Sistema de telerehabilitación para evaluar la función motora del miembro superior mediante IMUs y Machine Learning

• Martínez Pascual, David ^[1] ; Vales, Yolanda ^[1] ; Martín Batanero, Raúl ^[1] ; Rubira Úbeda, Pablo ^[1] ; Catalán Orts, José María ^[1] ; Lledó Pérez, Luís Daniel ^[1] ; García Aracil, Nicolás Manuel ^[1]
  1. [1] Universidad Miguel Hernández de Elche

     Universidad Miguel Hernández de Elche

     Elche, España

     
• Localización: Jornadas de Automática, ISSN-e 3045-4093, Nº. 46, 2025
• Idioma: español
• DOI: 10.17979/ja-cea.2025.46.12166
• Títulos paralelos:
  • A telerehabilitation system to assess upper limb motor function using IMUs and Machine Learning
• Enlaces
  • Texto completo
• Resumen
  • español

    Las lesiones neurológicas pueden provocar una discapacidad importante, sobre todo en la función motora de las extremidades superiores, lo que reduce la capacidad de los pacientes para realizar las actividades de la vida diaria (AVD). Con el objetivo de desarrollar un sistema de telerehabilitación que permita evaluar el paciente a distancia se propone un sistema basado en tres unidades magneto-inerciales (IMUs). Estas IMUs capturan trayectorias articulares que luego sirven de entrada para un modelo de Machine Learning (ML) encargado de reconocer doce AVDs. Además, el estudio compara las trayectorias de pacientes con discapacidad motora y usuarios sin discapacidad usando la técnica de Dynamic Time Warping (DTW) para calcular índices de similaridad, lo que puede permitir estimar el nivel de deterioro motor como leve o moderado. La viabilidad del sistema ha sido evaluada con 31 pacientes y 9 usuarios de control, demostrando su efectividad en la identificación de actividades y la evaluación de la función motora.

  • English

    Neurological injuries can cause significant disability, especially in the motor function of the upper extremities, causing animpairment in patients’ ability to perform activities of daily living (ADL). In order to develop a telerehabilitation system thatallows remote patient assessment, a system based on three magneto-inertial units (IMUs) is proposed. These IMUs measurejoint trajectories that are used as input for a Machine Learning (ML) model in charge of recognizing twelve ADLs. In addition,this study compares the trajectories of patients with motor disabilities and non-disabled users using the Dynamic Time Warping(DTW) technique to calculate similarity indices. These indices can be used to enable the assessment of impairment levels as mildor moderate. The feasibility of the system has been evaluated with 31 patients and 9 control users, demonstrating its effectivenessin identifying activities and assessing motor function.

• Referencias bibliográficas
  • Bertomeu-Motos, A., Blanco, A., Badesa, F. J., Barios, J. A., Zollo, L., Garcia-Aracil, N., 2018. Human arm joints reconstruction algorithm...
  • Bertomeu-Motos, A., Ezquerro, S., Barios, J. A., Catalán, J. M., Blanco- Ivorra, A., Martinez-Pascual, D., Garcia-Aracil, N., 2023. Feasibility...
  • Bohannon, R. W., Smith, M. B., 1987. Interrater reliability of a modified ashworth scale of muscle spasticity. Physical therapy 67 (2), 206–207....
  • Gorelick, P. B., 2019. The global burden of stroke: persistent and disabling. The Lancet Neurology 18 (5), 417–418.
  • Le Guennec, A., Malinowski, S., Tavenard, R., 2016. Data augmentation for time series classification using convolutional neural networks....
  • Maceira-Elvira, P., Popa, T., Schmid, A.-C., Hummel, F. C., 2019. Wearable technology in stroke rehabilitation: towards improved diagnosis...
  • Moulaei, K., Sheikhtaheri, A., Nezhad, M. S., Haghdoost, A., Gheysari, M., Bahaadinbeigy, K., 2022. Telerehabilitation for upper limb disabilities:...
  • Panwar, M., Biswas, D., Bajaj, H., J¨obges, M., Turk, R., Maharatna, K., Acharyya, A., 2019. Rehab-net: Deep learning framework for arm movement...
  • Rosafalco, L., Manzoni, A., Mariani, S., Corigliano, A., 2020. Fully convolutional networks for structural health monitoring through multivariate...
  • Sakoe, H., Chiba, S., 1978. Dynamic programming algorithm optimization for spoken word recognition. IEEE transactions on acoustics, speech,...
  • Schwarz, A., Bhagubai, M. M., Nies, S. H., Held, J. P., Veltink, P. H., Buurke, J. H., Luft, A. R., 2022. Characterization of stroke-related...
  • See, J., Dodakian, L., Chou, C., Chan, V., McKenzie, A., Reinkensmeyer, D. J., Cramer, S. C., 2013. A standardized approach to the fugl-meyer...
  • Serra, J., Pascual, S., Karatzoglou, A., 2018. Towards a universal neural network encoder for time series. In: CCIA. pp. 120–129.
  • Steinmetz, J. D., Seeher, K. M., Schiess, N., Nichols, E., Cao, B., Servili, C., Cavallera, V., Cousin, E., Hagins, H., Moberg, M. E., et...
  • Velozo, C. A.,Woodbury, M. L., 2011. Translating measurement findings into rehabilitation practice: an example using fugl-meyer assessment-upper...
  • Wang, X., Zhang, J., Xie, S. Q., Shi, C., Li, J., Zhang, Z.-Q., 2024. Quantitative upper limb impairment assessment for stroke rehabilitation:...
  • Wang, Z., Yan, W., Oates, T., 2017. Time series classification from scratch with deep neural networks: A strong baseline. In: 2017 International...
  • Zhao, B., Lu, H., Chen, S., Liu, J., Wu, D., 2017. Convolutional neural networks for time series classification. Journal of Systems Engineering...