17.1d Analisis Marcha PDF

Instituto Tecnolgico y de Estudios
Superiores de Monterrey
Campus Guadalajara

Escuela de Graduados en Ingeniera y
Arquitectura (EGIA)

Maestra en Ciencias con Especialidad en
Sistemas de Calidad y Productividad

Metodologa para el anlisis de la
marcha: utilizando MOCAP y una
tcnica estadstica multivariante

AUTOR: Ing. Carmen Almeida Ariza Cceres
ASESOR: Dr. Marco Antonio de Luna Llamas

Guadalajara (Jal), Mxico, 31 de Octubre de 2012

ii

DEDICATORIA

Para mi familia por ser un ejemplo de superacin y tenacidad en la vida, en especial a mi madre
por su amor, entrega, ejemplo y constancia en la formacin de sus hijos.

iii

AGRADECIMIENTOS

Todo proyecto es una colaboracin.
Quiero dar las gracias a mi familia por confiar en m y por el apoyo incondicional que me
han brindado durante toda mi vida. Ustedes han sido mi motivacin e inspiracin para alcanzar
este objetivo.
Al Instituto Tecnolgico y de Estudios Superiores de Monterrey Campus Guadalajara por
facilitarme los recursos necesarios para desarrollar este proyecto, as como a los docentes e
investigadores que contribuyeron a mi aprendizaje durante la maestra.
Al Dr. Marco Antonio de Luna por sus orientaciones y asesoras para llevar a cabo este
proyecto; por su compromiso como tutor y por su objetividad crtica que me permiti dar buen
trmino a este trabajo.
A mis amigos por brindarme su apoyo y por compartir conmigo su entusiasmo, alegra y
perseverancia.

iv

RESUMEN

A pesar de que los sistemas de anlisis de la marcha se utilizan con frecuencia en la
investigacin, los terapeutas y mdicos utilizan principalmente el anlisis observacional y
experiencia (enfoque cualitativo) para identificar desviaciones en la marcha sus pacientes. Para
ello utilizan escalas de valoracin funcional o patrones funcionales, pero no valores cuantitativos.
Como en todas las medidas clnicas, la precisin y confiabilidad del anlisis es esencial para
asegurar la prctica clnica ptima y en este caso, queda a la experiencia del mdico.

En este trabajo se presenta una propuesta metodolgica para analizar la marcha a partir de
los datos obtenidos con el Mocap (Motion Capture). La metodologa se propone como una
herramienta de evaluacin de la evolucin en terapias de rehabilitacin locomotora, no slo
considerando el desempeo de las extremidades inferiores sino, simultneamente las dems
partes del cuerpo (el desempeo del cuerpo completo).

La metodologa desarrollada utiliza la tcnica estadstica de componentes principales (PC)
y se divide en tres etapas. En la etapa 1 se obtienen los datos considerando todas las partes del
cuerpo (53 marcadores) en un laboratorio Mocap. En la etapa 2 se aplica PC a los datos obtenidos
en la etapa 1 (159 variables que representan los 53 marcadores en los ejes XYZ). En la etapa 3 se
comparan los resultados obtenidos de aplicar la etapa 1 y la etapa 2 durante el proceso de
rehabilitacin, con el propsito de cuantificar la brecha existente y as evaluar la evolucin del
paciente en proceso de rehabilitacin. En esta etapa, el mdico puede diagnosticar y proponer
posibles cambios en el tratamiento.

v

Dentro de los resultados obtenidos, se logr analizar el movimiento de la marcha a partir de
la tcnica de componentes principales mediante la representacin adecuada de la informacin
(159 variables) con un nmero menor de variables construidas como combinaciones lineales de
las originales. Adems se consigui cuantificar la brecha existente en dos momentos del proceso
de rehabilitacin y se valid la aplicacin de dicha metodologa con cuatro personas con la
misma discapacidad, encontrando patrones interesantes de comportamiento y desempeo. Lo
anterior, permitira contribuir a mejorar el anlisis y diagnstico de mdicos y terapeutas y
mejorar el proceso de rehabilitacin del paciente.

vi

CONTENIDO

DEDICATORIA .............................................................................................................................. ii
AGRADECIMIENTOS .................................................................................................................. iii
RESUMEN ..................................................................................................................................... iv
LISTA DE TABLAS .................................................................................................................... viii
LISTA DE FIGURAS ..................................................................................................................... x
Introduccin ..................................................................................................................................... 1
1.1 Antecedentes ..................................................................................................................... 1
1.2 Definicin del problema ................................................................................................... 4
1.3 Objetivo ............................................................................................................................ 7
1.3.1 Objetivos especficos ................................................................................................. 7
1.4 Alcance ............................................................................................................................. 7
1.5 Limitaciones ...................................................................................................................... 7
1.6 Hiptesis ........................................................................................................................... 8
1.7 Metodologa ...................................................................................................................... 8
Marco Terico ............................................................................................................................... 11
2.1 Anlisis estadstico multivariante ................................................................................... 12
2.1.1 Tcnicas estadsticas multivariantes ........................................................................ 13
2.1.2 Aplicaciones de tcnicas multivariantes en anlisis de movimiento y biomedicina 14
2.2 Anlisis de la marcha ...................................................................................................... 15
2.2.1 Ciclo de la marcha ................................................................................................... 16
2.2.2 Protocolo de marcha ................................................................................................ 18
2.2.3 Consideraciones para la configuracin del laboratorio ........................................... 19
2.2.4 Consideraciones para el proceso de adquisicin de los datos ................................. 22
2.2.5 Consideraciones para el anlisis de resultados ........................................................ 24
Definicin de la metodologa ........................................................................................................ 26
3.1 Metodologa propuesta para el anlisis multivariante del movimiento de la marcha ..... 27
3.1.1 Etapa 1: Captura de los datos .................................................................................. 33

vii

3.1.2 Etapa 2: Anlisis de los datos .................................................................................. 38
3.1.3 Etapa 3: Comparacin movimientos de caminar con discapacidad y caminar sin
discapacidad ........................................................................................................................... 43
3.2 Aplicacin de la metodologa ......................................................................................... 49
Comparacin de la metodologa con diferentes personas ............................................................. 98
CONCLUSIONES ....................................................................................................................... 134
TRABAJOS FUTUROS .............................................................................................................. 136
BIBLIOGRAFA ......................................................................................................................... 137
APNDICE A ............................................................................................................................. 140
APNDICE B .............................................................................................................................. 144
APNDICE C .............................................................................................................................. 145

