1. Repositorio Institucional UAQ
2. Tesis
3. Facultad de Ingeniería
4. Maestría
5. Maestría en Ciencias (Mecatrónica)

Título:	Sistema para la detección y clasificación de alteraciones de la bóveda plantar mediante el uso de aprendizaje automático
Autor(es):	Rafael Eduardo Velasco Cerros
Palabras clave:	Bóveda plantar Visión artificial Aprendizaje automático Máquina de vectores de soporte K vecinos más cercanos Clasificación Análisis discriminante lineal
Área:	INGENIERÍA Y TECNOLOGÍA
Editorial :	Universidad Autonoma de Querétaro
Páginas:	1 recurso en línea (74 páginas)
Folio RI:	IGMAC-167038
Facultad:	Facultad de Ingeniería
Programa académico:	Maestría en Ciencias (Mecatrónica)
Resumen:	El pie humano es una estructura compleja que actúa como soporte y distribuidor de cargas durante actividades estáticas y dinámicas. En su parte inferior se encuentra la bóveda plantar, encargada de adaptarse al terreno y cuya morfología permite clasificar el pie como plano, cavo o normal. Cuando dicha estructura presenta deformaciones, puede limitar la movilidad cotidiana y ocasionar afecciones en otras partes del sistema musculoesquelético. Según datos de la Secretaría de Salud, alrededor del 20% de la población Mexicana presenta alguna alteración en la bóveda plantar, afectando así su calidad de vida. Por ello, resulta necesario desarrollar herramientas que permitan clasificar automáticamente el tipo de pie. En el presente trabajo se desarrollaron metodologías basadas en visión artificial y aprendizaje automático. Se diseñó un procedimiento para la captura de imágenes RGB plantares mediante un equipo construido específicamente para este propósito. Posteriormente, se aplicaron técnicas de procesamiento de imágenes para extraer únicamente las bóvedas plantares, conformando una base de datos final con un n=180 imágenes binarizadas, las cuales muestran exclusivamente la zona de contacto entre el pie y el piso, lo que permite su evaluación morfológica. Se validaron tres conjuntos de datos diferentes: el primero con las imágenes RGB convertidas a escala de grises; el segundo con once características morfológicas extraídas de las imágenes binarizadas; y el tercero con las mismas características, pero reducidas a dos dimensiones mediante análisis discriminante lineal. Estos conjuntos fueron entrenados y validados con dos algoritmos de clasificación: máquinas de vectores de soporte y k vecinos más cercanos, mediante la técnica de validación cruzada, empleando un 80% de los datos para entrenamiento y 20% para validación. Los resultados se presentan mediante matrices de confusión e indicadores de desempeño, alcanzando una precisión del 97.92% para el mejor modelo. El sistema propuesto puede representar una herramienta de apoyo objetiva, rápida y de bajo costo, con aplicaciones potenciales en ámbitos clínicos y deportivos.
URI:	https://ri-ng.uaq.mx/handle/123456789/12493
Aparece en:	Maestría en Ciencias (Mecatrónica)

Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.