A carregar...
Publicação
Modeling the gait using an IMU and FSR
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.93 MB | Adobe PDF |
Autores
Resumo(s)
Síndrome de drop-foot é uma condição que dificulta ou impossibilita a dorsiflexão do pé. Consiste numa deficiência de comunicação com o musculo tibialis anterior, que é feita através do nervo profundo peronial (DPN), que resulta na não ativação do músculo necessário para tal movimento. Esta condição é geralmente fruto de um acidente neurológico ao nível do cérebro (um acidente vascular cerebral, por exemplo) ou algum tipo de lesão no nervo que ativa o músculo, o que resulta numa ativação deficiente do mesmo. Estas lesões e as suas consequências podem ter diversos sintomas e efeitos, que, dependendo da severidade do caso, podem ou não ser parcialmente ou totalmente reversíveis. Sendo assim, é de extrema importância um correto diagnóstico e escolha de terapia, de forma a proporcionar a pacientes com esta condição o melhor plano de tratamento. De forma a diagnosticar esta e outras condições, são utilizados modelos da passada, de forma a comparar a passada de um paciente ao esperado e determinar a gravidade da lesão. Este projeto tem como objetivo testar um novo método de modelar a passada, usando sensores inerciais (IMUs) ligados a um computador através de um microcontrolador. O dispositivo utilizado consiste num microcontrolador, uma placa lógica e os sensores. O dispositivo é ligado ao computador através de um cabo USB. O microcontrolador já continha todo o código necessário para o seu funcionamento e emparelhava com o interface instalado no computador. Existem 2 tipos de sensores ligados ao dispositivo: sensores de pressão (FSRs) e sensores inerciais (IMUs). Para este projeto, foram utilizados 5 FSRs e 1 IMU. Os sensores FSR são posicionados na planta do pé direito, de forma a detetar quando o pé toca no chão. Os dados adquiridos destes sensores irão determinar o início e fim de um passo. O sensor IMU deteta velocidade angular e aceleração linear. Estes dados irão ser exportados, através de um ficheiro .csv, para um script no MATLAB que aplica os integrais necessários de forma a obter posição e angulo do pé (em relação ao solo). O sensor obtém estes dados calculando 3 frames principais: o frame intrínseco sensor, que se mantem estático em relação ao sensor e, consequentemente, ao pé, o frame da posição inicial, que é calculado a partir do vetor de gravidade detetado pelo sensor, e o frame do passo, que, como o nome indica, é formado quando é detetado o inicio de um passo. Este último é calculado em relação ao frame definido pela gravidade. De notar que, enquanto os dois primeiros são calculados intricadamente no microcontrolador de forma a obter os dados necessários à análise, este último tipo de frame é formado durante os cálculos feitos após o registo dos dados. Este cálculo, feito num script de MATLAB, é feito usando um modelo já previsto. O interface é responsável pela recolha e registo dos dados. Quando ativado, ele irá registar os dados num ficheiro .csv, que poderá posteriormente ser lido pelo script MATLAB que irá calcular todos os valores necessários para análise. Para a análise, foram calculados e usados para comparação a posição do pé no eixo Z (eixo anti paralelo ao vetor gravidade) e o angulo do pé em relação ao solo. Como o sensor IMU apenas deteta aceleração linear e velocidade angular, são necessários integrais para calcular os dados necessários à analise. Estes cálculos foram feitos num script MATLAB modificados para os fins deste projeto. Para os cálculos, o script usa a informação do sensor FSR (informação essa é processada anteriormente. O resultado desse processamento é um vetor de zeros de tamanho igual ao dos dados adquiridos, que, quando é detetado um passo, altera o zero correspondente a esse instante para um) para dividir os dados em frames. Por cada novo frame (equivalente a um novo passo), é inicializado um novo integral com novas constantes iniciais. Estas constantes iniciais são assumidas pelo sistema. Por fim, todos os dados resultantes do cálculo integral são guardados numa matriz, que é utilizada para todas as representações gráficas e alterações necessárias para analise, como por exemplo, o alinhamento dos paços de modo a poder calcular uma curva de valores médios para a posição e angulo do pé ao longo da passada. Os sujeitos (todos indivíduos com passada saudável) foram instruídos a andar a passo regular, lento e rápido, com o dispositivo instalado na perna direita. De notar que o conceito de “passo regular”, “lento” e “rápido” foi deixado ao critério de cada sujeito, não tendo existido um compasso para os mesmos seguirem. Consequentemente, pode haver comparação matemática (i.e., comparação e analise matemática, feita de modo quantitativo, dentro de uma função do MATLAB criada com esse propósito) entre ensaios do mesmo sujeito, para a mesma velocidade, mas o mesmo não pode acontecer para diferentes sujeitos, ou diferentes velocidades. Ao longo do processo, tanto o script como a posição dos sensores foram otimizados de modo a conseguir os resultados mais confiáveis, realistas e reproduzíveis. Os resultados dos ensaios, após o tratamento de dados, foram comparados com os modelos esperados na literatura. De um modo geral, os resultados foram razoavelmente semelhantes aos esperados, não se conseguido distinguir nenhuma diferença sistemática entre os valores referentes às