RoboGait: sistema robótico no invasivo para el análisis de la marcha humana

David Álvarez; Diego  Guffanti; Alberto Brunete; Miguel Hernando; Ernesto Gambao

doi:10.4995/riai.2023.20066

Autores/as

David Álvarez Universidad Politécnica de Madrid https://orcid.org/0000-0003-2056-640X
Diego Guffanti Universidad Tecnológica Indoamérica https://orcid.org/0000-0002-1244-291X
Alberto Brunete Universidad Politécnica de Madrid https://orcid.org/0000-0001-9873-232X
Miguel Hernando Universidad Politécnica de Madrid https://orcid.org/0000-0001-9997-0266
Ernesto Gambao Universidad Politécnica de Madrid https://orcid.org/0000-0003-1705-1800

DOI:

https://doi.org/10.4995/riai.2023.20066

Palabras clave:

Análisis de marcha, robótica móvil, cámaras 3D, redes neuronales

Resumen

Actualmente, los sistemas utilizados en laboratorios para analizar la marcha se basan en técnicas marcadores o sensores colocados sobre el cuerpo del paciente, lo que resulta en un proceso que requiere un tiempo largo de preparación y calibración, así como la incomodidad que causa a los pacientes tener dispositivos colocados por el cuerpo. Además, el espacio en el que se pueden realizar pruebas resulta muy limitado. En respuesta a estas problemáticas, se ha desarrollado el sistema robótico RoboGait. Consiste en un robot móvil capaz de navegar autónomamente delante del paciente. El robot incluye una cámara RGBD en su parte superior para captar el cuerpo humano. Este sistema no requiere marcadores adheridos al cuerpo del paciente ya que utiliza la información proporcionada por la cámara RGBD para analizar la marcha. El objetivo de este estudio es demostrar la validez de RoboGait y su aplicabilidad en entornos clínicos. Para conseguirlo, se ha optado por mejorar la estimación de señales cinemáticas y espacio-temporales de la marcha procesando las medidas de la cámara con redes neuronales artificiales (RNA) entrenadas usando datos obtenidos de un sistema Vicon® certificado. Posteriormente, se ha medido el rendimiento del sistema en la clasificación de patrones normales y patológicos, utilizando como referencia un sistema basado en sensores inerciales Xsens®. De este modo, se ha probado el sistema robótico móvil en un rango amplio de la marcha, al tiempo que se ha comparado con un sistema comercial en las mismas condiciones experimentales. Los resultados obtenidos demuestran que RoboGait puede realizar el análisis de la marcha con suficiente precisión,mostrando un gran potencial para su análisis clínico y la identificación de patologías.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

David Álvarez, Universidad Politécnica de Madrid

Centro de Automática y Robótica (CAR UPM-CSIC)

Diego Guffanti, Universidad Tecnológica Indoamérica

Centro de Investigación en Mecatrónica y Sistemas Interactivos (MIST)

Universidad UTE

Alberto Brunete, Universidad Politécnica de Madrid

Centro de Automática y Robótica (CAR UPM-CSIC)

Miguel Hernando, Universidad Politécnica de Madrid

Centro de Automática y Robótica (CAR UPM-CSIC)

Ernesto Gambao, Universidad Politécnica de Madrid

Centro de Automática y Robótica (CAR UPM-CSIC)

Citas

Alizadegan, A., Behzadipour, S., 2017. Shoulder and elbow joint angle estima- tion for upper limb rehabilitation tasks using low-cost inertial and optical sensors. J. Mech. Med. Biol. 17 (2), 1750031. https://doi.org/10.1142/S0219519417500312

Amini, A., Banitsas, K., 2019. An improved technique for increasing the accu- racy of joint-to-ground distance tracking in kinect v2 for foot-off and foot contact detection. J. Med. Eng. Technol. 43 (1), 8-18. https://doi.org/10.1080/03091902.2019.1595762

Bersamira, J. N., De Chavez, R. J. A., Salgado, D. D. S., Sumilang, M. M. C., Valles, E. R., Roxas, E. A., dela Cruz, A. R., 2019. Human Gait Kinema- tic Estimation based on Joint Data Acquisition and Analysis from IMU and Depth-Sensing Camera. In: 2019 IEEE 11th Int. Conf. Humanoid, Nano- technology, Inf. Technol. Commun. Control. Environ. Manag. ( HNICEM ). pp. 1-6. https://doi.org/10.1109/HNICEM48295.2019.9072775

