Alineación Estática de Prótesis a través de Variables Cinéticas y Métodos de Aprendizaje de Máquina / Static Alignment of Prosthetics using Kinetic Variables and Machine Learning Methods

RESUMEN

El proceso complejo de la alineación en las prótesis y la no existencia de un modelo predictivo para alineación estática de prótesis transtibiales es el foco de esta investigación.Objetivo: Obtener un modelo computacional que permita establecer la existencia de la alineación estática de prótesis transtibiales a través de parámetros cinéticos presentes en amputados transtibiales unilaterales. Métodos: Se realizó la construcción de una base de datos de valores de Centro de Presión (COP) y distribución de presión plantar en amputados medidos en el Servicio de Amputados y Prótesis del Hospital Militar Central, Bogotá, Colombia. Los datos incluyen valores cinéticos medidos con la prótesis en alineación y en desalineación. Resultados: Se desarrollaron tres modelos computacionales, una red neuronal, una máquina de soporte vectorial y un árbol de decisión, se realizó la comparación del desempeño de los modelos. Conclusiones: Los modelos que hacen uso de máquinas de soporte vectorial y de árboles de decisión tuvieron mayor desempeño que la red neuronal. De esta forma, se comprueba que la alineación estática se puede llevar a cabo de forma objetiva empleando recursos tecnológicos(AU)

ABSTRACT

The complex process of alignment in prosthesis and the non-existence of a model for static alignment of transtibial prostheses is the focus of this research. Objective: Obtain a computational model to establish the existence of the static alignment of transtibial prostheses through kinetic parameters present in unilateral transtibial amputees. Methods: In the Amputee and Prosthetic Service of the Central Military Hospital, Bogotá, Colombia, the construction of a data base of Pressure Center (COP) and distribution of plantar pressure in amputees was carried out. The data include kinetic values ​​measured with the prosthesis in alignment and misalignment. Results: Three computational models were developed, a neural network, vector support machines and decision trees, the performance of the models was compared. Conclusions: Models that make use of vector support machines and decision trees had higher performance than the neural network. In this way, it is verified that the static alignment can be carried out objectively using technological resources(AU)