Tecnologías Específicas

Computación
Tecnologías de la Información

Descripcion y Objetivos

El análisis de la movilidad humana es fundamental para la prevención de lesiones, la optimización del rendimiento deportivo y la rehabilitación de pacientes. En la actualidad, los métodos tradicionales de evaluación requieren la observación de expertos, lo que puede ser subjetivo y poco escalable.

La Inteligencia Artificial (IA) y el Aprendizaje Automático han revolucionado este campo, permitiendo extraer patrones de movimiento con alta precisión a partir de vídeos. Este proyecto busca desarrollar una solución híbrida que combine criterios biomecánicos establecidos con modelos de aprendizaje automático para evaluar la movilidad funcional a partir de vídeos.

A diferencia de enfoques puramente basados en Machine Learning, que requieren grandes volúmenes de datos para entrenar redes neuronales complejas, este sistema se apoya en reglas biomecánicas predefinidas para optimizar la precisión con un conjunto de datos más manejable.

Se analizarán movimientos clave en test funcionales estandarizados, permitiendo detectar desviaciones en la técnica y generar recomendaciones personalizadas. Esto facilitará la identificación temprana de posibles riesgos y la toma de decisiones informadas en entornos clínicos, deportivos y de rehabilitación.

Los principales objetivos son:

1. Definir los parámetros biomecánicos clave (ángulos articulares, alineaciones corporales, patrones de carga) que determinan la calidad del movimiento en test funcionales.
2. Implementar un sistema de análisis de movimiento, extrayendo datos de vídeos mediante técnicas de Visión por Computadora (MediaPipe, OpenPose u otras librerías especializadas).
3. Entrenar un modelo de machine learning basado en criterios biomecánicos para clasificar la ejecución de movimientos en categorías como “correcto”, “mejorable” o “riesgo alto”.
4. Diseñar un dashboard interactivo con PowerBI complementado con indicadores de riesgo y recomendaciones.

 

 

Metodología y Competencias

Metodología.

• Revisión bibliográfica y definición de criterios:
  • Identificación de test funcionales adecuados
  • Establecimiento de métricas biomecánicas clave (ángulos óptimos, rangos de movilidad, alineaciones críticas)
• Recopilación de datos (30-40 sujetos con diferentes condiciones):
  • Grabar en vídeo las ejecuciones.
  • Posiblemente, se podría usar la misma herramienta de extracción de coordenadas articulares (por ejemplo, OpenPose) para convertir vídeo en datos.
  • Se etiquetan manualmente los vídeos: “correcto/incorrecto” o se especifica el tipo de desviación (rodilla en valgo, excesiva inclinación de espalda, etc.).
• Feature engineering:
  • Transformar las coordenadas articulares en variables de interés biomecánico (ángulos de rodilla, cadera, tiempo bajo tensión, velocidad, etc.).
• Entrenamiento del modelo:
  • Entrenamiento de un modelo de clasificación híbrido combinando criterios biomecánicos con Machine Learning supervisado (algoritmos como Random Forest o SVM para predecir desviaciones técnicas)
  • Realizar un proceso de validación cruzada para evaluar la robustez del modelo.
• Despliegue y visualización en Power BI:
  • Crear visualizaciones dinámicas con gráficas de movilidad por articulación, clasificación de ejecución con semáforo de riesgo y recomendaciones personalizadas

Competencias.

Este TFG se presenta por las intensificaciones de Computación y Tecnologías de la Información. Se puede hacer más o menos énfasis en las competencias de gestión y ciencia de datos, o en la parte de procesamiento de vídeo e interacción con el usuario final.

Computación:

• [CM5] Capacidad para adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes o entornos inteligentes.
• [CM6] Capacidad para desarrollar y evaluar sistemas interactivos y de presentación de información compleja y su aplicación a la resolución de problemas de diseño de interacción persona computadora.
• [CM7] Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.

Tecnologías de la Información:

• [TI1] Capacidad para comprender el entorno de una organización y sus necesidades en el ámbito de las tecnologías de la información y las comunicaciones.
• [TI3] Capacidad para emplear metodologías centradas en el usuario y la organización para el desarrollo, evaluación y gestión de aplicaciones y sistemas basados en tecnologías de la información que aseguren la accesibilidad, ergonomía y usabilidad de los sistemas.
• [TI5] Capacidad para seleccionar, desplegar, integrar y gestionar sistemas de información que satisfagan las necesidades de la organización, con los criterios de coste y calidad identificados.

 

 

Medios a utilizar

Ordenadores personales, compiladores y recursos online. Secuencias de vídeo conteniendo la ejecución de diversos ejercicios por varios usuarios.

 

Bibliografía

Libros, manuales y artículos sobre aprendizaje automático, visualización y biomecánica. Disponibles en la ESII u online.