Bonnet, V., Azevedo Coste, C., Lapierre, L., Cadic, J., Fraisse, P., Zapata, R., Venture, G., Geny, C., 2015. Towards an affordable mobile analysis platform for pathological walking assessment. Rob. Auton. Syst. 66, 116-128. https://doi.org/10.1016/j.robot.2014.12.002

Cifuentes, C. A., Frizera, A., 2016. Human-Robot Interaction Strategies for Locomotion, 1st Edition. Springer Tracts in Advanced Robotics, 115. Springer. https://doi.org/10.1007/978-3-319-34063-0_1

Destelle, F., Ahmadi, A., O'Connor, N. E., Moran, K., Chatzitofis, A., Zarpa- las, D., Daras, P., 2014. Low-cost accurate skeleton tracking based on fusion of kinect and wearable inertial sensors. In: 2014 22nd Eur. Signal Process. Conf. EURASIP, pp. 371-375. Diego Guffanti, Alberto Brunete, M. H. D. J. R. E. N., 2022. arXiv.

Eltoukhy, M., Oh, J., Kuenze, C., Signorile, J., 2017. Improved kinect-based spatiotemporal and kinematic treadmill gait assessment. Gait & Posture 51 (C), 77-83. Francisco, M., Carratalá, M., 2020. La Marcha Humana: Biomecánica, Evaluación y Patología. Editorial Médica Panamericana, Madrid. https://doi.org/10.1016/j.gaitpost.2016.10.001

Francisco, M., Carratala, M., 2020. La Marcha Humana: Biomecánica, Evaluación y Patología. Editorial Medica Panamericana, Madrid. URL: https://www.medicapanamericana.com/es/libro/La-marcha-humana-incluye-version-digital

Geerse, D., Coolen, B., Roerdink, M., 2015. Kinematic Validation of a Multi- Kinect v2 Instrumented 10-Meter Walkway for Quantitative Gait Assess- ments. PLoS One 10 (10). https://doi.org/10.1371/journal.pone.0139913

Guffanti, D., Brunete, A., Hernando, M., nov 2021a. Development and validation of a ROS-based mobile robotic platform for human gait analysis applications. Robotics and Autonomous Systems 145, 103869. URL: https://www.sciencedirect.com/science/article/pii/S0921889021001548 https://doi.org/10.1016/j.robot.2021.103869

Guffanti, D., Brunete, A., Hernando, M., Gambao, E., Alvarez, D., 2022. Annbased optimization of human gait data obtained from a robot-mounted 3d camera: A multiple sclerosis case study. IEEE Robotics and Automation Letters 7 (4), 8901-8908. https://doi.org/10.1109/LRA.2022.3189433

Guffanti, D., Brunete, A., Hernando, M., Rueda, J., Navarro, E., 2021b. Robogait: A mobile robotic platform for human gait analysis in clinical environments. Sensors 21 (20). URL: https://www.mdpi.com/1424-8220/21/20/6786 https://doi.org/10.3390/s21206786

Guffanti, D., Brunete, A., Hernando, M., Rueda, J., Navarro Cabello, E., 2020. The Accuracy of the Microsoft Kinect V2 Sensor for Human Gait Analysis. A Different Approach for Comparison with the Ground Truth. Sensors 20 (16), 4405. URL: https://www.mdpi.com/1424-8220/20/16/4405 https://doi.org/10.3390/s20164405

Hoang, V.-T., Jo, K.-H., 2019. 3-D Human Pose Estimation Using Cascade of Multiple Neural Networks. IEEE Trans. Ind. informatics 15 (4), 2064-2072. https://doi.org/10.1109/TII.2018.2864824

Kidzínski, Ł., Delp, S., Schwartz, M., 2019. Automatic real-time gait event detection in children using deep neural networks. PLoS One 14 (1), 1-11. https://doi.org/10.1371/journal.pone.0211466

Lamine, H., Bennour, S., Laribi, M., Romdhane, L., Zaghloul, S., 2017. Evaluation of Calibrated Kinect Gait Kinematics Using a Vicon Motion capture System. Computer Methods in Biomechanics and Biomedical Engineering 20 (sup1), 111-112. https://doi.org/10.1080/10255842.2017.1382886

Matthew, R. P., Seko, S., Bajcsy, R., Lotz, J., 2019. Kinematic and Kinetic Validation of an Improved Depth Camera Motion Assessment System Using Rigid Bodies. IEEE J. Biomed. Heal. informatics 23 (4), 1784-1793. https://doi.org/10.1109/JBHI.2018.2872834

Müller, B., Ilg, W., Giese, M. A., Ludolph, N., 2017. Validation of enhanced kinect sensor based motion capturing for gait assessment. PLoS One 12 (4), 1-18. https://doi.org/10.1371/journal.pone.0175813

