Identificação da passada de um exoesqueleto utilizando algoritmo de classificação não supervisionado k-means

Abstract

O objetivo deste trabalho é estudar o comportamento cinemático de um modelo de exoesqueleto de membros inferiores, a fim de identificar padrões de passada utilizando métricas biomecânicas quantitativas. As ferramentas para identificação dos padrões de passada bem como alterações dos padrões provocada por doenças crônicas como diabetes ou uma lesão causada por trauma, só podem ser diagnóstica com uso de sistemas, como por exemplo, acelerometria, videogrametria e exoesqueleto. Este trabalho busca uma forma de identificar os padrões de passada com estrutura exoesqueleto de membros inferiores, principalmente através da identificação de quais variáveis cinemáticas e métricas biomecânicas são mais relevantes nesta identificação. Neste trabalho especificamente, as análises foram realizadas com 18 métricas a partir de variações paramétricas de comprimento de fêmur e tíbia e combinações de trajetória de pé e pelve. Os resultados mostraram que o algoritmo não supervisionado k-means é capaz de realizar identificação precisa, até 100% em alguns casos, desde que uma boa seleção das métricas seja feita. Métodos de redução de dimensão e de seleção de atributos foram utilizados e comparados para realizar esta seleção. Em geral, as métricas relacionadas a trajetória do joelho foram as mais bem-sucedidas na previsão de padrões de passada.

The objective of this work is to study the kinematic behavior of a lower limb exoskeleton model, in order to identify gait patterns using quantitative biomechanical metrics. Techniques for identifying gait patterns as well as changes in patterns caused by chronic illnesses such as diabetes or an injury caused by trauma, can only be diagnostic using systems, such as accelerometry, videogrammetry and exoskeleton. This work seeks a way to identify gait patterns with exoskeleton structure of lower limbs, mainly through the identification of which kinematic variables and biomechanical metrics are most relevant in this identification. In this work specifically, the analyzes were performed with 18 metrics from parametric variations of femur and tibia length and combinations of foot and pelvis trajectory. The results showed that the unsupervised k-means algorithm is capable of performing accurate identification, up to 100% in some cases, as long as a good selection of metrics is done. Dimension reduction and attribute selection methods were used and compared to perform this selection. In general, metrics related to knee trajectory were the most successful in predicting gait patterns.