diferentes velocidades da passada. No entanto, dois erros sistemáticos devem ser mencionados. O primeiro corresponde às constantes iniciais referidas acima. Porque o integral aplicado à aceleração linear é um integral duplo (de forma a obter a posição), o sistema assume duas constantes como sendo 0: a posição inicial (correspondente á origem do frame criado quando se inicia uma nova passada) e a velocidade linear inicial. No entanto, esta velocidade, na prática, nunca é 0 absoluto. Devido a este facto, existe um declive entre a posição inicial e a final onde os valores das mesmas deveriam ser ambos iguais a zero. Especificamente, no eixo Z (eixo perpendicular ao chão, com direção ascendente). Após análise, foi concluído que este erro não tem qualquer padrão, tanto entre sujeitos como quando comparando ensaios do mesmo sujeito. O segundo erro corresponde a diferença entre as coordenadas do fim de um paço e as do início do próximo, no frame da posição inicial. Este erro deve-se não só, mas também ao método de deteção do passo. Idealmente, estas coordenadas, no frame da posição inicial, seriam matematicamente iguais (i.e., o instante que finaliza um passo inicia o próximo). No entanto, devido ao método utilizado no projeto (ambos de iniciar um novo integral por passo e da deteção pelo sensor FSR), pelo menos um instante de tempo não irá ser calculado (porque a frequência de aquisição foi de 80Hz, este instante corresponde a 1/80 de segundo). Sendo assim, e porque novas constantes iniciais são calculadas a cada novo passo, existe uma discrepância entre estes dois instantes, em particular no eixo Z. Tal como no erro anterior, não foi encontrado qualquer tipo de padrão, tanto intra-sujeito como inter-sujeito. Apesar das limitações do método, existe potencial em utilizar este método para modelar a passada com resultados repetíveis e confiáveis. Para melhorar o seu funcionamento, o script onde é calculado os integrais necessita de otimização, e seria necessário um método mais robusto e standard de aplicar o IMU ao pé de futuros sujeitos. Ainda assim, este provou ser um bom método para criar futuros modelos da passada com o propósito de desenvolver melhores técnicas de diagnóstico.
Drop-foot syndrome is a condition that consists of an inability or difficulty of pulling the foot upwards at the ankle joint. It usually has a neurological cause, where the deep peroneal nerve is not properly activated, meaning that the tibialis anterior, responsible for the dorsiflexion of the foot, is not activated, which functionally results in “drop” of the foot while walking. To properly diagnose this condition, and other conditions related to the gait, it’s important that a base gait model is established, for comparison. Throughout the years, different techniques have been used for this purpose, from imaging to using sensors to track the foot while in movement. As technology advances, new, cheaper and more accurate ways to track and model the gait have emerged. In this project, the tracking of the foot was made by an IMU (Inertial measurement unit), while also using FSR sensors (Force sensitive resistors) to distinguish one step and the next. All the sensors were connected to a microcontroller that rested on the right leg (the leg under analysis) and were itself connected to a computer that recorded the data, via a prebuilt interface. Then, said data, recorded in a .csv file, were analyzed by a MATLAB script, that calculated the position and foot angle. This method proved effective, but incomplete to create said model. Although still on an initial stage, this method can be improved to be a reliable and useful method to build gait models in the future.
Drop-foot syndrome is a condition that consists of an inability or difficulty of pulling the foot upwards at the ankle joint. It usually has a neurological cause, where the deep peroneal nerve is not properly activated, meaning that the tibialis anterior, responsible for the dorsiflexion of the foot, is not activated, which functionally results in “drop” of the foot while walking. To properly diagnose this condition, and other conditions related to the gait, it’s important that a base gait model is established, for comparison. Throughout the years, different techniques have been used for this purpose, from imaging to using sensors to track the foot while in movement. As technology advances, new, cheaper and more accurate ways to track and model the gait have emerged. In this project, the tracking of the foot was made by an IMU (Inertial measurement unit), while also using FSR sensors (Force sensitive resistors) to distinguish one step and the next. All the sensors were connected to a microcontroller that rested on the right leg (the leg under analysis) and were itself connected to a computer that recorded the data, via a prebuilt interface. Then, said data, recorded in a .csv file, were analyzed by a MATLAB script, that calculated the position and foot angle. This method proved effective, but incomplete to create said model. Although still on an initial stage, this method can be improved to be a reliable and useful method to build gait models in the future.
Descrição
Tese de mestrado integrado, Engenharia Biomédica e Biofísica (Engenharia Clínica e Instrumentação Médica), Universidade de Lisboa, Faculdade de Ciências, 2020
Palavras-chave
Passada Modelo de tornozelo IMU FSR Análise de passada Síndrome de dropfoot Teses de mestrado - 2020