Un enfoque del reconocimiento de patrones de marcha en pacientes con Huntington y Ataxias Hereditarias usando datos de acelerómetros del iPhone

An approach to recognition of gait patterns in Huntington's and Hereditary Ataxias patients using iPhone accelerometer data

Resumen

Las enfermedades de Huntington y Ataxias hereditarias afectan las habilidades motoras de manera progresiva conforme avanza la enfermedad; lo que implica alteraciones en los patrones de marcha y como consecuencia la pérdida del equilibrio y la falta de coordinación en el desplazamiento. Diversas investigaciones se han desarrollado enfocados en el reconocimiento de los patrones de la marcha en estas enfermedades; sin embargo, solo se ha alcanzado un 78.78% de precisión. En este trabajo se propone un método para el reconocimiento de la marcha usando datos de sensores de movimiento capturados con el Iphone colocados en los tobillos de los pacientes. Se implementan diversos algoritmos selectores de atributos para extraer 320 subconjuntos de datos; los algoritmos CfsSubsetEval & LinearForwardSelection permiten obtener las características más presentativas de los grupos. La combinación de los algoritmos RandomCommittee & ExtraTree alcanza una precisión de 87.99%, lo que representa una mejora del 9.21%.

Huntington's disease and hereditary ataxias affect motor skills progressively as the disease progresses; which implies alterations in the walking patterns and as a consequence the loss of balance and the lack of coordination in the movement. Various investigations have been carried out focused on the recognition of gait patterns in these diseases; however, only 78.78% accuracy has been achieved. In this work, a method for gait recognition is proposed using data from motion sensors captured with the iPhone placed on the ankles of the patients. Various attribute selector algorithms are implemented to extract 320 subsets of data; The CfsSubsetEval & LinearForwardSelection algorithms allow you to obtain the most representative characteristics of the groups. The combination of the RandomCommittee & ExtraTree algorithms achieves an accuracy of 87.99%, representing an improvement of 9.21%.