viii

LISTA DE TABLAS

Tabla 1. Agrupacin de los 53 marcadores por partes del cuerpo ................................................. 41
Tabla 2. Nombre de los marcadores segn Vicon Skeleton Template (VSK) ............................... 52
Tabla 3. Frames y duracin de pruebas capturadas con el Mocap ................................................ 53
Tabla 4. Frames que corresponden al ciclo de la marcha de 'Carmen'.......................................... 56
Tabla 5. Resumen componentes extrados movimiento de caminar sin discapacidad 'Carmen' ... 58
Tabla 6. Nmero de componentes extrados para el movimiento caminar sin discapacidad
'Carmen' ......................................................................................................................................... 58
Tabla 7. Resumen componentes extrados movimiento de caminar con discapacidad 'Carmen' .. 59
Tabla 8-A. Nmero componentes principales extrados para el movimiento caminar con
discapacidad 'Carmen' ................................................................................................................... 59
Tabla 8-B. Nmero componentes principales extrados para el movimiento caminar con
Tabla 9. Nmero componentes principales retenidos para el movimiento caminar sin
Tabla 10. Nmero componentes principales retenidos para el movimiento caminar con
Tabla 11. Tabla de pesos de los componentes retenidos de los dos movimientos 'Carmen' ......... 66
Tabla 12. Variables de mayor peso componente 1 de caminar sin discapacidad 'Carmen' ........... 68
Tabla 13. Variables de mayor peso componente 2 de caminar sin discapacidad 'Carmen' ........... 69
Tabla 14. Variables de mayor peso componente 1 de caminar con discapacidad 'Carmen' .......... 70
Tabla 15-A. Variables de mayor peso componente 2 de caminar con discapacidad 'Carmen' ..... 70
Tabla 15-B. Variables de mayor peso componente 2 de caminar con discapacidad 'Carmen' ...... 71
Tabla 16. Seccin de los scores obtenidos para el componente 1 de caminar sin discapacidad
'Carmen' ......................................................................................................................................... 72
Tabla 18. Variables de las ecuaciones lineales de los componentes retenidos para el movimiento
de caminar sin discapacidad 'Carmen' ........................................................................................... 81
Tabla 18. rea y brecha por cuadrante 'Carmen' en unidades de rea cuadrada ........................... 96
Tabla 19. Frames obtenidos con el Mocap para las 4 personas .................................................... 99

ix

Tabla 20. Frames que corresponden al ciclo de la marcha para las 4 personas ............................ 99
Tabla 21. Total de datos a analizar de los movimientos de caminar sin discapacidad y caminar
con discapacidad para las 4 personas .......................................................................................... 100
Tabla 22. Resumen componentes extrados movimiento de caminar sin discapacidad para las 4
personas ....................................................................................................................................... 101
Tabla 23. Comparacin nmero de componentes principales extrados para el movimiento
caminar sin discapacidad para las 4 personas .............................................................................. 102
Tabla 24. Resumen componentes extrados movimiento de caminar con discapacidad para las 4
personas ....................................................................................................................................... 103
caminar con discapacidad para las 4 personas............................................................................. 104
Tabla 26. Componentes determinados para las 4 personas ......................................................... 105
Tabla 27. Comparacin pesos de los componentes de caminar sin discapacidad para las 4
personas ....................................................................................................................................... 110
Tabla 28. Comparacin pesos componentes caminar con discapacidad para las 4 personas ...... 114
Tabla 29. Nombres de los componentes por persona .................................................................. 115
Tabla 30. Tamao de las matrices de datos estandarizados de caminar sin discapacidad para las 4
personas ....................................................................................................................................... 121
Tabla 31. Variables originales que pertenecen a las ecuaciones lineales ajustadas del componente
1 retenido de caminar con discapacidad para las 4 personas ....................................................... 122
Tabla 32. Variables originales que pertenecen a las ecuaciones lineales ajustadas del componente
2 retenido de caminar con discapacidad para las 4 personas ....................................................... 122
Tabla 33. Tamao de las matrices de datos estandarizados de caminar con discapacidad para las 4
personas ....................................................................................................................................... 125
Tabla 34. rea por cuadrante de los dos movimientos para las 4 personas ................................ 130

x

LISTA DE FIGURAS

Figura 1. Porcentaje de poblacin por tipo de discapacidad, 2000 (INEGI, 2004) ......................... 2
Figura 2. Mapa conceptual del proyecto ......................................................................................... 6
Figura 3. Anlisis multivariante aplicado a marcadores genticos (Jombart et al., 2009) ............ 15
Figura 4. Fases del ciclo de la marcha (Igual C et al., 1996) ........................................................ 17
Figura 5. Parmetros de la Marcha (Moreno et al., 2008) ............................................................. 20
Figura 6. Ejemplos grficas cinemticas y cinticas (Moreno et al., 2008) .................................. 21
Figura 7. Registro en 3D de la marcha del paciente con el programa Gaitlab (Anny Sonja Wendt,
s. f.) ................................................................................................................................................ 21
Figura 8. Resultados del anlisis de la marcha 3D con curvas de movimiento articular (Gaitlab)
(Anny Sonja Wendt, s. f.) .............................................................................................................. 22
Figura 9. Pantalla del Software AS202 (Anny Sonja Wendt, s. f.) ............................................... 22
Figura 10. Etapa 1: Captura de los datos ....................................................................................... 29
Figura 11. Etapa 2: Anlisis de los datos ...................................................................................... 30
Figura 12-A. Etapa 3: Comparacin de los movimientos de caminar con discapacidad y caminar
sin discapacidad ............................................................................................................................. 31
Figura 12-B. Continuacin etapa 3: Comparacin de los movimientos de caminar con
discapacidad y caminar sin discapacidad ...................................................................................... 32
Figura 13. Posicin de los marcadores parte posterior 1 ............................................................... 34
Figura 14. Posicin de los marcadores parte posterior 2 ............................................................... 34
Figura 15. Posicin de los marcadores en los pies ........................................................................ 34
Figura 16. Posicin de los marcadores parte frontal 1 .................................................................. 34
Figura 17. Posicin de los marcadores parte frontal 2 .................................................................. 35
Figura 18. Posicin de los marcadores costado izquierdo ............................................................. 35
Figura 19. Posicin de los marcadores costado derecho ............................................................... 35
Figura 20. Ejemplo resultados de la calibracin de las cmaras en Vicon Blade .......................... 36
Figura 21. Ejemplo resultados de la calibracin de las cmaras en Vicon Blade .......................... 36
Figura 22. Plano cartesiano y cuadrantes ...................................................................................... 48

xi

Figura 23. Ejemplo clculo de rea en cada cuadrante.................................................................. 49
Figura 24. 'Carmen' con traje y marcadores .................................................................................. 50
Figura 25. Esqueleto de 'Carmen' reconstruido en 3D con el software Vicon Blade .................... 51
Figura 27. Proyeccin de los datos sobre el plano definido para las dos primeras componentes
principales caminar sin discapacidad 'Carmen' ............................................................................. 73
Figura 28. Proyeccin de los datos del MOCAP sobre el plano definido para las dos primeras
componentes principales caminar con discapacidad 'Carmen' ...................................................... 74
Figura 29. Ejemplos de grficas de dispersin de otros componentes retenidos .......................... 75
Figura 30. Seccin matriz de datos caminar sin discapacidad 'Carmen' calculando la media y
desviacin estndar ........................................................................................................................ 80
Figura 31. Seccin matriz de datos estandarizados caminar sin discapacidad 'Carmen' ............... 80
Figura 32. Seccin matriz de datos estandarizados caminar sin discapacidad 'Carmen' con
variables seleccionadas .................................................................................................................. 82
Figura 33. Matriz A - componente 1 ............................................................................................. 84
Figura 34. Matriz B - Componente 1 ............................................................................................. 84
Figura 35. Vector C de resultados (seccin) Componente 1 ...................................................... 85
Figura 36. Matriz A Componente 2 ............................................................................................ 85
Figura 37. Matriz B Componente 2 ............................................................................................ 86
Figura 38. Vector C de resultados (seccin) Componente 2 ...................................................... 87
Figura 39. Seccin matriz de datos caminar con discapacidad 'Carmen' calculando la media y
desviacin estndar ........................................................................................................................ 88
Figura 40. Seccin matriz de datos estandarizados caminar con discapacidad 'Carmen' .............. 88
Figura 41. Seccin matriz de datos estandarizados caminar con discapacidad 'Carmen' con
variables seleccionadas .................................................................................................................. 89
Figura 42. Comparacin de los dos movimientos para las dos primeras componentes principales
'Carmen' ......................................................................................................................................... 91
Figura 43. Ejemplos grficos de dispersin de los dems componentes retenidos ....................... 93
Figura 44. Clculo de reas segn los scores de las dos primeras componentes principales para el
movimiento con datos de caminar sin discapacidad 'Carmen' (seccin) ....................................... 95
movimiento con datos de caminar con discapacidad 'Carmen' (seccin) ...................................... 95
Figura 46-B. Grficas de dispersin de componentes 1 y 2 de los dos movimientos para las 4
personas ....................................................................................................................................... 118
Figura 47- B. Grficos de dispersin comparacin movimientos para las 4 personas ................ 128

