Advancing Patient Care: Synthetic Data Generation and Human Action Recognition for Early Screening and Patient Monitoring

Abstract

Aquesta tesi explora l'ús de la intel·ligència artificial i les metodologies de visió per computador per millorar el procés de rehabilitació de persones amb discapacitat cognitiva. Això implica detectar els moviments amb propòsit tant de subjectes sans com de persones amb discapacitats en un entorn experimental controlat. L'objectiu és realitzar el Reconeixement d'Activitat Humana en un entorn no restringit. A més, aquesta tesi analitza la cinemàtica d'aquests moviments per avaluar les millores en el sistema neuromotor humà.

A més, aquesta tesi explora la generació de dades sintètiques guiades per a moviments en l'aire relacionats amb trastorns degeneratius, concretament la malaltia d'Alzheimer. Així mateix, s'ha desenvolupat un enfocament sintètic controlat per a aquest propòsit. Finalment, aquest estudi presenta un mètode innovador no supervisat per generar trajectòries de moviments humans.

Paraules clau: Reconeixement d'Activitat Humana, Model Computacional Cinemàtic, Aprenentatge Profund, Aprenentatge Automàtic, Generació Sintètica d'Escriptura a Mà, Generació Cinemàtica Controlada, Suavitat del Moviment, Accident Cerebrovascular, Malalties Neurodegeneratives.

Esta tesis explora el uso de la inteligencia artificial y las metodologías de visión por computador para mejorar el proceso de rehabilitación de personas con discapacidad cognitiva. Esto implica detectar los movimientos con propósito tanto de sujetos sanos como de personas con discapacidad en un entorno experimental controlado. El objetivo es realizar el Reconocimiento de Actividad Humana en un entorno no restringido. Además esta tesis analiza la cinemática de estos movimientos para evaluar las mejoras en el sistema neuromotor humano.

Además, esta tesis explora la generación de datos sintéticos guiados para movimientos en el aire relacionados con trastornos degenerativos, concretamente la enfermedad de Alzheimer. Asimismo, se ha desarrollado un enfoque sintético controlado para ese propósito. Por último, este estudio presenta un método innovador no supervisado para generar trayectorias de movimientos humanos.

Palabras clave: Reconocimiento de Actividad Humana, Modelo Computacional Cinemático, Aprendizaje Profundo, Aprendizaje Automático, Generación Sintética de Escritura a Mano, Generación Cinemática Controlada, Suavidad del Movimiento, Accidente Cerebrovascular, Enfermedades Neurodegenerativas.

This thesis explores the use of Artificial Intelligence and computer vision methodologies to enhance the rehabilitation process of individuals with cognitive impairment. This involves detecting the purposeful movements of both healthy subjects and those with impairments in a controlled experimental environment. The goal is to perform Human Activity Recognition in an unconstrained setting. Furthermore, this thesis analyzes the kinematics of these movements to evaluate the improvements in the human neuromotor system. Additionally, this thesis explores guided synthetic data generation for in-air movements related to degenerative disorders, specifically Alzheimer’s disease. In addition, a controlled synthetic approach has been developed for this purpose. Finally, this study presents an innovative unsupervised method for generating human movement trajectories. Keywords: Human Activity Recognition, Kinematic Computational Model, Deep Learning, Machine learning, Synthetic Handwriting Generation, Kinematic controlled Generation, Movement Smoothness, Stroke, Neurodegenerative Diseases.