| Tesis Doctorales de la Universidad de Alcalá |
| ASSESSMENT OF ARTIFICIAL NEURAL NETWORKS APPLIED TO BIOMECHANICS TO PREDICT KINETIC DATA FROM KINEMATIC VARIABLES | | Autor/a | Cordero Sánchez, Juan | | Departamento | Enfermería y Fisioterapia | | Director/a | SERRANCOLI MASFERRER, GIL | | Fecha de defensa | 08-07-2026 | | Calificación | Sobresaliente cum laude | | Programa | Biomecánica y Bioingeniería Aplicadas a la Salud (RD 99/2011) | | Mención internacional | No | | Resumen | Estimar de forma precisa variables biomecánicas dinámicas, como las fuerzas de reacción del suelo (GRFs), los momentos articulares netos y las fuerzas de contacto, es esencial para comprender el movimiento humano, optimizar el rendimiento deportivo y prevenir lesiones. Sin embargo, los enfoques tradicionales basados en modelos físicos dependen de instrumentación de laboratorio y de procedimientos de modelado complejos, lo que limita su aplicabilidad fuera de entornos controlados. Por lo tanto, esta tesis investiga la viabilidad, la precisión y la capacidad de generalización de métodos basados en redes neuronales artificiales (ANNs) para estimar variables dinámicas del movimiento humano a partir de datos cinemáticos en diferentes acciones deportivas. Con este propósito, se desarrollaron y validaron modelos de aprendizaje automático supervisado, incluyendo redes neuronales feedforward y recurrentes (RNNs), utilizando conjuntos de datos obtenidos mediante captura de movimiento inercial y óptica, pedales instrumentados, plataformas de fuerza, sensores de presión y coordenadas de puntos anatómicos del cuerpo humano extraídas de vídeos. El primer estudio analiza la influencia de distintas combinaciones de variables cinemáticas de entrada de las ANNs sobre la precisión de las predicciones durante la carrera en cinta y suelo, usando redes neuronales feedforward. Los modelos procesaron todos los frames de entrada de cada muestra de manera conjunta y revelaron que los ángulos articulares por sí solos suelen contener información suficiente para predecir con precisión las fuerzas de reacción del suelo y los momentos articulares netos de las extremidades inferiores, sin beneficios consistentes al incluir velocidades o aceleraciones articulares. En el segundo estudio, usando los mismos datos del Estudio 1, se compararon las predicciones de las RNNs con las obtenidas mediante un modelo esquelético, mostrando errores de predicción comparables o inferiores en las RNNs, especialmente en escenarios donde la precisión de la dinámica inversa se ve afectada por suposiciones de modelado y ruido en las mediciones. El tercer estudio aplicó las RNNs al ciclismo, logrando predecir con éxito las fuerzas de pedaleo en tres dimensiones, momentos articulares netos y potencias articulares a partir de entradas cinemáticas. Por último, el estudio 4 exploró la predicción de fuerzas de contacto durante la melé de rugby en condiciones reales de juego directamente a partir de datos de vídeo, destacando la capacidad de las RNNs para capturar variables dinámicas altamente no lineales y dominadas por impactos en entornos reales, con un error de predicción inferior al 10%. En conjunto, los resultados demuestran que los enfoques basados en ANNs proporcionan una solución robusta y escalable que complementa a los modelos biomecánicos tradicionales, permitiendo la estimación fiable de variables dinámicas fuera del laboratorio y apoyando aplicaciones prácticas en la monitorización del rendimiento deportivo, la prevención de lesiones y la rehabilitación. |
|