CAPTULO 1

Introduccin

1.1 Antecedentes

En el mundo viven ms de mil millones de personas con alguna forma de discapacidad; de ellas,
casi 200 millones experimentan dificultades considerables en su funcionamiento. Esta cifra
representa alrededor del 15% de la poblacin mundial, segn las estimaciones de la poblacin
mundial en 2010, y es superior a las estimaciones previas de la Organizacin Mundial de la
Salud, correspondiente a los aos 1970, que eran de aproximadamente un 10% (OMS | Informe
mundial sobre la discapacidad, 2012).

En los prximos aos, la discapacidad ser un motivo de mayor atencin en el mundo pues su
prevalencia est aumentando, es decir existe un incremento real en la proporcin de personas que
en un rea geogrfica y perodos de tiempo establecidos sufren una determinada enfermedad
(OMS | Informe mundial sobre la discapacidad, 2012). Esto es debido, entre otras causas, al
envejecimiento de la poblacin y al riesgo asociado de discapacidad, as como al aumento
mundial de enfermedades crnicas como la diabetes, cncer, trastornos de salud mental y
enfermedades cardiovasculares, las cuales sumadas a las consecuencias de catstrofes naturales,
accidentes de trnsito, epidemias y guerras pueden causar discapacidades en las personas.

Adems de establecer una aproximacin sobre el nmero de personas con discapacidad y sus
causas, tambin es importante conocer el tipo de discapacidad que se presenta en mayor medida.
En el caso de Mxico, el Censo General de Poblacin y Vivienda del 2000 consider cinco tipo
de discapacidad: motriz, visual, mental, auditiva y de lenguaje, agrupando el resto de los tipos de
en una categora denominada otro tipo de discapacidad.
Captulo 1. I ntroduccin 2

De acuerdo con esta clasificacin el tipo de discapacidad que se presenta con mayor frecuencia es
la motriz (45.3%), como se muestra en la figura 1, la cual agrupa discapacidades msculo-
esquelticas y las neuromotrices. Las primeras se refieren a la dificultad que enfrenta una persona
para moverse, caminar, mantener algunas posturas, as como las limitaciones en habilidades
manipulativas como agarrar o sostener objetos. Las neuromotrices son aquellas que dificultan la
movilidad de algn segmento corporal a consecuencia de un dao neurolgico, incluyendo las
secuelas de traumatismos y de algunas enfermedades como la poliomielitis, las lesiones
medulares y distrofia muscular (INEGI, 2004).

Figura 1. Porcentaje de poblacin por tipo de discapacidad, 2000 (INEGI, 2004)

En este trabajo es de inters la discapacidad msculo esqueltica, dentro de la cual se encuentra la
discapacidad locomotora. Segn (Odding, Valkenburg, Stam, & Hofman, 2001), la discapacidad
locomotora puede ser definida como la dificultad de realizar actividades de la vida diaria
relacionadas con el funcionamiento de los miembros inferiores, que pueden ser consecuencia de
enfermedades e impedimentos del sistema cardiovascular, pulmonar, nervioso, sensorial y
musculoesqueltico.

Con el fin de aclarar el concepto de locomocin, DeLisa (DeLisa, 1998) lo define como el
proceso continuo por el cual nos movemos de una posicin a otra, desde estar de pie hasta
caminar o correr, e involucra movimientos como arrancar, parar, cambiar de direccin y variar la

velocidad. Segn DeLisa, el dominio de la locomocin en los seres humanos parece ser una
actividad aprendida y como consecuencia cada ser humano tiene peculiaridades diferentes que
son definidas en un patrn estndar de locomocin bpeda. Por lo tanto, en el anlisis de la
marcha, se debe explicar las similitudes as como las diferencias entre los individuos y describir
cmo estas variaciones pueden representar un impedimento o discapacidad. En este trabajo, la
explicacin sobre similitudes y diferencias entre los movimientos de la marcha de cuatro
personas se realiza en el captulo 4. En dicho captulo tambin se comparan los resultados de
aplicar la metodologa propuesta para el anlisis de la marcha de las 4 personas.

Actualmente, el desempeo en las terapias de rehabilitacin del aparato locomotor se mide en
trminos de parmetros o valoraciones funcionales sobre el rendimiento del paciente y en el
restablecimiento de la movilidad de una parte del cuerpo. Estas valoraciones funcionales, son
obtenidas a travs de un examen fsico en el que se consideran tems como: 1.- la valoracin
muscular; 2.- la valoracin de amplitud articular; 3.- el desarrollo de las actividades de la vida
diaria; 4.- el control voluntario de la postura y de los movimientos y 5.- la observacin de cmo
se desplaza el paciente (camilla, silla de ruedas, gateo, etc.). Algunos de estos aspectos son
evaluados por observacin, aunque existen equipos especializados para hacer evaluaciones ms
objetivas. Para cuantificar cada uno de estos tems, el mdico rehabilitador utiliza escalas de
valoracin funcional utilizando parmetros no estndar y generalmente subjetivos (OMS |
Informe mundial sobre la discapacidad, 2012).

Los laboratorios de marcha y movimiento humano utilizados para la rehabilitacin locomotora,
cuentan con tecnologa apta para adultos y nios que permite integrar software para el anlisis de
movimiento en tres (3) dimensiones. Ejemplos de software especializado son Lukotronic AS202 y
Gaitlab. Sin embargo, una de las limitaciones para el uso generalizado de los sistemas de anlisis
de la marcha ha sido la limitada reproducibilidad y utilidad de los datos (DeLisa, 1998).

Los reportes generados por estos software permiten estudiar el comportamiento de determinada
variable a travs del tiempo, pero no permiten un anlisis multivariante en el que no slo se
considere la parte del cuerpo que est en proceso de rehabilitacin sino que considere tambin la

relacin existente con otras partes del cuerpo que pueden influir en la evolucin del paciente. Es
decir, se analiza el comportamiento de varias variables de forma aislada, cuando existe posible
correlacin entre ellas.

Los laboratorios de marcha cuentan con un espacio 3D calibrado que utilizando cierto nmero
de cmaras infrarrojas precalibradas registran o capturan el movimiento de los pacientes (Motion
Capture - Mocap) en tiempo real, utilizando marcadores activos en el cuerpo del paciente. Los
anlisis realizados sobre movimientos humanos con el uso del Mocap, se basan en animaciones
que reconstruyen los movimientos realizados por el paciente y en valoraciones de acuerdo con
escalas patrn, pero no para evaluar o comparar cuantitativamente la evolucin de la marcha.