Nichols, J., Sena, M., Hu, J., O'Reilly, O., Feeley, B., Lotz, J., 2016. A Kinect-Based Movement Assessment System: Marker Position Comparison to Vicon. Computer Methods in Biomechanics and Biomedical Engineering, 20:12, 1289-1298, https://doi.org/10.1080/10255842.2017.1340464

Papageorgiou, X. S., Chalvatzaki, G., Lianos, K.-N., Werner, C., Hauer, K., Tzafestas, C. S., Maragos, P., 2016. Experimental validation of human pathological gait analysis for an assisted living intelligent robotic walker. In: 2016 6th IEEE Int. Conf. Biomed. Robot. Biomechatronics. Vol. 2016-. IEEE, pp. 1086-1091. https://doi.org/10.1109/BIOROB.2016.7523776

Paulo, J., Garrote, L., Premebida, C., Asvadi, A., Almeida, D., Lopes, A., Peixoto, P., 2017. An innovative robotic walker for mobility assistance and lower limbs rehabilitation. In: 2017 IEEE 5th Port. Meet. Bioeng. pp. 1-4. https://doi.org/10.1109/ENBENG.2017.7889450

Pfister, A., West, A. M., Bronner, S., Noah, J. A., 2014. Comparative abilities of Microsoft Kinect and Vicon 3D motion capture for gait analysis. Journal of Medical Engineering & Technology 38 (5), 274-280. https://doi.org/10.3109/03091902.2014.909540

Rösmann, C., Feiten, W., Woesch, T., Hoffmann, F., Bertram, T., 2012. Trajectory modification considering dynamic constraints of autonomous robots. In: Robot. 2012; 7th Ger. Conf. Robot. pp. 1-6.

Rösmann, C., Feiten, W., W¨osch, T., Hoffmann, F., Bertram, T., 2013. Efficient trajectory optimization using a sparse model. In: 2013 Eur. Conf. Mob. Robot. pp. 138-143. https://doi.org/10.1109/ECMR.2013.6698833

Saegusa, R., oct 2017. Human-interactive robot for gait evaluation and navigation. In: 2017 IEEE Int. Conf. Syst. Man, Cybern. pp. 1693-1698. https://doi.org/10.1109/SMC.2017.8122859

Scheidig, A., Jaeschke, B., Schuetz, B., Trinh, T. Q., Vorndran, A., Mayfarth, A., Gross, H.-M., 2019. May I Keep an Eye on Your Training? Gait Assessment Assisted by a Mobile Robot*. In: 2019 IEEE 16th Int. Conf. Rehabil. Robot. pp. 701-708. https://doi.org/10.1109/ICORR.2019.8779369

Schepers, M., Giuberti, M., Bellusci, G., Others, 2018. Xsens mvn: Consistent tracking of human motion using inertial sensing. Xsens Technol, 1-8.

Springer, S., Seligmann, G., 2016. Validity of the Kinect for Gait Assessment: A Focused Review. Sensors 16 (2). https://doi.org/10.3390/s16020194

Wu, G., van der Helm, F. C. T., (DirkJan) Veeger, H. E. J., Makhsous, M., Van Roy, P., Anglin, C., Nagels, J., Karduna, A. R., McQuade, K., Wang, X., Werner, F. W., Buchholz, B., 2005. ISB recommendation on definitions of joint coordinate systems of various joints for the reporting of human joint motion-Part II: shoulder, elbow, wrist and hand. J. Biomech. 38 (5), 981-992. https://doi.org/10.1016/j.jbiomech.2004.05.042

Yeung, K.-Y., Kwok, T. H., Wang, C., 2013. Improved Skeleton Tracking by Duplex Kinects: A Practical Approach for Real-Time Applications. J. Comput. Inf. Sci. Eng. 13, 41007. https://doi.org/10.1115/1.4025404

Zhang, H., Chen, Z., Zanotto, D., Guo, Y., 2020. Robot-Assisted and Wearable Sensor-Mediated Autonomous Gait Analysis. In: 2020 IEEE Int. Conf. Robot. Autom. pp. 6795-6802. https://doi.org/10.1109/ICRA40945.2020.9197571

Zhang, Z., 2012. Microsoft kinect sensor and its effect. IEEE Multimedia 19 (2), 4-10. https://doi.org/10.1109/MMUL.2012.24

Zhou, X., Sun, X., Zhang, W., Liang, S., Wei, Y., 2016. Deep Kinematic Pose Regression. Comput. Vis. - ECCV 2016 Work., 186-201. https://doi.org/10.1007/978-3-319-49409-8_17