Detector de mentiras al andar: modelo de inteligencia artificial

Caminar es un proceso autónomo que involucra ciclos repetitivos y ocurre como resultado de movimientos rítmicos alternos del tronco, las extremidades superiores e inferiores y el desplazamiento hacia adelante del centro de gravedad en el plano sagital. Las evaluaciones de la marcha en enfermedades locomotrices o situaciones que afectan los movimientos se basan en la descripción de las características de la marcha del individuo y la comparación de datos de referencia de individuos de edad y sexo similares.

En algunos casos, los pacientes no caminan con su patrón de marcha real, sino que pueden utilizar la imitación de algunos patrones patológicos para tener expectativas financieras secundarias. Generalmente, este problema, que se puede experimentar a la hora de determinar la tasa de discapacidad en el campo de la Medicina Forense, se lleva a cabo con el fin de desviar deliberadamente la marcha de la persona y lograr una mayor tasa de discapacidad. Por lo tanto, pueden producirse algunas ganancias compensatorias injustas. Se espera que haya coherencia en los pasos repetitivos durante la marcha habitual de una persona; sin embargo, se espera que esta coherencia entre pasos difiera si uno desea imitar una marcha. Si esta cuestión proporcionará beneficios, especialmente en términos de compensación por discapacidad, la imitación es difícil de entender y se demuestra con diseños metodológicos desarrollados para el análisis de la marcha y el análisis observacional y, a menudo, es inadecuada.

En estudios recientes, se han utilizado redes neuronales profundas para estudiar la singularidad de los patrones de marcha individuales mediante el aprendizaje y la clasificación de sistemas no lineales a partir de datos recopilados de múltiples sensores. Se obtienen resultados más exitosos con datos cinemáticos tridimensionales en lugar de solo relaciones espacio-temporales bidimensionales mediante el uso de información obtenida de muchos sensores en el análisis de la marcha con imágenes de profundidad y unidades de medición inerciales. En base a esto, dentro del alcance del estudio, se pretende obtener resultados más consistentes con el uso de redes neuronales repetitivas en modelos de marcha y enfoques de clasificación.

Es especialmente importante en las evaluaciones clínicas que el análisis y las características efectivas de los modelos desarrollados con los estudios en el campo de la inteligencia artificial explicable presenten hallazgos claros al tomador de decisiones. El único estudio que contiene similitudes sobre el estudio que se realizará es el uso de un enfoque de propagación de relaciones capa por capa para explicar los patrones de caminata en individuos con métodos de aprendizaje profundo. En el marco de este proyecto, el objetivo era desarrollar un sistema de apoyo a la toma de decisiones para determinar las imitaciones de caminar de personas con enfoques explicables de aprendizaje automático sobre la compensación por discapacidad en el campo de la medicina forense. De esta manera, independientemente de la experiencia personal del evaluador y del método, se asegurará que se eviten compensaciones injustas o la pérdida de derechos adquiridos por la caminata de imitación y se obtendrá información basada en evidencia en beneficio de la justicia en los procesos judiciales.

El estudio hará una contribución significativa al campo y a la literatura como el primer estudio en el que se utiliza un modelo de inteligencia artificial en la determinación de imitaciones de caminar en el campo de la Medicina Forense y que crea un sistema de apoyo a la toma de decisiones (detector de mentiras al caminar). en este campo. Las características espaciotemporales y las evaluaciones cinemáticas de la marcha en enfermedades que afectan el movimiento y en individuos sanos se utilizan con frecuencia en clínicas e investigaciones en medicina y ciencias de la salud, pero este proyecto es la primera vez en el campo de la medicina que utiliza múltiples datos de la marcha en un entorno artificial. Modelo de inteligencia para distinguir pasos de imitación. Con la creación del modelo de inteligencia artificial, se contribuirá a los estudios académicos y a la formación de investigadores para la definición de patrones de marcha específicos de enfermedades y la creación de normas en las siguientes etapas.