A pesar de que los sistemas de anlisis de la marcha se utilizan con frecuencia en la
investigacin, no es frecuente su uso en la evaluacin del avance o xito de terapias de
rehabilitacin. Los terapeutas utilizan la observacin sobre una base diaria para monitorear y
evaluar la marcha. El anlisis observacional de la marcha se refiere a los enfoques cualitativos
que utilizan los mdicos mediante el cual se identifican desviaciones en la marcha de los
pacientes. Como en todas las medidas clnicas, establecer la precisin y confiabilidad del anlisis
de observacional es una consideracin esencial para asegurar la prctica clnica ptima
(McGinley, Goldie, Greenwood, & Olney, 2003).

1.2 Definicin del problema

Las tcnicas actuales de evaluacin del proceso de rehabilitacin del aparato locomotor se basan
principalmente en el uso de escalas de valoracin y en patrones funcionales de la parte del
cuerpo que se est analizando. Esto provoca que no se analice la evolucin de los pacientes de
forma integral, pues el movimiento de la marcha involucra diferentes partes del cuerpo (cabeza,
brazos, espalda, cintura, etc.), las cuales se correlacionan entre s y generan los efectos en el
movimiento.


Actualmente, los patrones funcionales se definen con base a la reconstruccin de imgenes a
partir del movimiento capturado con el Mocap, pero no se estudia el efecto entre las relaciones o
correlaciones existentes entre las diversas partes del cuerpo. Con frecuencia slo se analiza el
desempeo de las extremidades inferiores sin considerar la influencia de las dems partes del
cuerpo al realizar el movimiento de la marcha.

Por lo tanto, la aplicacin de un anlisis estadstico multivariante a los datos obtenidos con el
Mocap permitira que el mdico experto en rehabilitacin se apoye no slo en la observacin y
en las escalas de valoracin funcional de sus pacientes sino tambin en la interrelacin de las
diferentes partes del cuerpo al cumplir el ciclo de la marcha y un anlisis cuantitativo que
permita conocer la diferencia o la brecha entre el movimiento de la marcha actual del paciente y
su patrn normal de marcha.

El tema objeto de estudio consiste en proponer una metodologa que permita evaluar
cuantitativamente la evolucin de los pacientes en rehabilitacin de sus miembros inferiores. La
metodologa considera el uso de un equipo especializado de captura de movimiento (MOCAP) y
el uso de tcnicas de anlisis estadstico multivariante; para ello se considerar el movimiento
total del cuerpo y no slo el movimiento de las extremidades inferiores (en rehabilitacin).

En la figura 2, se presenta un mapa conceptual que identifica la oportunidad que existe en los
anlisis de la marcha actuales para incorporar la aplicacin de tcnicas estadsticas multivariantes
que ayuden a explicar de forma menos subjetiva la evolucin de un paciente en terapias de
rehabilitacin.


Figura 2. Mapa conceptual del proyecto


1.3 Objetivo

Desarrollar y evaluar una metodologa para realizar el anlisis estadstico multivariante til para
evaluar la evolucin y eficiencia de las terapias de rehabilitacin locomotora, a partir de datos
capturados por el Mocap (Motion Capture). Para ello, se comparar el movimiento de caminar
con discapacidad contra el movimiento de caminar sin discapacidad.

1.3.1 Objetivos especficos

Definir una metodologa para la aplicacin de una tcnica estadstica multivariante que
permita analizar de forma ms eficiente el movimiento de la marcha.
Evaluar la evolucin de las terapias de rehabilitacin locomotora considerando el
movimiento de caminar con discapacidad y el movimiento de caminar sin discapacidad.
Comprobar la aplicacin o reproducibilidad de la metodologa propuesta en otras personas
con discapacidad.

1.4 Alcance

La metodologa propuesta permite analizar simultneamente la relacin entre distintas partes del
cuerpo que influyen en el movimiento de la marcha de una persona con discapacidad locomotora
y posteriormente evaluar su evolucin con las terapias de rehabilitacin.

1.5 Limitaciones

Para realizar este tipo de estudios con pacientes reales, es necesaria la existencia de un comit de
tica en el Instituto Tecnolgico de Estudios Superiores de Monterrey campus Guadalajara, que
autorice la realizacin de estudios con pacientes en el laboratorio de Captura de Movimiento.
As mismo, se requieren permisos para el acceso a la informacin mdica de los pacientes.


Como no existe este comit de tica, se trabaj con cuatro personas (2 mujeres y 2 hombres)
caminando normal y simulando una discapacidad en su aparato locomotor (cojeando). La
discapacidad de cojear se simul colocando un palo en la pierna derecha de tal forma que
ninguna de las cuatro personas pudiera flexionar la rodilla derecha al momento de realizar las
pruebas.

En el laboratorio se utiliz un sistema de captura de movimiento (MOCAP) que se encuentra en
las instalaciones del ITESM, el cual cuenta con 22 cmaras. La metodologa propuesta se podr
implementar posteriormente en pacientes con discapacidad en sus miembros inferiores, una vez
se obtengan los permisos de las autoridades de salud para trabajar con pacientes dentro de las
instalaciones del ITESM.

1.6 Hiptesis

HP1 Es posible aplicar una tcnica estadstica multivariante que permita reducir la
dimensionalidad de los datos capturados y representar ptimamente, en un espacio de dimensin
pequeo, las observaciones de las pruebas del ciclo de la marcha realizadas.
HP2 - Para analizar el movimiento de la marcha se debe identificar las principales variables que
influyen en el mismo y revisar su comportamiento simultneo a travs del tiempo.

1.7 Metodologa

La metodologa utilizada en este proyecto est basada en las etapas del mtodo cientfico. El
mtodo cientfico permite exponer y confirmar teoras con el fin de explicar de alguna manera el
fenmeno objeto de estudio, en este caso, el movimiento de la marcha en pacientes con
discapacidad locomotora, apoyndose en experimentos que verifiquen su validez. El mtodo
cientfico definido por Francis Bacon, consiste en: 1.- observacin; 2.- induccin; 3.- hiptesis;
4.- probar hiptesis por experimentacin; 5.- demostracin o refutacin (anttesis) de la
hiptesis; y 6.- tesis o teora cientfica (conclusiones).

Luego de definir el problema, se identific el contexto
de la problemtica, las tecnologas utilizadas para la
captura de movimiento en los laboratorios de marcha y
los recursos necesarios para realizar las pruebas del
movimiento de la marcha. Dentro de estos recursos, se
consider la infraestructura del laboratorio, equipo y
software utilizado, as como las personas con quienes
se realizaron las pruebas. Esto con el fin de conocer el
tipo y la cantidad de datos que se obtendran como
resultado de las pruebas.

El siguiente paso es una exploracin sobre los mtodos
estadsticos multivariantes que se podran utilizar para
analizar los datos obtenidos a partir de las pruebas de
captura de movimiento en el laboratorio de anlisis de
la marcha. Para definir la tcnica estadstica
multivariante a utilizar, se consider el tipo de datos
obtenidos y la relacin entre ellos, definiendo si se
utilizaran mtodos de interdependencia o de
dependencia (Hair, Anderson, R.L.Tatham, & Black,
1999).

