Menci贸n Internacional en el t铆tulo de doctorPattern identification is a widely known technology, which is used on a daily basis
for both identification and authentication. Examples include biometric identification
(fingerprint or facial), number plate recognition or voice recognition.
However, when we move into the world of medical diagnostics this changes
substantially. This field applies many of the recent innovations and technologies, but
it is more difficult to see cases of pattern recognition applied to diagnostics. In addition,
the cases where they do occur are always supervised by a specialist and performed in
controlled environments. This behaviour is expected, as in this field, a false negative
(failure to identify pathology when it does exists) can be critical and lead to serious
consequences for the patient. This can be mitigated by configuring the algorithm to be safe
against false negatives, however, this will raise the false positive rate, which may increase
the workload of the specialist in the best case scenario or even result in a treatment being
given to a patient who does not need it. This means that, in many cases, validation of the
algorithm鈥檚 decision by a specialist is necessary, however, there may be cases where this
validation is not so essential, or where this first identification can be treated as a guideline
to help the specialist. With this objective in mind, this thesis focuses on the development
of an algorithm for the identification of lower body pathologies.
This identification is carried out by means of the way people walk (gait). People鈥檚 gait
differs from one person to another, even making biometric identification possible through
its use. however, when the people has a pathology, both physical or psychological, the
gait is affected. This alteration generates a common pattern depending on the type of
pathology. However, this thesis focuses exclusively on the identification of physical
pathologies. Another important aspect in this thesis is that the different algorithms are
created with the idea of portability in mind, avoiding the obligation of the user to carry
out the walks with excessive restrictions (both in terms of clothing and location).
First, different algorithms are developed using different configurations of smartphones
for database acquisition. In particular, configurations using 1, 2 and 4 phones are
used. The phones are placed on the legs using special holders so that they cannot move
freely. Once all the walks have been captured, the first step is to filter the signals to
remove possible noise. The signals are then processed to extract the different gait cycles
(corresponding to two steps) that make up the walks. Once the feature extraction process
is finished, part of the features are used to train different machine learning algorithms,
which are then used to classify the remaining features. However, the evidence obtained
through the experiments with the different configurations and algorithms indicates that it
is not feasible to perform pathology identification using smartphones. This can be mainly
attributed to three factors: the quality of the signals captured by the phones, the unstable
sampling frequency and the lack of synchrony between the phones. Secondly, due to the poor results obtained using smartphones, the capture device is
changed to a professional motion acquisition system. In addition, two types of algorithm
are proposed, one based on neural networks and the other based on the algorithms used
previously. Firstly, the acquisition of a new database is proposed. To facilitate the capture
of the data, a procedure is established, which is proposed to be in an environment of
freedom for the user. Once all the data are available, the preprocessing to be carried out is
similar to that applied previously. The signals are filtered to remove noise and the different
gait cycles that make up the walks are extracted. However, as we have information from
several sensors and several locations for the capture device, instead of using a common
cut-off frequency, we empirically set a cut-off frequency for each signal and position.
Since we already have the data ready, a recurrent neural network is created based on the
literature, so we can have a first approximation to the problem. Given the feasibility of
the neural network, different experiments are carried out with the aim of improving the
performance of the neural network.
Finally, the other algorithm picks up the legacy of what was seen in the first part of the
thesis. As before, this algorithm is based on the parameterisation of the gait cycles for its
subsequent use and employs algorithms based on machine learning. Unlike the use of time
signals, by parameterising the cycles, spurious data can be generated. To eliminate this
data, the dataset undergoes a preparation phase (cleaning and scaling). Once a prepared
dataset has been obtained, it is split in two, one part is used to train the algorithms, which
are used to classify the remaining samples. The results of these experiments validate
the feasibility of this algorithm for pathology detection. Next, different experiments
are carried out with the aim of reducing the amount of information needed to identify
a pathology, without compromising accuracy. As a result of these experiments, it can be
concluded that it is feasible to detect pathologies using only 2 sensors placed on a leg.La identificaci贸n de patrones es una tecnolog铆a ampliamente conocida, la cual se
emplea diariamente tanto para identificaci贸n como para autenticaci贸n. Algunos ejemplos
de ello pueden ser la identificaci贸n biom茅trica (dactilar o facial), el reconocimiento de
matr铆culas o el reconocimiento de voz.
Sin embargo, cuando nos movemos al mundo del diagn贸stico m茅dico esto cambia
sustancialmente. Este campo aplica muchas de las innovaciones y tecnolog铆as recientes,
pero es m谩s dif铆cil ver casos de reconocimiento de patrones aplicados al diagn贸stico.
Adem谩s, los casos donde se dan siempre est谩n supervisados por un especialista y se
realizan en ambientes controlados. Este comportamiento es algo esperado, ya que, en
este campo, un falso negativo (no identificar la patolog铆a cuando esta existe) puede
ser cr铆tico y provocar consecuencias graves para el paciente. Esto se puede intentar
paliar, configurando el algoritmo para que sea seguro frente a los falsos negativos, no
obstante, esto aumentar谩 la tasa de falsos positivos, lo cual puede aumentar el trabajo
del especialista en el mejor de los casos o incluso puede provocar que se suministre un
tratamiento a un paciente que no lo necesita.
