Artificial Intelligence to diagnose low back pain using motion captures

Abstract

La lumbalgia es una afección musculoesquelética común y la principal causa de ausentismo laboral, sin embargo, en la mayoría de los casos no se identifica el origen del dolor nociceptivo y a pesar de ello se administra fisioterapia. Una de las valoraciones más importantes para la evaluación del dolor lumbar es el análisis de la rango de movimiento (ROM) que consiste en calcular la diferencia de ángulos desde la posición de inicial hasta el punto de máximo alcance en múltiples ejercicios axiales y este carece de precisión ya que se realiza con cintas métricas. Este proyecto de tesis se basa en la aplicación de técnicas de captura de movimiento (MoCap) con unidades de sensores inerciales para obtener medidas espacio temporales precisas con el objetivo de evaluar ejercicios de un grupo de pacientes sanos y otro con pacientes diagnosticado con lumbalgia de la provincia de Imbabura, Ecuador con el fin de automatizar la clasificación de rangos normales y patológicos de movimiento, utilizando siete algoritmos de aprendizaje automático (Regresión logística, SVM, K-nearest neighbours, árbol de decisión, Random forest, Gradient boosting algorthm y Multilayer perceptron) para evaluar y comparar las métricas de cada modelor. Todas las técnicas de aprendizaje automático obtuvieron una precisión superior al 80% y tres modelos obtuvieron una precisión superior al 90% (Support Vector Machines, Random forest, Multilayer perceptron), concluyendo que el mejor algorithmo es SVM. Los resultados obtenidos comparten un comportamiento similar en comparación con trabajos relacionados.