Luego, se realizaron dos pruebas para cuatro personas,
una de las pruebas consisti en caminar simulando una
discapacidad y la otra prueba en caminar sin
discapacidad. Se determin la forma en la que se
podran cuantificar las brechas entre el movimiento de
caminar sin discapacidad y caminar con discapacidad,
para as presentar una conclusin sobre la evolucin de
1. Identificar el contexto de
la problemtica
2. Identificar tecnologas de
captura de movimiento
3. Definir los recursos
requeridos para las pruebas
del movimiento de la
marcha
4. Explorar los mtodos
estadsticos multivariantes
5. Realizar el anlisis de la
marcha
6. Determinar las brechas
entre el movimiento de
caminar sin discapacidad y
con discapacidad
7. Concluir sobre la
evolucin de la persona con
discapacidad
8. Confirmar la
aplicabilidad o
reproducibilidad de la
metodologa propuesta en el
trabajo de investigacin
9. Concluir sobre el logro de
los objetivos propuestos del
trabajo de investigacin

la persona con discapacidad. Se defini la metodologa de anlisis estadstico multivariante y se
aplicaron los pasos de las tres etapas en las que se realiz el anlisis de la marcha:
1. Etapa 1: Captura de los datos
2. Etapa 2: Anlisis de los datos
3. Etapa 3: Comparacin de los movimientos de caminar con discapacidad y
caminar sin discapacidad

Para confirmar la aplicabilidad o reproducibilidad de la metodologa propuesta, se realizaron dos
pruebas (un movimiento caminar sin discapacidad y otro movimiento de caminar con
discapacidad) con cuatro personas, siguiendo los pasos definidos en la metodologa. Y
finalmente, se concluy sobre el logro de los objetivos propuestos al iniciar el proyecto y sobre
la aplicabilidad de la metodologa propuesta para contribuir a la solucin de la problemtica
planteada.

En concordancia con esta metodologa, en el captulo 2 de este trabajo, se presenta una revisin
bibliogrfica en cuanto al anlisis estadstico multivariante y el anlisis de la marcha. En el
captulo 3, se propone y explica la metodologa propuesta para el anlisis de la marcha de una
persona caminando sin discapacidad y caminando con discapacidad, y se evala la evolucin
entre los dos movimientos. El captulo 4, se presenta la comparacin de aplicar la metodologa
propuesta a las cuatro personas con quienes se realizaron las pruebas. Al final del trabajo, se
encuentran las conclusiones finales sobre el logro de los objetivos propuestos.

Como se mencionaba anteriormente, el siguiente captulo presenta la revisin bibliogrfica
realizada de acuerdo a dos temas: uno, los mtodos estadsticos multivariantes, y otro, el anlisis
de la marcha.

11

CAPTULO 2

Marco Terico

El marco terico de este proyecto de investigacin se fundamenta en dos reas: el anlisis
estadstico multivariante y el anlisis de la marcha. El estudio de estas dos reas permitir
conocer las tcnicas multivariantes y explorar cmo stas pueden ser aplicadas adecuadamente
para el anlisis de la marcha.

En relacin con el anlisis estadstico multivariante, en este captulo se presentan algunas
tcnicas multivariantes, incluyendo los mtodos de interdependencia (anlisis de componentes
principales, anlisis de correspondencias, escalado multidimensional y anlisis de
conglomerados), y los mtodos de dependencia (regresin mltiple, anlisis discriminante
mltiple, regresin logstica, anlisis multivariante de la varianza, anlisis de conjunto y anlisis
de correlacin cannica) (Hair et al., 1999).

Por otra parte, en lo referente al anlisis de la marcha se presenta la infraestructura de un
laboratorio de captura de movimientos, los protocolos a seguir en la captura de los datos del
paciente y sobre la posicin de los marcadores que conforman el sistema de captura de
movimiento Mocap.

2. Marco Terico 12

2.1 Anlisis estadstico multivariante

La mayora de los fenmenos que se presentan en la realidad son de naturaleza multivariante,
pues para su anlisis se requiere tener en cuenta simultneamente varias variables. Para los
propsitos de cualquier disciplina aplicada, la mayor parte de nuestras herramientas son, o
deberan ser, multivariantes. A menos que el problema sea tratado como un problema
multivariante, est tratado superficialmente (Pea, 2002). Para describir las caractersticas fsicas
de una persona se pueden tener en cuenta variables como el peso, la estatura, la longitud de sus
extremidades, etc.

El anlisis de datos multivariantes comprende el estudio estadstico simultneo de varias
variables medidas a un individuo u objeto en una o ms muestras con el propsito de describir
una realidad compleja, simplificndola al utilizar pocos ndices o variables indicadoras. As
mismo, se busca identificar grupos que puedan existir en las observaciones y relacionar un
conjunto de variables. En este trabajo, las variables se refieren a la posicin de cincuenta y tres
marcadores obtenidos en la captura de movimiento de la persona en tres dimensiones (eje X, Y y
Z).

Histricamente, la mayora de aplicaciones de las tcnicas estadsticas multivariantes han sido en
las ciencias de la biologa; sin embargo, ahora sus aplicaciones se han extendido a muchos otros
campos con investigaciones en educacin, poltica, economa, qumica, geologa, religin,
ingeniera, marketing, psicologa, computacin, entre otros. Por otra parte, el amplio desarrollo
de la tecnologa informtica para procesar grandes y complejas bases de datos ha estimulado el
uso de mtodos estadsticos multivariantes (Rencher, 2002).

En algunos casos, el orden de la magnitud de las variables aleatorias medidas no es el mismo o en
otras palabras no son dimensionalmente homogneos, pero en otros casos los datos son

2. Marco Terico 13

dimensionalmente homogneos y presentan valores medios similares. En algunas tcnicas se
requiere estandarizar las variables para trabajarlas en la misma escala de medicin, y en otras no
es necesario. (Rencher, 2002)

Dentro del anlisis estadstico multivariante se pueden establecer dos niveles. En el
primero, se busca extraer informacin a partir de los datos disponibles; este tipo de mtodos se
conocen como mtodos de exploracin de datos y esencialmente generan hiptesis ms que
probarlas. Por otra parte, se encuentran las tcnicas de segundo nivel cuya meta es probar
formalmente las hiptesis, es decir, pretende obtener conclusiones sobre la poblacin que ha
generado los datos, lo cual requiere la construccin de un modelo que explique su generacin y
permita prever los datos futuros. En este segundo nivel, se busca crear conocimiento sobre el
problema en cuestin yendo ms all del simple anlisis de los datos disponibles; estos mtodos
se conocen como mtodos de inferencia (Rencher, 2002).

2.1.1 Tcnicas estadsticas multivariantes

En el Apndice A se presenta una breve descripcin y comparacin de algunas tcnicas
estadsticas multivariantes. Se toma en cuenta: 1.- los objetivos para los cuales fueron
desarrollados y 2.- si son mtodos de interdependencia o mtodos de dependencia. Para
comprender mejor los objetivos de cada uno de los mtodos, es necesario considerar los tipos de
variables (Pea, 2002):

Variables cuantitativas: Son variables cuyo valor se expresa numricamente (edad de una
persona, su estatura o su renta). Las variables cuantitativas pueden ser continuas o de
intervalo. Son continuas cuando pueden toman cualquier valor real dentro de un intervalo,
como la estatura. Y son discretas, cuando slo toman valores enteros, como el nmero de
hermanos.
Variables cualitativas: Cuando su valor sea un atributo o categora. Las variables
cualitativas pueden clasificarse en binarias, cuando toman nicamente dos valores

2. Marco Terico 14

posibles, como el gnero (mujer, hombre) o generales, cuando toman muchos valores
posibles, como el municipio de residencia.

