Ítem
Acceso Abierto

EVA-PoseIA: Evaluación del Desempeño en Actividades de la Vida Diaria (AVD) mediante Pose e Inteligencia Artificial

Mostrar el registro sencillo de la publicación
dc.contributor.gruplacCiencias de la Rehabilitación
dc.contributor.smSemillero Inteligencia Artificial en Salud
dc.creatorJaramillo Isaza, Sebastián
dc.creatorOrjuela Cañon, Alvaro David
dc.creatorCardenas Sandoval, Rosy Paola
dc.creatorMartínez Martínez, Kevin
dc.creatorRamírez Larrarte, Gabriel
dc.creatorAlmonacid León, Valentina
dc.creatorLorena Sierra, Katherin
dc.creatorLizcano, María Fernada
dc.creatorEscalante Bernal, Sara Valentina
dc.creatorRamírez, Vanessa
dc.creatorAguía Rojas, Karen
dc.date.accessioned2025-10-21T21:12:48Z
dc.date.available2025-10-21T21:12:48Z
dc.date.created2025-10-20
dc.date.issued2025-10-21
dc.descriptionLa evaluación del desempeño en las Actividades de la Vida Diaria (AVD) es esencial para desarrollar abordajes enfocados en la ocupación y análisis biomecánico relacionado con desenlaces funcionales. Sin embargo, tradicionalmente este proceso ha dependido de la observación subjetiva con escalas estandarizadas como el Índice de Barthel o el FIM. Este proyecto interprofesional busca integrar una herramienta tecnológica basada en markerless motion tracking para obtener medidas objetivas de la ejecución de las AVD en entornos simulados o cotidianos. El análisis cinemático resulta en métricas que nutren el razonamiento profesional profesional de terapeutas ocupacionales y fisioterapeutas. El objetivo es desarrollar un sistema de tecnología markerless para registrar, analizar y cuantificar el desempeño en AVD, apoyando procesos de evaluación. La metodología se desarrolló en cuatro etapas: 1) Definición de la tecnología y desarrollo de software de captura de movimiento , 2) Selección de actividades de la vida diaria de alta frecuencia, relevancia ocupacional y variabilidad motora , 3) Cuantificación de variables biomecánicas mediante el análisis de características de las actividades, y 4) Correlación con escalas estandarizadas de independencia funcional y validación con profesionales. El proyecto es una colaboración interdisciplinar. Se logró el registro videográfico de AVD y AIVD y el desarrollo de un software de estimación de pose y motion tracking utilizando modelos de Inteligencia Artificial. Este permite el seguimiento del movimiento y el cálculo de rotaciones articulares , que brinda métricas relacionadas con el rango de movimiento, tiempo y velocidad de ejecución, y fluidez en los patrones de movimiento. Los resultados buscan correlacionarse con habilidades motoras y de procesamiento.
dc.description.abstractThe evaluation of performance in Activities of Daily Living (ADL) is essential for developing occupation-focused approaches and biomechanical analysis related to functional outcomes. However, traditionally this process has depended on subjective observation with standardized scales such as the Barthel Index or the FIM. This interprofessional project seeks to integrate a technological tool based on markerless motion tracking to obtain objective measures of ADL execution in simulated or everyday environments. The kinematic analysis results in metrics that nourish the professional reasoning of occupational therapists and physical therapists. The objective is to develop a markerless technology system to record, analyze, and quantify performance in ADL, supporting evaluation processes. The methodology was developed in four stages: 1) Definition of the technology and development of motion capture software, 2) Selection of daily living activities with high frequency, occupational relevance, and motor variability, 3) Quantification of biomechanical variables through the analysis of activity characteristics, and 4) Correlation with standardized scales of functional independence and validation with professionals. The project is an interdisciplinary collaboration. Videographic recording of ADL and IADL (Instrumental Activities of Daily Living) and the development of pose estimation and motion tracking software using Artificial Intelligence models were achieved. This allows movement tracking and the calculation of joint rotations, which provides metrics related to range of motion, time and speed of execution, and fluidity in movement patterns. The results seek correlation with motor and processing skills.