Esto hace que, en muchos casos sea necesaria la validaci贸n de la decisi贸n del
algoritmo por un especialista, sin embargo, pueden darse casos donde esta validaci贸n no
sea tan esencial, o que se pueda tratar a esta primera identificaci贸n como una orientaci贸n
de cara a ayudar al especialista. Con este objetivo en mente, esta tesis se centra en el
desarrollo de un algoritmo para la identificaci贸n de patolog铆as del tren inferior. Esta
identificaci贸n se lleva a cabo mediante la forma de caminar de la gente (gait, en ingl茅s).
La forma de caminar de la gente difiere entre unas personas y otras, haciendo posible
incluso la identificaci贸n biom茅trica mediante su uso. Sin embargo, esta tambi茅n se ve
afectada cuando se presenta una patolog铆a, tanto f铆sica como ps铆quica, que afecta a las
personas. Esta alteraci贸n, genera un patr贸n com煤n dependiendo del tipo de patolog铆a. No
obstante, esta tesis se centra exclusivamente la identificaci贸n de patolog铆as f铆sicas. Otro
aspecto importante en esta tesis es que los diferentes algoritmos se crean con la idea de
la portabilidad en mente, evitando la obligaci贸n del usuario de realizar los paseos con
excesivas restricciones (tanto de vestimenta como de localizaci贸n).
En primer lugar, se desarrollan diferentes algoritmos empleando diferentes
configuraciones de tel茅fonos inteligentes para la adquisici贸n de la base de datos. En
concreto se usan configuraciones empleando 1, 2 y 4 tel茅fonos. Los tel茅fonos se colocan
en las piernas empleando sujeciones especiales, de tal modo que no se puedan mover
libremente. Una vez que se han capturado todos los paseos, el primer paso es filtrar
las se帽ales para eliminar el posible ruido que contengan. Seguidamente las se帽ales
se procesan para extraer los diferentes ciclos de la marcha (que corresponden a dos
pasos) que componen los paseos. Una vez terminado el proceso de extracci贸n de caracter铆sticas, parte de estas se emplean para entrenar diferentes algoritmos de machine
learning, los cuales luego son empleados para clasificar las restantes caracter铆sticas. Sin
embargo, las evidencias obtenidas a trav茅s de la realizaci贸n de los experimentos con las
diferentes configuraci贸n y algoritmos indican que no es viable realizar una identificaci贸n
de patolog铆as empleando tel茅fonos inteligentes. Principalmente esto se puede achacar
a tres factores: la calidad de las se帽ales capturadas por los tel茅fonos, la frecuencia de
muestreo inestable y la falta de sincron铆a entre los tel茅fonos.
Por otro lado, a ra铆z de los pobres resultados obtenidos empleado tel茅fonos
inteligentes se cambia el dispositivo de captura a un sistema profesional de adquisici贸n
de movimiento. Adem谩s, se plantea crear dos tipos de algoritmo, uno basado en redes
neuronales y otro basado en los algoritmos empleados anteriormente. Primeramente,
se plantea la adquisici贸n de una nueva base de datos. Para ellos se establece un
procedimiento para facilitar la captura de los datos, los cuales se plantea han de ser en un
entorno de libertad para el usuario. Una vez que se tienen todos los datos, el preprocesado
que se realizar es similar al aplicado anteriormente. Las se帽ales se filtran para eliminar
el ruido y se extraen los diferentes ciclos de la marcha que componen los paseos. Sin
embargo, como para el dispositivo de captura tenemos informaci贸n de varios sensores y
varias localizaciones, el lugar de emplear una frecuencia de corte com煤n, emp铆ricamente
se establece una frecuencia de corte para cada se帽al y posici贸n. Dado que ya tenemos los
datos listos, se crea una red neuronal recurrente basada en la literatura, de este modo
podemos tener una primera aproximaci贸n al problema. Vista la viabilidad de la red
neuronal, se realizan diferentes experimentos con el objetivo de mejorar el rendimiento
de esta.
Finalmente, el otro algoritmo recoge el legado de lo visto en la primera parte de la
tesis. Al igual que antes, este algoritmo se basa en la parametrizaci贸n de los ciclos de
la marcha, para su posterior utilizaci贸n y emplea algoritmos basado en machine learning.
A diferencia del uso de se帽ales temporales, al parametrizar los ciclos, se pueden generar
datos espurios. Para eliminar estos datos, el conjunto de datos se somete a una fase de
preparaci贸n (limpieza y escalado). Una vez que se ha obtenido un conjunto de datos
preparado, este se divide en dos, una parte se usa para entrenar los algoritmos, los cuales
se emplean para clasificar las muestras restantes. Los resultados de estos experimentos
validan la viabilidad de este algoritmo para la detecci贸n de patolog铆as. A continuaci贸n,
se realizan diferentes experimentos con el objetivo de reducir la cantidad de informaci贸n
necesaria para identificar una patolog铆a, sin perjudicar a la precisi贸n. Resultado de estos
experimentos, se puede concluir que es viable detectar patolog铆as empleando 煤nicamente
2 sensores colocados en una pierna.Programa de Doctorado en Ingenier铆a El茅ctrica, Electr贸nica y Autom谩tica por la Universidad Carlos III de MadridPresidente: Mar铆a del Carmen S谩nchez 脕vila.- Secretario: Mariano L贸pez Garc铆a.- Vocal: Richard Matthew Guest