2.1.2 Aplicaciones de tcnicas multivariantes en
anlisis de movimiento y biomedicina

Dentro de las aplicaciones de tcnicas estadsticas multivariantes en el rea de la biomedicina, el
mtodo de anlisis de componentes principales se utiliz para extraer informacin de los
marcadores genticos. Este mtodo de componentes principales ha sido eficiente por su habilidad
para resumir la informacin gentica multivariante en pocas variables (Jombart, Pontier, &
Dufour, 2009).

Los mtodos multivariantes tienen ventajas sobre otros enfoques clsicos que han sido utilizados
en el rea de la gentica, por ejemplo el mtodo Bayesian Clustering. En primer lugar, algunos de
los mtodos estadsticos multivariantes son exploratorios y no requieren supuestos sobre un
modelo gentico. As mismo, el mtodo de conglomerados supone que los genotipos son
estructurados en poblaciones discretas y ayuda a reducir la variabilidad gentica y puede revelar
adems cualquier clase de estructura gentica.

Los mtodos multivariantes no requieren de un trabajo computacional excesivo, por ello se
pueden aplicar a conjuntos de datos muy grandes. Los anlisis multivariantes son herramientas
que permiten extraer estructuras biolgicas de los marcadores genticos, y por lo general estos
datos contienen grandes cantidades de genotipos. Algunas de las aplicaciones de los mtodos
estadsticos multivariantes en marcadores genticos se presentan en la figura 3 (Jombart et al.,
2009).

2. Marco Terico 15

Figura 3. Anlisis multivariante aplicado a marcadores genticos (Jombart et al., 2009)

2.2 Anlisis de la marcha

El anlisis de la marcha es una herramienta de diagnstico cada vez ms utilizada para el
tratamiento mdico de pacientes con alguna discapacidad en su aparato locomotor o bien para
pacientes que han sido intervenidos quirrgicamente. Mediante el anlisis clnico de la marcha se
obtiene los parmetros de la cinemtica, cintica y la actividad elctrica muscular de los pacientes
durante la marcha, en pos de planificar objetivamente el tratamiento que corresponda y evaluar
los resultados de forma precisa. El anlisis clnico de la marcha es el proceso en el cual se miden
los patrones de movimiento del paciente, se identifican las anormalidades, se postulan las causas
y se desarrollan las recomendaciones de tratamiento. (Daz, s. f.)

El anlisis de la marcha humana resulta ser de gran utilidad para aplicaciones como el
diagnstico y eleccin de tratamientos en pacientes con enfermedades neuro-msculo-
esquelticas. Segn Moreno, (Moreno, Gutirrez, & Moreno, 2008), durante el anlisis de la

2. Marco Terico 16

marcha diversos factores deben ser considerados para realizar los estudios adecuadamente,
algunos de ellos se deben considerar desde la etapa de configuracin y planeacin del laboratorio,
otros en el proceso de adquisicin de los parmetros, y otros en el anlisis de los resultados, tal
como se detalla en las secciones 2.2.3, 2.2.4 y 2.2.5 de este trabajo.

2.2.1 Ciclo de la marcha

Una de las caractersticas inherentes a los seres humanos es la posibilidad de desplazarse sobre
las dos extremidades inferiores de manera prolongada en el tiempo. A continuacin se presenta
una aproximacin de su fisiologa a travs de un recorrido por la cinemtica de los movimientos.

Segn Igual, (Igual C, Muoz E, & Aramburu C, 1996), el ciclo de la marcha est dado por una
sucesin de acciones comprendidas entre dos choques de taln consecutivos del mismo pie. Por
lo general, se toma como principio del ciclo el instante en que uno de los pies toma contacto con
el suelo, normalmente a travs del taln. El ciclo de la marcha presenta dos fases claramente
diferenciadas, las cuales se presentan en la figura 4:

Fase de apoyo (60% del tiempo de cada ciclo): que comienza con el contacto inicial del
taln con el suelo y finaliza con el despegue del ante pie.
Fase de balanceo u oscilacin (40% del tiempo de cada ciclo): transcurre desde el instante
del despegue del ante pie, avanzando el pie en el aire como preparacin del siguiente
apoyo, hasta el contacto en el suelo.

Si se considera la duracin de cada una de las fases, se encuentra que al sumar los ciclos, en
algn momento ambos pies se encuentran en contacto con el suelo. A este nuevo periodo se le
denomina fase de doble apoyo.

2. Marco Terico 17

Figura 4. Fases del ciclo de la marcha (Igual C et al., 1996)

Dentro de los mltiples aspectos que ataen a la marcha, y que pueden ayudar a entender un
anlisis cinemtico y posteriormente entender ciertos patrones patolgicos, es lo relacionado con
el centro de gravedad. Es importante considerar que se consigue un mnimo gasto de energa
cuando el cuerpo se mueve en lnea recta sin que el centro de gravedad se desve. En este sentido,
cuanto mayor sea el desplazamiento del centro de gravedad, mayor ser el gasto de energa, por
lo que gran parte de la dinmica de la marcha depende de este concepto.

Para Gras P, (Gras, Casillas, & Delieu, 1996), en la marcha existe una serie de aspectos
determinantes que permiten realizar los movimientos de manera fisiolgica y que, tras sufrir
determinadas alteraciones generarn patrones patolgicos. Algunos de los determinantes de la
marcha ms significativos son:

Rotacin plvica: En el ciclo de la marcha, la pelvis realiza movimientos relevantes en,
al menos, dos direcciones. Por un lado, el miembro inferior que se adelanta, no slo lo
hace a expensas de una flexin de cadera, sino tambin por el adelantamiento de la
hemipelvis homolateral, que ayuda al avance de dicho miembro inferior. De igual forma,

2. Marco Terico 18

el miembro inferior que se encuentra posterior, no slo presenta una extensin de la
cadera, sino un desplazamiento posterior de la misma hemipelvis. La suma de ambos
movimientos se denomina rotacin plvica.
Inclinacin plvica: sucede cuando la hemipelvis del lado que se encuentra en la fase de
balanceo, sufre una cada o descenso respecto a la contralateral. Esta cada debe
encontrarse en unos patrones determinados, dado que si fuera exagerada se podra
considerar como patolgica.
Flexin de la rodilla durante la fase de apoyo: a pesar de que se mantiene un estado
flexin de 10-20, la flexin de rodilla durante la fase de apoyo permite la minimizacin
del desplazamiento del centro de gravedad en sentido vertical.
Ancho de la base de sustentacin: hace referencia al ancho del paso y tiene la
caracterstica de que cuanto menor sea su dimensin, menor el desplazamiento del centro
de gravedad en sentido lateral (menor gasto energtico) y menor estabilidad. De igual
manera, cuanto mayor sea el ancho de la base de sustentacin, mayor es el
desplazamiento del centro de gravedad (mayor gasto energtico) y mayor estabilidad.
Rotacin recproca de la cintura escapular: la coordinacin de cintura escapular y
cintura plvica durante la marcha se produce a travs de una rotacin alternante. Este
hecho, permite conservar energa potencial que facilite el siguiente paso.

