Automatic diagnosis of lower back pain using gait patterns

• Autores: Chandrasen Pandey, Neeraj Baghel, Malay Kishore Dutta, Carlos Manuel Travieso González
• Localización: Tecnología en Marcha, ISSN 0379-3982, ISSN-e 2215-3241, Vol. 35, Nº. Extra 8, 2022 (Ejemplar dedicado a: International Work Conference on Bioinspired Intelligence), págs. 93-100
• Idioma: inglés
• Títulos paralelos:
  • Diagnóstico automático del dolor lumbar mediante patrones de marcha
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El dolor de espalda es un dolor común que afecta principalmente a personas de todas las edades y da como resultado diferentes tipos de trastornos como obesidad, deslizamiento de disco, escoliosis y osteoporosis, etc. El diagnóstico del trastorno de dolor de espalda es difícil debido a la extensión del trastorno y factores biomecánicos exactos. Este trabajo presenta un método de aprendizaje automático para diagnosticar estos trastornos mediante el sistema de monitorización de la marcha. Se trata de máquinas de vectores de apoyo que clasifican entre lumbalgia y normal, sobre la base de 3 patrones de marcha que son la presión integrada, la dirección de progresión y CISP-ML. El método propuesto utiliza 13 características diferentes, como la desviación media y estándar, etc. registrado de 62 sujetos (30 normales y 32 con dolor lumbar). Las características por sí solas dieron como resultado una mayor precisión de clasificación de dejar uno fuera (LOOCV) del 92%. El método propuesto se puede utilizar para diagnosticar automáticamente el dolor lumbar y sus efectos sobre la marcha en la persona. Este modelo se puede transferir a pequeños dispositivos informáticos para el autodiagnóstico del dolor lumbar en un área remota.

  • English

    Back pain is a common pain that mostly affects people of all ages and results in different types of disorders such as Obesity, Slipped disc, Scoliosis, and Osteoporosis, etc. The diagnosis of back pain disorder is difficult due to the extent affected by the disorder and exact biomechanical factors. This work presents a machine learning method to diagnose these disorders using the Gait monitoring system. It involves support vector machines that classify between lower back pain and normal, on the bases of 3 Gait patterns that are integrated pressure, the direction of progression, and CISP-ML. The proposed method uses 13 different features such as mean and standard deviation, etc. recorded from 62 subjects (30 normal and 32 with lower back pain). The features alone resulted in higher leave-one-out classification accuracy (LOOCV) 92%. The proposed method can be used for automatically diagnosing the lower back pain and its gait effects on the person. This model can be ported to small computing devices for self-diagnosis of lower back pain in a remote area.