Estimación de la postura corporal en un sistema embebido Raspberry Pi empleando técnicas de visión artificial

Autores/as

DOI:

https://doi.org/10.35290/ro.v2n1.2021.380

Palabras clave:

binarización, imágenes, numpy, OpenCV, Raspberry Pi

Resumen

Los sistemas que se emplean para la captura de movimiento o conocidos como análisis de marcha, generalmente emplean dispositivos dedicados que en el mercado se comercializan a elevados precios. En los últimos años, las empresas enfocadas en la fabricación e implementación de laboratorios de marcha han centrado sus esfuerzos en crear dispositivos de medición y emisión de reportes que sean portables y ocupen un mínimo de espacio; sin embargo, las innovaciones tecnológicas planteadas por empresas dedicadas al campo de la biomedicina resultan ser cerradas y con limitaciones de compatibilidad. Es decir, que en casos en los que se requiera la expansión del laboratorio, resulta necesario la adquisición de equipos de la misma marca, lo que implica costos elevados. Ante esta problemática, se plantea el uso de sistemas embebidos Raspberry Pi, que, a través de técnicas y librerías de visión artificial, establecen un análisis de marcha con precisión y mayores prestaciones al ser un sistema de código abierto. Asimismo, a través de técnicas de visión artificial se pueda capturar y procesar una imagen binarizada. El empleo de librearías OpenCV para ubicar marcadores y delimitar una región de interés consolidan un sistema compacto y portable para capturar el movimiento corporal en tiempo real, y en espacios no restringidos.

Citas

Arenas-Ortiz, L., & Cantú-Gómez, Ó. (2013). Factores de riesgo de trastornos músculo-esqueléticos crónicos laborales. Medicina Interna de México, 370-379.

Coloma Coloma, M. A. (2019). Trastornos musculoesqueléticos de posible origen laboral asociado a posturas forzadas en el personal operativo de limpieza del Ministerio de Agricultura y Ganadería del Ecuador–Quito. Facultad de Ciencias del Trabajo y Comportamiento Humano, 1(1), 1-6.

Comisión Nacional de Seguridad y Salud en el Trabajo. (2008). Enfermedades Profesionales de los Agricultores. Grupo de Trabajo "Sector Agrario", 1(1), 1-36.

D.A. Bravo M, C. R. (2016). Comparación de dos Sistemas de Captura de Movimiento por medio de las Trayectorias Articulares de Marcha. Revista Mexicana de Ingeniería Biomédica, 37(2), 149-160.

Faisal, A. I., Majumder, S., Mondal, T., Cowan, D., Naseh, S., & Deen, M. J. (2019). Monitoring methods of human body joints: State-of-the-art and research challenges. Sensors, 19(11), 2629. https://doi.org/10.3390/s19112629

Guerrero Aguirre, A., & Ramos Giraldo, P. J. (2014). Sistema embebido de bajo costo para visión artificial. Scientia et Technica Año XIX, 163-173.

Luttmann, A., Jager, M., Griefahn, B., & Caffer, G. (2004). Prevención de Trastornos muscoloesqueleticos en el lugar de trabajo. Berlín: Serie protección de salud de los trabajadores.

Organización Mundial de la Salud. (9 de Agosto de 2019). Trastornos musculoesqueléticos. Recuperado el 22 de Junio de 2020, de https://www.who.int/es/news-room/fact-sheets/detail/musculoskeletal-conditions

Pérez, M., Cavanzo Nisso, G. A., & Villavisán Buitrago, F. (2018). Sistema embebido de detección de movimiento mediante visión artificial. Visión Eléctróncia, 97-101. https://doi.org/10.14483/22484728.15087

Raju J.B.V.P., Reddy Y.C., G P.R. (2020) Smart Posture Detection and Correction System Using Skeletal Points Extraction. In: Satapathy S.C., Raju K.S., Shyamala K., Krishna D.R., Favorskaya M.N. (eds) Advances in Decision Sciences, Image Processing, Security and Computer Vision. Learning and Analytics in Intelligent Systems, vol 3. Springer, Cham. https://doi.org/10.1007/978-3-030-24322-7_23

Sandoval, S. (2017). Trastornos musculoesqueléticos de origen laboral en el cuello y las extremidades superiores de los fisioterapeutas en Cataluña. Cataluña: Universitat de Lleida.

Shilpashree, K. S., Lokesha, H., & Shivkumar, H. (2015). Implementation of image processing on Raspberry Pi. International Journal of Advanced Research in Computer and Communication Engineering, 4(5), 199-202. https://doi.org/10.17148/IJARCCE.2015.4545

Vergara, T. A., & Dixon, C. S. G. (2005). Sistema de reconocimiento de posturas del cuerpo humano. Pontificia Universidad Javeriana., 1 (1), 1-6.

Publicado

2021-02-10

Cómo citar

Vargas Guevara, C. L. ., Guevara Aulestia, D. O. ., Ciaccia , M. A. ., & San Antonio, T. . (2021). Estimación de la postura corporal en un sistema embebido Raspberry Pi empleando técnicas de visión artificial. REVISTA ODIGOS, 2(1), 9–20. https://doi.org/10.35290/ro.v2n1.2021.380

Número

Sección

Artículos