2.2.2 Protocolo de marcha

Segn (Moreno et al., 2008), para el anlisis de marcha es necesario contar con un protocolo
estandarizado que permita obtener los parmetros de inters de forma confiable y eficaz. Cada
protocolo depende, entre otros aspectos:
del tipo de pacientes a evaluar
la configuracin del laboratorio
los parmetros que se deseen obtener y la forma en que stos son presentados
el orden, tiempo y ciclos de utilizacin de los equipos

2. Marco Terico 19

la colocacin de los marcadores (cuando se requieren)
los programas para el procesamiento de los datos

Parte del protocolo debe considerar la configuracin del laboratorio en cuanto a los parmetros de
la marcha a analizar y los equipos a utilizar; as como el proceso de adquisicin del movimiento
teniendo en cuenta la posicin de los marcadores, la calibracin del sistema, la pista o pasillo y la
plataforma de fuerzas. Y finalmente, consideraciones para el anlisis de los resultados, tales
como: la presentacin de resultados, los modos de anlisis, los anlisis comparativos y los
anlisis complementarios con electromiografa (Moreno et al., 2008).

2.2.3 Consideraciones para la configuracin del
laboratorio

Un patrn de marcha puede ser caracterizado con diferentes tipos de parmetros: 1.- parmetros
espacio-temporales, 2.- parmetros cinemticos, o 3.- registros de la actividad muscular con
electromiografa (EMG) dinmica, la determinacin del consumo energtico o el monitoreo del
gasto cardio-respiratorio mediante espirometra (Datta D., Heller B., & Howitt J., 2005)(Prat &
Lacuesta, 2002)(Perry J., 1992)(Baker R., 2006).

Primero, los parmetros espaciotemporales son importantes cuando las condiciones y factores
que afectan la marcha (como terreno, calzado, transporte de carga, edad, fatiga, peso) se
mantienen constantes (Collado S., 2002).

Segundo, los parmetros cinemticos permiten registrar variaciones angulares de las
articulaciones del cuerpo as como la inclinacin, torsin y oscilacin de los elementos corporales
y se enfocan principalmente en reportar las fuerzas de reaccin del suelo y los momentos y
potencias presentes en las articulaciones (Benedetti, Catani, Leardini, Pignotti, & Giannini,
1998)(Prat & Lacuesta, 2002).

2. Marco Terico 20

Tercero, mediante la electromiografa es posible diagnosticar problemas en los msculos, en las
uniones neuromusculares, o desrdenes nerviosos, as como evaluar la efectividad funcional de la
accin muscular.

En la figura 5, se observa de forma ms detallada los parmetros espaciotemporales, cinticos y
cinemticos que usualmente se obtienen en estudios de la marcha humana.

Figura 5. Parmetros de la Marcha (Moreno et al., 2008)

En la figura 6 se muestran como ejemplo algunas de las grficas cinemticas o cinticas que se
obtienen sobre la flexin de la rodilla, los momentos de rodilla y las potencias en la rodilla
derecha. Esta figura 6, indica que se hacen anlisis variable por variable de forma independiente,
pero no de forma multivariante considerando la relacin entre ellas al mismo tiempo.

2. Marco Terico 21

Figura 6. Ejemplos grficas cinemticas y cinticas (Moreno et al., 2008)

Un laboratorio de anlisis de la marcha se caracteriza por contar con dispositivos principales y
dispositivos secundarios. Dentro de los primeros se encuentran: sistema de captura de
movimiento; plataformas para la medicin de fuerzas y el clculo de la cintica; sistema para
medir la actividad muscular. Y dentro de los segundos se pueden mencionar: sistema de video
estndar, medicin del consumo energtico, etc.

La seal que proviene de estos componentes se enva a un computador, y mediante el software
(por ejemplo, Gait EliClinic, Gaitlab, LUKotronic AS202, Vicon u otros), se adquieren las
variables biomecnicas de inters relacionadas con el ciclo de la marcha. En este trabajo, se
utiliz Vicon Blade. Posteriormente, se presenta un reporte a los especialistas con informacin
como las curvas de movimiento y los parmetros que describen la marcha, como los presentados
en las figuras 7, 8 y 9.

Figura 7. Registro en 3D de la marcha del paciente con el programa Gaitlab (Anny Sonja Wendt,
s. f.)

2. Marco Terico 22

Figura 8. Resultados del anlisis de la marcha 3D con curvas de movimiento articular (Gaitlab)
(Anny Sonja Wendt, s. f.)

Figura 9. Pantalla del Software AS202 (Anny Sonja Wendt, s. f.)

2.2.4 Consideraciones para el proceso de
adquisicin de los datos

En el proceso de captura de movimiento, uno de los aspectos de mayor importancia es el
protocolo de colocacin de los marcadores que utiliza el sistema Mocap para detectar los puntos
anatmicos. Algunos de los protocolos ms conocidos son los protocolos de Newington, Gage,
Davis, Helen Hayes, Kadaba, Fleni o el modelo VCM (Vicon Clinical Manager) (Baker R.,

2. Marco Terico 23

2006)(Daz, s. f.). En este trabajo se sigui el protocolo Vicon Blade, que hace parte del modelo
VCM debido a la configuracin del laboratorio y del software utilizado.

De los anteriores, el protocolo de Davis es uno de los ms utilizados actualmente (Tenore,
Fortugno, Viola, Galli, & Giaquinto, 2006). Este protocolo usa puntos anatmicos de referencia
prominencias seas como el acromion, la espina iliaca antero-superior, el trocnter mayor, el
cndilo femoral lateral, la cabeza del peron, el malolo lateral, la cabeza del quinto
metatarsiano, la sptima vrtebra cervical, la primera vrtebra sacra y los calcneos. Utiliza
tambin marcadores proyectados en barras para la mitad del muslo derecho e izquierdo y la mitad
de la pierna derecha e izquierda (Moreno et al., 2008).

En la calibracin del sistema, es necesario definir el espacio tridimensional dentro del cual se
realizarn las pruebas al paciente, y se debe asegurar que las cmaras capturen la totalidad del
volumen de adquisicin, que no existan reflejos u obstrucciones dentro del espacio calibrado. La
minimizacin del error en la reconstruccin de la posicin de los marcadores depende de una
adecuada calibracin del sistema (Daz, s. f.).

En la fase de instrumentacin, se colocan al paciente los marcadores reflectivos el cual
proporciona informacin sobre un punto especfico de la estructura sea del paciente para
posteriormente conformar un modelo que represente los segmentos de los miembros inferiores y
el tronco. Dentro de la informacin que brinda cada marcador se encuentra la posicin en el
espacio, la orientacin espacial de cada segmento y los ejes de rotacin de cada articulacin. La
calidad de los datos obtenidos en el estudio est ntimamente ligada a la precisin con la que se
coloquen los marcadores (Daz, s. f.).

