Algoritmos de fusión de sensores magneto-inerciales para ChakaMo : Instrumento de evaluación 3D de la rodilla.

Abstract

En los últimos años, el análisis del movimiento humano ha sido usado en diversas aplicaciones como la rehabilitación de pacientes, el análisis para mejorar el rendimiento en deporte, entre otros. Para hacer esto posible, el método estándar consiste en realizar el seguimiento de marcadores ópticos ubicados en cada segmento del cuerpo. Estos sistemas son grandes y costosos, además de requerir personal calificado para su correcto funcionamiento y además que los análisis se realizan dentro de un laboratorio con un volumen de trabajo definido. Con el avance de la tecnología empezaron a surgir nuevos métodos para el seguimiento del movimiento humano, uno de los cuales utiliza sensores magneto inerciales (MIMU) que contienen electrónica miniatura, un acelerómetro, un giroscopio y un magnetómetro de tres ejes para estimar la orientación del objeto en movimiento. Los MIMUs presentan una gran versatilidad de uso en diversos ambientes de trabajo que ya no se limitan a los laboratorios. La estimación de la orientación usando MIMUs es posible mediante el uso de algoritmos de fusión de sensores (AFS). Estos algoritmos combinan la información del acelerómetro, giroscopio y magnetómetro para estimar la orientación del MIMU. En la literatura hay varios AFS que pueden clasificarse en dos grandes grupos: determinísticos y estocásticos. El presente trabajo abordó cuatro AFS, dos determinísticos (Madgwick y Valenti) y dos estocásticos (Valenti y Guo) con el fin de comparar su comportamiento. Para ello se usaron dos MIMUS de bajo costo de la marca MBIENTLAB y un simulador de miembro inferior con su articulación tipo bisagra. El simulador consiste en dos reglas de madera articuladas sin ningún elemento ferromagnético para evitar su interferencia en las medidas del magnetómetro. Se realizó una comparación de los cuatros AFS bajo una prueba estática a 0◦, 30◦, 45◦, 60◦, 90◦ de rotación sobre el eje de balanceo durante 60 segundos. En esta prueba se estimó el desvío estándar de los AFS y el error cuadrático medio de las comparaciones entre ellos. También se realizó una prueba dinámica que consistía en dos movimientos alrededor del eje de balanceo de 0◦ a 90◦ a dos velocidades similares a las del movimiento humano. En ella se analizaron los comportamientos entre algoritmos y se observó que los dos algoritmos propuestos por Valenti tenían una conducta imprecisa en las estimaciones en especial en el eje de rumbo. También se observó que las estimaciones variaban entre los MIMUs a pesar de ser de la misma marca y modelo. Luego de estas pruebas se seleccionó el AFS de Guo & et al. por su comportamiento estable tanto en pruebas estáticas y dinámicas. Con este AFS se realizó la estimación de la cinemática de la rodilla con una voluntaria sana. La prueba con la voluntaria consistió en subir y bajar un escalón con una sola pierna. Esta tarea motora buscaba analizar la rodilla con carga y la inestabilidad de la articulación al sostener el cuerpo con una pierna. Para ello se usó una escalera de madera con dos escalones, uno de 17 cm y otro de 34 cm. Para estimar el comportamiento de la rodilla fue necesario usar dos MIMUs, uno en el muslo y otro en la pierna, siendo los segmentos que se articulan en la rodilla. Al utilizar los MIMUs en el análisis del movimiento humano fue necesario calibrar los instrumentos a los segmentos en los cuales se encuentran unidos. La calibración seleccionada en este trabajo fue de dos posiciones estáticas; una de pie y otra recostado en el suelo. La calibración tuvo como finalidad determinar una posición de referencia inicial para la detección de la tarea motora. Para finalizar se realizaron dos pruebas en la rodilla derecha de la voluntaria. Para ello se realizaron 10 ciclos de subida y bajada del escalón de 17 cm y otra prueba en el escalón de 34 cm. Al finalizar la prueba se generó un informe clínico con el promedio de los ciclos de la tarea motora y una representación dinámica en 3D del movimiento de la rodilla. Estos resultados se calcularon en un script en el lenguaje de programación Python siendo este trabajo el primer paso hacia el desarrollo de un instrumento de uso clínico denominado ChakaMo.

In recent years, the analysis of human movement has been used in various applications such as patient rehabilitation, analysis to improve performance in sports, among others. To make this possible, the standard method consists of tracking optical markers located in each body segment. These systems are large and expensive, in addition to requiring qualified personnel for their correct operation, and the analyses are carried out in a laboratory with a defined workload. With the advancement of technology, new methods for tracking human movement began to emerge, one of which uses magneto inertial sensors (MIMU) containing miniature electronics, an accelerometer, a gyroscope and a magnetometer to estimate the orientation of the moving object. MIMUs present great versatility of use in a variety of work environments that are no longer limited to laboratories. Orientation estimation using MIMUs is possible through the use of sensor fusion (SFA) algorithms. These algorithms combine accelerometer, gyroscope and magnetometer information to estimate the orientation of the MIMU. There are several AFSs in the literature that can be classified into two major groups: deterministic and stochastic. The present work addressed four SFA, two deterministic (Madgwick and Valenti) and two stochastic (Valenti and Guo) in order to compare their behavior. For this purpose, two low-cost MBIENTLAB MIMUS and a lower limb simulator with its hinge joint were used. The simulator consists of two hinged wooden rulers without any ferromagnetic element to avoid its interference in the magnetometer measurements. A comparison of the four AFSs was carried out under a static test at 0◦, 30◦, 45◦, 60◦, 90◦ rotation about the swing axis for 60 seconds. In this test, the standard deviation of the SFAs and the mean squared error of the comparisons between them were estimated. A dynamic test was also performed consisting of two motions around the roll axis from 0◦ at 90◦ at two speeds similar to those of human motion. In it, the behaviors between algorithms were analyzed and it was observed that the two algorithms proposed by Valenti had inaccurate behavior in the estimates especially in the heading axis. It was also observed that the estimates varied between MIMUs despite being of the same make and model. After these tests, the SFA of Guo et al. was selected for its stable behavior in both static and dynamic tests. This AFS was used to estimate the kinematics of the knee with a healthy volunteer. The test with the volunteer consisted of going up and down a step with only one leg. This motor task sought to analyze the loaded knee and the instability of the joint when supporting the body with one leg. For this purpose, a wooden staircase with two steps, one of 17 cm and the other of 34 cm, was used. To estimate the behavior of the knee it was necessary to use two MIMUs, one on the thigh and one on the leg, being the segments that articulate at the knee. When using the MIMUs in the analysis of human movement it was necessary to calibrate the instruments to the segments in which they are attached. The calibration selected in this work was of two static positions; one standing and the other lying on the ground. The purpose of the calibration was to determine an initial reference position for the detection of the motor task. Finally, two tests were performed on the volunteer’s right knee. For this, 10 up and down cycles were performed on the 17 cm step and another test on the 34 cm step. At the end of the test, a clinical report was generated with the average number of cycles of the motor task and a 3D dynamic representation of the knee movement. These results were calculated in a script in the Python programming language, this work being the first step towards the development of an instrument for clinical use called ChakaMo.