Modelos computacionales en la posturografía

• Autores: Lely Adriana Luengas, Luis Felipe Wanumen Silva
• Localización: Tecnura: Tecnología y Cultura Afirmando el Conocimiento, ISSN-e 2248-7638, ISSN 0123-921X, Vol. 26, Nº. 73, 2022, págs. 30-48
• Idioma: español
• Títulos paralelos:
  • Computational models in posturography
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Objetivo:

    Realizar la clasificación y el mapeo de parámetros de balanceo corporal a partir de datos de posturografía estática para diferenciar individuos amputados transtibiales unilaterales de no amputados, utilizando técnicas de aprendizaje automático y minería de datos.

    Metodología:

    El balanceo corporal se midió en 74 individuos, 37 amputados por mina antipersonal y 37 controles sanos. Se clasificó la estabilidad según el grupo, mediante el uso de aprendizaje automático. Se desarrolló un mapa bidimensional continuo de las alteraciones de la postura, a partir de la teoría de la información de Shannon. La prueba de U Mann-Whitney (p < 0,05) fue usada con el fin de identificar diferencias entre grupos.

    Resultados:

    Se entrenaron cinco algoritmos de aprendizaje automático, un árbol de decisión, reglas de decisión, una red neuronal, una máquina de soporte vectorial y el clúster. La validación y la comparación se llevaron a cabo con las métricas obtenidas de la matriz de confusión, por validación cruzada para obtener dos subconjuntos. La condición de postura más discriminatoria se clasificó como el desplazamiento del centro de presión (CoP, por su sigla en inglés), lado no amputado (contralateral), dirección anteroposterior. El algoritmo de mayor desempeño fue la máquina de soporte vectorial, y el de menor desempeño, el clúster; sin embargo, todos los modelos realizaron clasificación de grupos con una puntuación F1 mayor a 0,4.

    Conclusiones:

    El mapeo de las características del desplazamiento del balanceo en el espacio 2D reveló agrupaciones claras entre amputados y controles, lo cual confirma que el aprendizaje automático puede ayudar en la clasificación de patrones de balanceo clínico medidos con posturografía estática. Los modelos computacionales permiten evaluar de forma objetiva la estabilidad, así como reconocer el aporte de la extremidad contralateral en el control de la postura bípeda estática ya que compensa la no existencia de los aferentes y eferentes de ipsilateral.

    Financiamiento:

    Artículo de investigación científica derivado del proyecto de investigación “Caracterización de la estabilidad en amputados transtibiales unilaterales”, financiado por la Universidad Distrital Francisco José de Caldas, Bogotá, Colombia.

  • English

    Objective:

    To perform the classification and mapping of body sway parameters from static posturography data to differentiate unilateral transtibial amputees from non-amputees using machine learning and data mining techniques.

    Methodology:

    Body sway was measured in 74 individuals, 37 landmine amputees and 37 healthy controls. Stability was classified by group using five machine learning algorithms. A continuous two-dimensional map of posture alterations was developed using Shannon's information theory, the U Mann-Whitney test (p <0,05) was used to identify differences between groups.

    Results:

    Five machine learning algorithms (decision tree, decision rules, neural network, vector support machine and clustering) were trained. Validation and comparison were carried out with the metrics obtained from the confusion matrix, using cross-validation to obtain two subsets. The most discriminatory posture condition was classified as displacement of the center of pressure (CoP) on the non-amputated side, anteroposterior direction. The algorithm with the highest performance was the vector support machine and the one with the lowest performance was the cluster; however, all the models performed group classification with an F1 score greater than 0,4.

    Conclusions:

    Mapping of sway displacement characteristics into 2D space revealed clear clusters between amputees and controls, confirming that machine learning can aid in the classification of clinical sway patterns measured with static posturography. Computational models allow to objectively evaluate the stability, as well as to recognize the contribution of the contralateral limb in the control of the static bipedal posture, since it compensates for the non-existence of the ipsilateral afferents and efferents.

    Financing:

    Scientific research article derived from the research "Characterization of Stability in Unilateral Transtibial Amputees", funded by "Francisco José de Caldas District University".