Video Experimental Relacionado
Updated: Jul 3, 2026
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
Estimación de la longitud de zancada impulsada por autoencoder para personas con enfermedad de Parkinson utilizando
Hsiao-Lung Chan1, Ya-Ju Chang2, Chun-Lun Hsu3
1Department of Electrical Engineering, Chang Gung University, Taoyuan, Taiwan; Department of Biomedical Engineering, Chang Gung University, Taoyuan, Taiwan; Neuroscience Research Center, Chang Gung Memorial Hospital, Linkou, Taiwan.
Un nuevo modelo de aprendizaje profundo estima con precisión la longitud de zancada en pacientes con enfermedad de Parkinson (EP) utilizando sensores basados en calzado. Este método permite un monitoreo no intrusivo de la marcha sin una segmentación precisa de la zancada, lo que ayuda a la evaluación de la enfermedad.
Área de la Ciencia:
- Ingeniería Biomédica
- Neurología
- Tecnología Vestible
Sus antecedentes:
- Los trastornos de la marcha, específicamente la reducción de la longitud de la zancada, son comunes en la enfermedad de Parkinson (EP), especialmente cuando la medicación no es eficaz.
- Las unidades de medición inercial (IMU) integradas en el calzado ofrecen una forma práctica e independiente del entorno para medir la longitud de la zancada.
- Los modelos de aprendizaje profundo existentes para la estimación de la longitud de la zancada a menudo carecen de aplicabilidad a la EP debido al entrenamiento en personas sanas.
Objetivo del estudio:
- Desarrollar y validar un modelo de aprendizaje profundo para predecir la longitud de la zancada en personas con EP utilizando datos de IMU.
- Evaluar la solidez del modelo frente a posibles errores de segmentación de la zancada.
Principales métodos:
- Se creó un modelo de aprendizaje profundo utilizando aceleraciones triaxiales y velocidades angulares de las IMU del calzado en 10 participantes con EP.
- El modelo empleó un autoencoder para la extracción de características y una red de regresión totalmente conectada para la predicción de la longitud de la zancada.
- Se utilizó la validación cruzada leave-one-out y los errores simulados de segmentación de zancada para la evaluación frente a una pasarela GAITRite.
Principales resultados:
- El modelo mostró una fuerte concordancia con las longitudes de zancada de referencia (R² = 0.8619, ±18.11 cm LOA) para ventanas de 1 segundo antes del golpe de talón.
- Incluso con compensaciones simuladas en el tiempo de golpe de talón de hasta ±0.5 s, el modelo mantuvo un buen rendimiento (R² = 0.8033, ±21.58 cm LOA).
- Los resultados indican que la segmentación explícita de la zancada no es necesaria para una estimación precisa.
Conclusiones:
- La estimación de la longitud de zancada en la EP es factible utilizando aprendizaje profundo con IMU, sin necesidad de una identificación precisa de la zancada.
- Este enfoque facilita el monitoreo no intrusivo de la marcha para personas con EP.
- Los hallazgos respaldan la evaluación objetiva de la progresión de la enfermedad de Parkinson y la eficacia de las intervenciones terapéuticas.
