Reconstruction of gait biomechanic parameters using cyclograms and artificial neural networks

Gait is one of the most influential elements in determining the quality of life of an individual, answering for more than 10% of the time spent in daily life activities. Gait alterations have a direct impact on a person´s functional capacity, affecting the maintenance of an independent and autonomous life. Early identification of dysfunctions allows the use of simpler and more effective therapies, reducing an overload of the public health system, and improving a patient's quality of life. In this study, a new predictive method for human gait was developed. The gait of 40 volunteers walking on a treadmill was recorded in the sagittal plane, using a 2D motion capture system. The extracted joint angles data were used to create cyclograms. Sections of the cyclograms were used as inputs to artificial neural networks (ANNs), since they can represent the kinematic behavior of the lower body. This allowed for prediction of future states of the moving body. The results indicate that ANNs can predict the future states of the gait with high accuracy. Both single point and cyclogram section predictions were successfully performed. Pearson’s correlation coefficient and matched-pairs ttest ensured the significance of the obtained results. The combined use of ANNs and simple, accessible hardware is of great value in clinical practice. The use of cyclograms facilitates the analysis, as several gait characteristics can be easily recognized by their characteristic geometric shape. The predictive model presented facilitates generation of data that can be used in robotic locomotion therapy both as control signals or feedback elements, aiding in the rehabilitation process of patients with gait dysfunction. The proposed system constitutes an interesting tool that can be explored to increase rehabilitation possibilities, providing better quality of life to patients.Tese (Doutorado)A marcha é um dos fatores mais influentes na determinação da qualidade de vida de um indivíduo, respondendo por mais de 10% do tempo utilizado nas atividades da vida diária. Alterações na marcha têm impacto direto na capacidade funcional de um indivíduo, afetando a capacidade de manutenção de uma vida independente e autônoma. A identificação precoce de disfunções permite uso de terapias mais simples e efetivas, diminuindo a sobrecarga do sistema de saúde pública, e melhorando a qualidade de vida do paciente. Neste estudo, um novo método preditivo para a marcha humana foi desenvolvido. A marcha de 40 voluntários caminhando em uma esteira foi gravada no plano sagital, utilizando um sistema de captura de movimentos 2D. Os dados de posição das articulações extraídos foram utilizados para criar ciclogramas. Seções destes ciclogramas foram utilizadas como entradas para redes neurais artificiais (RNAs), uma vez que podem representar o comportamento cinemático dos membros inferiores. Isto possibilitou a predição de estados futuros do corpo em movimento. Os resultados indicam que as RNAs podem predizer os estados futuros da marcha com alta precisão. Predição de pontos únicos e de seções do ciclograma foram realizadas com sucesso. O coeficiente de correlação de Pearson e o teste-T Matched-Pairs foram utilizados para garantir a significância dos resultados obtidos. O uso combinado de RNAs com um hardware simples e acessível é de grande valia na prática clínica. O uso de ciclogramas facilita a análise, pois várias características da marcha podem ser facilmente reconhecidas pelo seu traçado geométrico característico. O modelo preditivo apresentado facilita a geração de dados que podem ser utilizados em terapias de locomoção robotizadas tanto como sinais de controle ou de feedback, auxiliando no processo de reabilitação de pacientes com disfunções na marcha. O sistema proposto constitui uma ferramenta interessante que pode ser explorada para aumentar as possibilidades de reabilitação, provendo melhor qualidade de vida para os pacientes