Uso de la inteligencia artificial como ayuda en la calidad de vida

Using artificial intelligence to improve quality of life

Resumen

La calidad de vida se refiere al bienestar general de las personas y a la satisfacción con diversos aspectos de sus vidas. A través de un pre-test se evaluó la calidad de vida del infante, los resultados obtenidos de un paciente, estuvieron por debajo del 50%, en una escala de 0-100%. Se probaron tres algoritmos de IA, los cuales fueron Máquinas de Vectores de Soporte (SVM), K- Vecinos más cercanos (K-NN) y Bosques Aleatorios (RF), en un conjunto de datos de señales electromiográficas (EMG) obtenidas de los músculos del paciente mediante el sensor MyoWare, el cual consta de 8,000 datos con las variables Time, Class, Channel y Filter. Se obtuvo un performance de los algoritmos para evaluar el rendimiento y desempeño de cada modelo, el cual arrojó un accuracy del 59% para el SVM, 89.9% K-NN y 81% RF, en la clasificación de intensión de movimientos. El algoritmo se implementó al dispositivo protésico, para posteriormente realizar un pos-test al paciente, arrojando hasta un 21.95% de aumento en la calidad de vida en comparación con el pre-test. El trabajo tiene como objetivo determinar el impacto de implementar tres algoritmos supervisados de inteligencia artificial (IA) para predecir la intención de movimiento de un paciente de ocho años con agenesia de mano izquierda, a través del uso de un dispositivo protésico impreso en 3D y un sensor muscular el cual permitirá recopilar señales electromiográficas (EMG) para la generación de un dataset que se cargará a los tres algoritmos propuestos de IA.

Quality of life refers to a person's general well-being and satisfaction with various aspects of their lives. A pre- test evaluated an infant's quality of life. The results obtained from one patient were below 50% on a 0-100% scale. Three AI algorithms were tested: Support Vector Machines (SVM), K-Nearest Neighbors (K-NN), and Random Forests (RF). Three AI algorithms were tested on a dataset of electromyographic (EMG) signals obtained from the patient's muscles using the MyoWare sensor, consisting of 8,000 data points with the variables Time, Class, Channel, and Filter. The performance of the algorithms was evaluated to evaluate the performance of each model, yielding an accuracy of 59% for the SVM, 89.9% for the K-NN, and 81% for RF in classifying movement intentions. The algorithm was implemented in the prosthetic device, followed by a post-test on the patient, yielding up to a 21.95% increase in quality of life compared to the pre-test. The work aims to determine the impact of implementing three supervised artificial intelligence (AI) algorithms to predict the movement intention of an eight-year-old patient with left-hand agenesis, through the use of a 3D-printed prosthetic device and a muscle sensor that will allow the collection of electromyographic (EMG) signals for the generation of a dataset that will be loaded into the three proposed AI algorithms.