dc.format.extent1 pp
dc.format.extent3 minutos
dc.format.mimetypeapplication/pdf
dc.format.mimetypevideo/mp4
dc.identifier.doihttps://doi.org/10.48713/10336_46797
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/46797
dc.language.isospa
dc.publisherUniversidad del Rosario
dc.publisher.departmentEscuela de Medicina y Ciencias de la Salud
dc.publisher.programPrograma de Fisioterapia
dc.publisher.programPrograma de Ingeniería Biomédica
dc.publisher.programPrograma de Terapia Ocupacional
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.source.bibliographicCitationTanaka, N., Nakatsuka, M., Ishii, H., Nakayama, R., Hosaka, R., & Meguro, K. (2013). Clinical utility of the Functional Independence Measure for assessment of patients with Alzheimer’s disease and vascular dementia. Psychogeriatrics, 13(4), 199–205. https://doi.org/10.1111/psyg.12012
dc.source.bibliographicCitationSaito, T., Izawa, K. P., Omori, Y., & Watanabe, S. (2016). Functional Independence and Difficulty Scale: Instrument development and validity evaluation. Geriatrics and Gerontology International, 16(10), 1127–1137. https://doi.org/10.1111/ggi.12605
dc.source.bibliographicCitationStenum, J., Hsu, M. M., Pantelyat, A. Y., & Roemmich, R. T. (2024). Clinical gait analysis using video-based pose estimation: Multiple perspectives, clinical populations, and measuring change. PLOS Digital Health, 3(3). https://doi.org/10.1371/journal.pdig.0000467
dc.source.bibliographicCitationCao, Z., Hidalgo, G., Simon, T., Wei, S.-E., & Sheikh, Y. (2019). OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields. http://arxiv.org/abs/1812.08008
dc.source.bibliographicCitationMonteiro, B. C., Rogatto, F. B. T., Yoneyama, S. M., Menegatti, G., Rodrigues, S. P. N., de Castro, L. C. de A., & Silva, S. M. (2023). Linkage between International Classification of Functioning, Disability and Health Qualifiers and Functional Levels of the Functional Independence Measure: a Proposal for Applicability in Clinical Practice. Disability, CBR and Inclusive Development, 34(2), 48–64. https://doi.org/10.20372/dcidj.690
dc.source.bibliographicCitationVan Hooren, B., Pecasse, N., Meijer, K., & Essers, J. M. N. (2023). The accuracy of markerless motion capture combined with computer vision techniques for measuring running kinematics. Scandinavian Journal of Medicine and Science in Sports, 33(6), 966–978. https://doi.org/10.1111/sms.14319
dc.source.bibliographicCitationChoji, Y., & Kobayashi, R. (2023). Preliminary analysis of the clinical feasibility of a practice intervention derived from the occupational therapy intervention process model for patients with stroke in the convalescence stage. British Journal of Occupational Therapy, 86(3), 197–204. https://doi.org/10.1177/03080226221135373
dc.source.bibliographicCitationGates, D. H., Walters, L. S., Cowley, J., Wilken, J. M., & Resnik, L. (2015). Range of Motion Requirements for Upper-Limb Activities of Daily Living. The American Journal of Occupational Therapy, 70(1), 7001350010p1-7001350010p10. https://doi.org/10.5014/ajot.2016.015487
dc.source.bibliographicCitationHill, S. W., Mong, S., & Vo, Q. (2022). Three-Dimensional Motion Analysis for Occupational Therapy Upper Extremity Assessment and Rehabilitation: A Scoping Review. Open Journal of Occupational Therapy, 10(4), 1–14. https://doi.org/10.15453/2168-6408.1901
dc.source.bibliographicCitationJanssen, M., Harlaar, J., Koopman, B., & de Groot, I. (2017). Dynamic arm study: Quantitative description of upper extremity function and activity of boys and men with duchenne muscular dystrophy (vdc.100133573581.0x000001). 14(1), 1–14. https://research.ebsco.com/linkprocessor/plink?id=234da6f8-3c14-389e-baf3-4690398c3ff2
dc.source.bibliographicCitationWade, L., Needham, L., McGuigan, P., & Bilzon, J. (2022). Applications and limitations of current markerless motion capture methods for clinical gait biomechanics. PeerJ, 10, e12995. https://doi.org/10.7717/peerj.12995
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectActividades de la Vida Diaria (AVD)
dc.subjectPose
dc.subjectInteligencia Artificial (IA)
dc.subjectEvaluación de desempeño
dc.subjectMarkerless Motion Tracking
dc.subjectAnálisis cinemático
dc.subjectTerapia ocupacional
dc.subjectFisioterapia
dc.subjectIngeniería biomédica
dc.subject.keywordActivities of Daily Living (ADL)
dc.subject.keywordPose
dc.subject.keywordArtificial Intelligence (AI)
dc.subject.keywordPerformance Evaluation
dc.subject.keywordMarkerless Motion Tracking
dc.subject.keywordKinematic Analysis
dc.subject.keywordOccupational Therapy
dc.subject.keywordPhysical Therapy
dc.subject.keywordBiomedical Engineering
dc.titleEVA-PoseIA: Evaluación del Desempeño en Actividades de la Vida Diaria (AVD) mediante Pose e Inteligencia Artificial
dc.title.TranslatedTitleEVA-PoseIA: ADL Performance Evaluation using Pose Estimation and AI
dc.title.alternativeEVA-PoseIA: Evaluación de AVD basada en Pose e IA
dc.typereport
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaVideo
local.department.reportEscuela de Medicina y Ciencias de la Salud
Archivos
Bloque original
Mostrando1 - 2 de 2
Miniatura
Nombre:
EVA-PoseIA.pdf
Tamaño:
3.42 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
EVA-PoseIA.mp4
Tamaño:
83.2 MB
Formato:
video/mp4
Descripción:
Descargar
Colecciones
X Encuentro de Semilleros de Investigación / Creación