sentar-e-levantar e elevação lateral dos braços, e cinco sujeitos idosos, dois com mobilidade limitada, que executaram o movimento de levantar-se da posição sentada. O método proposto foi aplicado em sequências de movimento aleatório para o duplo propósito de segmentação de movimento (precisão de 72-100%) e avaliação de desempenho motor (erro médio de 0-12%).