Desarrollo de una herramienta para la clasificación de movimientos de la mano asociados al síndrome del túnel carpiano mediante aprendizaje automático

Arango Valencia, Karen Nicolle

Desarrollo de una herramienta para la clasificación de movimientos de la mano asociados al síndrome del túnel carpiano mediante aprendizaje automático

dc.contributor.advisor	Palacios Duarte, Juan Esteban
dc.contributor.advisor	Corchuelo Guzmán, Valentina
dc.contributor.author	Arango Valencia, Karen Nicolle
dc.date.accessioned	2026-02-17T19:16:14Z
dc.date.available	2026-02-17T19:16:14Z
dc.date.issued	2025
dc.description.abstract	El síndrome del túnel carpiano (STC) es una neuropatía que se genera por la compresión del nervio mediano y compromete la función de la mano constituyendo una causa frecuente de ausentismo laboral. Su detección temprana es limitada por la falta de herramientas objetivas para evaluar patrones de movimiento asociados al riesgo biomecánico. En este proyecto se desarrolla una herramienta para clasificar movimientos de la mano vinculados al STC a partir de señales de sEMG y aprendizaje automático. A partir de una revisión de repositorios públicos y empleando el Proceso Analítico Jerárquico (AHP), se seleccionó NinaPro DB2 (Ejercicio B), que incluye movimientos funcionales con gestos de riesgo como la flexión, extensión y desviaciones de la muñeca. Las señales provenientes de la base de datos se filtraron (20–450 Hz, notch 50 Hz), normalizaron mediante Z-score y segmentaron en 44 526 ventanas, con un desbalance de clases cercano a 1:4 (riesgo vs. seguro). Se entrenaron modelos clásicos basados en 144 características (Ensemble Subspace KNN y Random Forest) y modelos profundos sobre secuencias crudas (CNN-LSTM y BiLSTM), evaluando distintas estrategias de balanceo: sobremuestreo sintético en ML y data augmentation temporal y Focal Loss en DL. Los resultados muestran que el desempeño depende fuertemente del tratamiento del desbalance. Con ADASYN, el modelo Random Forest alcanzó un AUC de 0.906, una sensibilidad del 86% para la clase de riesgo y un F1-score de 0.83, siendo el clasificador más robusto. En los modelos profundos, la mejor configuración se obtuvo combinando únicamente data augmentation (jittering, scaling y time-warping), donde la CNN-LSTM alcanzó un AUC de 0.764, una sensibilidad cercana al 61% y un F1-score de 0.62, mientras que el BiLSTM logró una sensibilidad del 65% y un F1-score de 0.59. En conjunto, los modelos clásicos con sobremuestreo sintético capturan con mayor eficacia las diferencias entre movimientos seguros y de riesgo en bases con variabilidad temporal limitada. El sistema se integró en un prototipo funcional con backend en Flask e interfaz web, que replica el preprocesamiento y permite realizar inferencia sobre nuevas señales sEMG. Los resultados demuestran la viabilidad de un enfoque no invasivo para monitorear patrones motores asociados al riesgo de STC y sientan las bases para herramientas de prevención accesibles en entornos ocupacionales.	spa
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero(a)biomédico(a)
dc.format.extent	144 p.
dc.format.mimetype	application/pdf
dc.identifier.uri	http://hdl.handle.net/11522/5327
dc.language.iso	spa
dc.publisher	Pontificia Universidad Javeriana Cali
dc.publisher.department	Facultad de Ingeniería y Ciencias
dc.publisher.program	Ingeniería Biomédica
dc.rights.accessrights	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject	Aprendizaje automático	spa
dc.subject	Clasificación de movimientos	spa
dc.subject	Electromiografía de superficie	spa
dc.subject	Salud ocupacional	spa
dc.subject	Síndrome del túnel carpiano	spa
dc.subject	Machine learning	eng
dc.subject	Movement classification	eng
dc.subject	Surface electromyography	eng
dc.subject	Occupational health	eng
dc.subject	Carpal tunnel syndrome	eng
dc.title	Desarrollo de una herramienta para la clasificación de movimientos de la mano asociados al síndrome del túnel carpiano mediante aprendizaje automático	spa
dc.type	bachelor thesis
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcol	https://purl.org/redcol/resource_type/TP