Detección de las subfases de la marcha a partir de registros con unidades de medición inercial IMUs

Abstract

Actualmente, existe interés en aplicar tecnología como exoesqueletos y unidades de medición inercial (IMUs) para apoyar en el proceso de rehabilitación físico-motora. La marcha se divide en las fases de apoyo (FAP) y balanceo (FBP) (Cárdenas & Molina, 2021), subdivididas en contacto inicial (CI), apoyo inicial (AI), apoyo medio (AM), apoyo final (AF), pre-balanceo (PB), balanceo inicial (BI), balanceo medio (BM) y balanceo final (BF). Este estudio desarrolla un algoritmo en MATLAB que detecta las subfases de la marcha para cada pierna utilizando tres IMUs para medir la aceleración lumbar y del muslo izquierdo y derecho. El algoritmo primero elimina la tendencia lineal de las mediciones y usa un filtro Butterworth pasa-bajas de cuarto orden con una frecuencia de corte de 7 Hz para analizar los componentes representativos de la marcha. Después, se usa la CWT para aproximar la primera y segunda derivada de las señales y se emplean sus mínimos y máximos para detectar las subfases de CI, AF, PB, BI y BM. En la marcha continua en sujetos sanos sobre suelo, los porcentajes de las subfases respecto al ciclo de la marcha fueron para la pierna derecha de 36% para AF, 53,1% para PB, 62,6% para BI y 78,1% para BM, con valores similares para la pierna izquierda y un total de 60,4±4,9% para FAP y un 39,6±4,9% para FBP, lo que concuerda otros estudios (Herrero, A., 2017). A futuro, se desea extender el algoritmo para detectar las subfases restantes (AI, AM y BF) y se espera que esta detección permita personalizar la asistencia con exoesqueletos a usuarios con discapacidad motora.

Currently, there is interest in applying technology such as exoskeletons and inertial measurement units (IMUs) to support the physical-motor rehabilitation process. Gait is divided into support (FAP) and swing (FBP) phases (Cárdenas & Molina, 2021), subdivided into initial contact (CI), initial support (AI), medium support (AM), final support (AF) , pre-swing (PB), initial sway (BI), middle sway (BM) and final sway (BF). This study develops an algorithm in MATLAB that detects gait subphases for each leg using three IMUs to measure left and right thigh and lumbar acceleration. The algorithm first removes the linear trend from the measurements and uses a fourth-order low-pass Butterworth filter with a cutoff frequency of 7 Hz to analyze representative gait components. The CWT is then used to approximate the first and second derivatives of the signals, and their minima and maxima are used to detect the CI, AF, PB, BI, and BM subphases. In the continuous walk in healthy subjects on the ground, the percentages of the subphases with respect to the gait cycle were for the right leg of 36% for AF, 53.1% for PB, 62.6% for BI and 78.1% for BM, with similar values for the left leg and a total of 60.4±4.9% for FAP and 39.6±4.9% for FBP, which agrees with other studies (Herrero, A., 2017). In the future, it is desired to extend the algorithm to detect the remaining subphases (AI, AM and BF) and it is expected that this detection will allow personalized assistance with exoskeletons to users with motor disabilities.