Visualizing Gait Patterns of Able bodied Individuals and Transtibial Amputees with the Use of Accelerometry in Smart Phones

Visualización de patrones de paso de individuos con y sin discapacidad con el uso de acelerometría en teléfonos inteligentes

Human gait analysis is used to indirectly monitor the rehabilitation of patients affected by diseases or to directly monitor patients under orthotic care. Visualization of gait patterns on the instrument are used to capture the data. In this study, we created a mobile application that serves as a wireless sensor to capture movement through a smartphone accelerometer. The application was used to collect gait data from two groups (able-bodied and unilateral transtibial amputees). Standard gait activities such as walking, running and climbing, including non-movement, sitting were captured, stored and analyzed. This paper discusses different visualization techniques that can be derived from accelerometer data. Removing gravity data, accelerometer data can be transformed into distribution data using periodicity; features were derived from histograms. Decision tree analysis shows that only three significant features are necessary to classify subject activity, namely: average of minimum peak values, student t-statistics of minimum peak values and mode of maximum peak values. We found that the amputee group had a higher acceleration and a lower skewness period between peaks of accelerations than the able-bodied group.

Análisis del paso de humanos es usado como una manera indirecta de monitorear la rehabilitación de pacientes afectados por enfermedades o bajo el cuidado ortopédico. La visualización de patrones de paso se usa para captura de datos. En este estudio, se creó una aplicación móvil que sirve como un sensor inalámbrico para capturar el movimiento a través de un acelerómetro en un teléfono móvil. Se recolectaron datos de dos grupos (con y sin discapacidad tibial). Datos de actividades de paso estándar tales como caminar, correr y escalar, incluso moverse o sentarse fueron recogidos, grabados y analizados. Este artículo discute diferentes técnicas de visualizaciíon que fueron derivadas de estos datos de acelerómetro. Removiendo datos de gravedad, los datos del acelerómetro pueden ser transformados en datos de distribución usando periodicidad a partir de histogramas. Análisis del árbol de decisión muestra que sólo tres características significativas son necesarios para clasificar la actividad de los sujetos: promedio estadísticas t-student y moda de valores altos mínimos. Se encontró que el grupo de personas con discapacidad tibial tienen una aceleración alta, y un período de sesgo más bajo entre picos de aceleración que el grupo de no discapacitados.