SISTEMA DE DETECCIÓN DE INTENCIÓN DE MOVIMIENTO DE UN PACIENTE USUARIO DE UN EXOESQUELETO DE MIEMBRO INFERIOR MEDIANTE USO DE IA Y DEEPLEARNING

Abstract

La robótica es una disciplina cada vez más presente en muchos ámbitos de la sociedad, como en la industria, la educación y la sanidad. En el mundo sanitario en particular, se está introduciendo la aplicación de exoesqueletos en terapias de rehabilitación. Estos dispositivos ayudan a los pacientes a realizar diferentes movimientos, transmitiendo cierta fuerza o apoyo. Sin embargo, a día de hoy se siguen empleando exoesqueletos con configuraciones predeterminadas para el control de los mismos, sin adaptarse a las necesidades de los usuarios ni a su evolución en la rehabilitación.

Con el creciente desarrollo de la Inteligencia Artificial (IA) se puede emplear para obtener sistemas de control más avanzados. A partir de la información de sensores conectados al paciente, se puede detectar la intención de movimiento del usuario del exoesqueleto para poder adaptar la terapia en función de cada paciente. Esto afecta de manera positiva en la rehabilitación del usuario. Además, permite la clasificación de dicho movimiento empleando, por ejemplo, la información proporcionada por las señales electromiográficas que producen los músculos al contraerse.

Este Trabajo de Fin de Grado (TFG) forma parte de la fase inicial del proyecto NIMBLE realizado por el grupo de investigación BioEngineering Systems and Technologies Research Group (BEST) de la Universidad Rey Juan Carlos, en el que se está desarrollando un exoesqueleto de asistencia en la rehabilitación de la marcha. En este TFG se ha desarrollado un sistema de detección de intención y clasificación de movimiento basado en IA utilizando como dato de entrada las señales Electromiográficas superficiales (sEMG) de diferentes músculos.

Además, se lleva a cabo el filtrado y procesamiento de las señales sEMG de 9 músculos distintos, para su posterior uso en un modelo de IA capaz de detectar si se está realizando la acción o no, además de su clasificación. Se pretende comparar los resultados haciendo uso de un modelo de Support Vector Machine (SVM) y otro de Convolutional Neural Network (CNN), que son útiles en la clasificación multiclase y detección de patrones. Los resultados obtenidos indican que el modelo de SVM ofrece una precisión mayor (91,6 %) frente a la precisión de la CNN (68 %).