Repository logo

Facultad de Ingeniería

Permanent URI for this community

http://52.190.9.31//handle/123456789/799

Browse

Browsing Facultad de Ingeniería by Subject "006.31 R934"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Evaluación de algoritmos basados en LSTM para la predicción de parámetros de marcha en personas con discapacidad visual
    (Universidad Tecnológica Centroamericana UNITEC, 2026-04-03) Pilar Andrea Ruiz Estrada; Jennifer Elizabeth Orellana Martínez; Karla Reyes
    La prevalencia creciente de personas con discapacidad visual en Honduras subraya la necesidad de tecnologías de asistencia para mejorar la movilidad de personas con discapacidad visual. Esta investigación se centra en el potencial de los algoritmos de aprendizaje automático, específicamente modelos híbridos LSTM+CNN y LSTM+FCN, para predecir parámetros de marcha esenciales, como la velocidad, la longitud de zancada, distancia y número de pasos. Usando una base de datos proporcionada por una investigación previa la cual contiene datos obtenidos por sensores inerciales que abarca a nueve participantes en diversas condiciones de caminata, estos modelos identifican patrones temporales y características espaciales. Se compararon las predicciones entre los modelos híbridos y el modelo biomecánico que utilizó configuraciones de TWS y THS. En relación con el tamaño de zancada, el modelo LSTM+FCN obtuvo un error de 0.015 ± 0.014 metros, superando al modelo biomecánico. En cuanto a la velocidad, los errores absolutos medios fueron de 0.018 ± 0.013 m/s y 0.044 ± 0.017 m/s para los dos modelos, respectivamente, siendo significativamente más bajos que los del modelo biomecánico. En la predicción del contador de pasos con el modelo Seq2One mostró una mayor variabilidad con un valor de 16.06 ± 32.11 en las métricas de los experimentos. Sin embargo, en comparación con el modelo biomecánico, presentó un margen de error más amplio, lo que destaca la necesidad de optimización futura. En cuanto al parámetro de distancia, el error absoluto medio global fue de 13.13 ± 7.93 m para el modelo LSTM+4FCN y de 21.37 ± 9.25 m para el modelo LSTM+CNN, El modelo Seq2One obtuvo un error absoluto medio global de 2.96 ± 3.3. En comparación con el TWS, este logra superarlo en términos de predicción, sin embargo, obtuvo mejores resultados en comparación con el modelo LSTM+FCN. Los algoritmos basados en LSTM pueden proporcionar predicciones más precisas de los parámetros de la marcha en relación con el método tradicional, por ende, se deberían de realizar pruebas adicionales para los parámetros de distancia y número de pasos.