Repository logo
 

Clasificación de posturas de equilibrio del Sppb utilizando redes reuronales y visión por computadora

Simple item page
dc.campusUnitec San Pedro Sula
dc.catalogadorAlisson Ruiz
dc.collectionTrabajo de Investigación
dc.contributor.advisorKarla Reyes
dc.contributor.authorGloria Emilia Zapata Cáceres
dc.coverageSan Pedro Sula, Cortés, Honduras
dc.date.accessioned2026-04-14T19:10:13Z
dc.date.available2026-04-14T19:10:13Z
dc.date.issued2026-04-05
dc.description.abstractEl envejecimiento poblacional conlleva un aumento del riesgo de fragilidad y pérdida de equilibrio en adultos mayores, lo que incrementa la probabilidad de caídas y afecta su autonomía. Para abordar este problema, este estudio desarrolla un modelo basado en visión por computadora y redes neuronales convolucionales (CNN) para la clasificación de posturas de equilibrio en la prueba SPPB. El sistema emplea Roboflow para entrenar el modelo de aprendizaje profundo con imágenes segmentadas de videos. Se han etiquetado posturas clave del SPPB (pies juntos, semi-tándem y tándem) para permitir la identificación automática. El modelo será validado mediante métricas de desempeño como precisión, recall y mAP, garantizando su fiabilidad para futuras aplicaciones en la evaluación del equilibrio. Este enfoque elimina la necesidad de sensores físicos y proporciona una alternativa accesible para el análisis postural en entornos clínicos y de investigación.
dc.description.abstractThe aging population leads to an increased risk of frailty and loss of balance in older adults, which raises the likelihood of falls and affects their autonomy. To address this issue, this study develops a model based on computer vision and Convolutional Neural Networks (CNNs) for the classification and tracking of balance postures in the Short Physical Performance Battery (SPPB). The system uses Roboflow to train the deep learning model with segmented images from videos. Key postures from the SPPB (feet together, semi-tandem, and tandem) have been labeled to allow for automatic identification. The model will be validated using performance metrics such as accuracy, recall, and mAP, ensuring its reliability for future applications in balance assessment. This approach eliminates the need for physical sensors and provides an accessible alternative for postural analysis in clinical and research settings.
dc.disciplineIngeniería y TI/ Engineering & IT
dc.facultyFacultad de Ingeniería
dc.finalwork.creationdate01/03/2025
dc.formatPDF
dc.identifier.urihttps://repositorio.unitec.edu//handle/123456789/14289
dc.language.isoes
dc.publisherUniversidad Tecnológica Centroamericana UNITEC
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International.
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0
dc.sourceUniversidad Tecnológica Centroamericana UNITEC
dc.subjectAnálisis Postural
dc.subjectAprendizaje Profundo
dc.subjectClasificación de Posturas
dc.subjectEquilibrio
dc.subjectRedes Neuronales Convolucionales
dc.subjectRoboFlow
dc.subjectSeguimiento de Posturas
dc.subjectVisión por Computadora
dc.subjectSPPB
dc.subject.ddc006.37 Z36
dc.thesis.degreelevelGrado
dc.thesis.degreenameIngeniería en Biomédica / I-10
dc.titleClasificación de posturas de equilibrio del Sppb utilizando redes reuronales y visión por computadora
dc.typeThesis

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Clasificación de posturas de equilibrio del Sppb utilizando redes reuronales y visión por computadora.pdf
Size:
3.13 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Trabajo de Investigación