Investigación de modelos de inteligencia artificial para la predicción de caídas

El presente proyecto se centra en la investigación de modelos de inteligencia artificial para la predicción de caídas en pacientes con dificultades motoras. El principal objetivo es asistir en el proceso de rehabilitación de pacientes propensos a sufrir caídas durante el caminar, ayudándoles a mantener el equilibrio. El accidente cerebrovascular (ACV) representa una de las principales causas de discapacidad a nivel global, siendo la pérdida de equilibrio durante la marcha una de sus consecuencias más frecuentes. Para el caso de la enfermedad del Parkinson, uno de sus síntomas es la fluctuación diurna de la marcha. Estas y otras patologías representan un riesgo a la hora de caminar para los pacientes. Dada la limitación de las herramientas y técnicas de rehabilitación existentes, el enfoque principal se dirige hacia el desarrollo de una nueva herramienta personalizada e innovadora. Esta herramienta busca ampliar las posibilidades de rehabilitación, adoptando las tendencias emergentes de bioretroalimentación y sensibilidad aumentada. Con el fin de obtener un conjunto de datos robusto para realizar el entrenamiento de los diversos modelos de inteligencia artificial utilizados, se decidió representar la caminata de los sujetos como una serie de tiempo, basada en los valores de pitch, roll y jaw del pecho del usuario. Para esto, se caracterizó la marcha utilizando un IMU en el pecho y se realizaron diversos experimentos para validar hipótesis y avanzar en el desarrollo de un dispositivo funcional. Dicho dispositivo consta de dos modos de operación. El primero envía la información de la marcha a un servidor encargado de procesar los datos y predecir el riesgo de caída. En base a esa métrica, se le dará entrega una respuesta vibrotáctil al paciente que sirva a modo de feedback para la corrección de la marcha. De forma similar, el segundo modo también realizará predicciones de la marcha y caída del usuario, pero en este caso, se tiene como objetivo eliminar la dependencia del servidor mediante el uso de un modelo mucho menos robusto embebido en el microcontrolador. Se desarrolló un simulador en Unity3D para visualizar la información entregada por el IMU de forma fácil y rápida. Para el predictor de caídas se implementan distintos modelos de Machine Learning para predecir patrones de marcha, con el fin de optimizar la respuesta vibrotáctil que se ofrece al paciente. Por otra parte, se analiza la capacidad de generalizar la marcha que poseen los diversos predictores y como estos pueden usarse en distintos pacientes. Se obtuvo un conjunto de datos de caminatas de dos sujetos sanos para el posterior entrenamiento y se entrevisto a un profesional de la salud especializado en neurología para comprender las distintas patologías y como afectan a un paciente. Los modelos implementados fueron CNN, LSTM, XGBoost, Procesos Gaussianos y para la implementación embebida en el microcontrolador se utilizó una regresión. Los mejores resultados fueron obtenidos por los modelos LSTM y XGBoost aunque estos no fueron óptimos para la predicción de una marcha. Por este motivo, se decidió implementar una métrica que represente el riesgo de caída basándose en la comparación de diversos parámetros entre la marcha real y la serie de tiempo predicha. Con esta nueva métrica se logró realizar una fluctuación de la respuesta vibrotáctil acorde a la caminata del paciente. Por otro lado, se realizaron pruebas en distintos sujetos utilizando el mismo modelo entrenado. No se halló una diferencia significativa en los resultados. Finalmente, se implementó el modelo de regresión el cual fue cargado en el microcontrolador. Esto permitió completar el flujo de predicción y respuesta al usuario sin necesidad de un servidor que procese la información. Los resultados de la predicción son perfectibles y debido a esto, se plantea como trabajo a futuro la investigación sobre mejoras en hardware que permitan ejecutar modelos mas potentes en el dispositivo.