Estudio de sistemas inerciales en el seguimiento de terapias rehabilitadoras basadas en Machine Learning

Abstract

Este trabajo ha desarrollado y caracterizado una herramienta para monitorizar ejercicios físicos de terapias pautadas empleando los datos obtenidos de cuatro unidades de medida inercial (IMUs). La monitorización incluye la identificación del ejercicio entre un catálogo y su evaluación, entre bien o mal. Dicha clasificación se ha realizado mediante algoritmos de Machine Learning. Para este fin, se optimiza la posición y el número de IMUs empleadas. Además, se determina K-Nearest Neighbours como el clasificador más adecuado y el número de IMUs óptimo en dos, una por extremidad. Con ello, se obtienen exactitudes en identificación y evaluación del 99, 5 %.

This work has developed and characterized a tool to monitor physical exercises of paused therapies using the data obtained from four units of inertial measurement (IMUs). Monitoring includes identifying the exercise between a catalog and evaluating it, right or wrong. This classification was done using Machine Learning algorithms. For this purpose, the position and number of IMUs used is optimized. In addition, K-Nearest Neighbours is determined as the most suitable classifier and the optimal number of IMUs in two, one per limb. This results in accuracies in identification and evaluation of 99,5 %.