En la etapa de evaluacin de la marcha, el Bioingeniero gua al paciente durante todo el proceso
para obtener los datos requeridos en cada caso. Como se debe asegurar la correcta posicin de los
marcadores y el funcionamiento del sistema, el Bioingeniero debe realizar adquisiciones de
pruebas; luego, se le pide al paciente caminar varias veces dentro del volumen de adquisiciones o

2. Marco Terico 24

espacio tridimensional calibrado. Cada vez que el paciente camina se adquieren los datos de la
posicin de los marcadores y tambin la fuerza de reaccin de las plataformas. (Daz, s. f.)

2.2.5 Consideraciones para el anlisis de
resultados

Normalmente, para presentar los resultados se utilizan reportes de la informacin obtenida, sea en
tablas o grficas cinemticas, cinticas o electromiogrficas. (Moreno et al., 2008).

Segn (Daz, s. f.), en esta fase sobre el procesamiento de los datos, comnmente se siguen dos
pasos en cualquier sistema de captura de movimiento. 1.- Se hace un rastreo y reconocimiento de
los marcadores durante cada pasada etiquetando cada punto reconstruido con el nombre del
marcador correspondiente en el modelo utilizado. 2.- Se define el ciclo de marcha para cada lado
del paciente, marcando el contacto inicial y el despegue del pie de forma tal de completar al
menos un ciclo para cada lado.

Con el propsito de reducir la subjetividad en el anlisis de las grficas y variabilidad que se
presenta cuando los anlisis son realizados por diferentes especialistas (Watelain et al., 2005),
sera ideal introducir tcnicas especiales de anlisis de mltiples variables, aunque no es fcil la
determinacin de ciertos parmetros cuando las curvas de movimiento son atpicas como en las
condiciones patolgicas que generalmente se estudian (Astephen J. L. & Deluzio K. J., 2004).

Finalmente, en la ltima etapa se evala la informacin recolectada con el propsito de garantizar
una correcta interpretacin de los resultados obtenidos en el reporte y aplicarla al tratamiento del
paciente (Daz, s. f.). Con los reportes generados es posible obtener informacin acerca de la
eficiencia de la marcha, su grado de normalidad o la regularidad del movimiento, y con base en
esto elegir el tratamiento ms efectivo para los problemas especficos de la marcha, as como

2. Marco Terico 25

obtener caracterizaciones ms precisas de las diferentes patologas para el diagnstico y el
conocimiento de la severidad de la enfermedad en cada paciente (Moreno et al., 2008).

Para realizar estudios de marcha no solo resulta til el anlisis de la cinemtica, cintica,
electromiografa y parmetros espaciotemporales en los reportes, sino adems la visualizacin de
los estudios y los parmetros obtenidos desde el mismo monitor. Para esto, algunos programas
presentan la reconstruccin tridimensional del movimiento del sujeto con un modelo, lo cual
permite la validacin de los parmetros de anlisis y una mejor visualizacin de los eventos
cuantas veces sea necesario, desde todos los puntos de vista y con las velocidades de progresin
controlada (Moreno et al., 2008).

Una aplicacin importante del anlisis de marcha en la prctica clnica es la posibilidad de
realizar estudios comparativos, sea en diferentes tiempos (anlisis longitudinales para evaluar
recuperacin o efectividad de la terapia), con diferentes condiciones (p. ej. con y sin ayudas
tcnicas), o con la combinacin de ambos factores (p. ej. antes y despus de una intervencin
quirrgica o de la aplicacin de toxina botulnica) (Moreno et al., 2008).

Dentro del anlisis estadstico que se realiza actualmente, tambin sera til la obtencin de
indicadores del grado de normalidad de la marcha, que, adems de ser favorables para el
diagnstico y determinacin de la severidad de la patologa, permitira encontrar parmetros
cuantitativos del porcentaje de mejora al hacer estudios comparativos (en el tiempo o en
diferentes condiciones) y llevar as registros de cunto ayudan los diferentes tratamientos.
Algunos parmetros estadsticos han sido reportados para estudiar qu tan repetible es el patrn y
para comparar marchas normales y anormales. Entre los propuestos estn el coeficiente de
variacin (CV), el coeficiente de correlacin mltiple (CMC), el anlisis de Fourier y la tcnica
de boot-strap (Benedetti et al., 1998).

26

CAPTULO 3

Definicin de la metodologa

Como se describi en el captulo 1, las tcnicas actuales para evaluar la rehabilitacin del aparato
locomotor se basan en escalas de valoracin y patrones funcionales de la parte del cuerpo que
est en proceso de rehabilitacin, pero no considera la relacin existente entre todas las partes del
cuerpo en forma simultnea.

En este trabajo de investigacin se presenta una metodologa para determinar en forma
cuantitativa la evolucin de un paciente que se encuentra en proceso de rehabilitacin de su
aparato locomotor. Esta metodologa permite aprovechar la relacin existente entre las diversas
partes del cuerpo y que influyen en el movimiento de la marcha.

La metodologa est dividida en 3 etapas, una de obtencin de datos a travs de un equipo
especializado de captura de movimiento, otra que presenta los pasos para el anlisis estadstico de
los datos capturados y finalmente otra que compara los movimientos de caminar sin discapacidad
y caminar con discapacidad determinando la brecha existente entre los dos movimientos.

La etapa 1 consiste en la obtencin de los datos en un laboratorio de captura de movimiento
(Mocap) del ITESM Campus Guadalajara, el cual est dotado con 22 cmaras y utiliza como
software bsico Vicon Blade. El mtodo para la obtencin de los datos se basa en el manual
Vicon Blade. En esta primera etapa se realizan dos pruebas, una del movimiento de caminar sin
discapacidad y otra prueba del movimiento en que se simula caminar con discapacidad en la
pierna derecha. La simulacin del movimiento de caminar con discapacidad en la pierna derecha
se realiza debido a que no existe un comit de tica en el ITESM que autorice realizar pruebas
con pacientes reales en el laboratorio de captura de movimiento.
Captulo 3. Definicin de la metodologa 27

La etapa 2 fundamenta la metodologa de anlisis estadstico de los datos obtenidos en la captura
de movimiento. Para este anlisis se utiliza la herramienta multivariante denominada
'Componentes principales', la cual tiene como objetivo reducir la dimensionalidad del problema a
costa de una pequea prdida de informacin. El objetivo es entonces representar adecuadamente
la informacin obtenida en la etapa 1 con un nmero menor de variables construidas como
combinaciones lineales de las originales.

En la etapa 3 se comparan los movimientos de caminar con discapacidad y caminar sin
discapacidad de una persona, con el propsito de identificar las brechas existentes entre los dos
movimientos y de esta forma evaluar la evolucin del paciente que se encuentra en proceso de
rehabilitacin de su aparato locomotor.

A continuacin se presentan los pasos que hacen parte de la metodologa propuesta para el
anlisis del movimiento de la marcha, organizados de acuerdo con las tres etapas mencionadas
anteriormente: 1.- Captura de los datos; 2.- Anlisis de los datos; y 3.- Comparacin de los
movimientos de caminar con discapacidad y caminar sin discapacidad.

3.1 Metodologa propuesta para el anlisis
multivariante del movimiento de la
marcha

La metodologa propuesta en este trabajo para evaluar la evolucin del paciente y la efectividad
de las terapias de rehabilitacin locomotora se basa principalmente en el uso de la tcnica
estadstica de 'Componente Principales'. De acuerdo a la previa exploracin de tcnicas
estadsticas multivariantes, J.F. Hair (Hair et al., 1999) establece que la tcnica de componentes
principales es clasificada como mtodo de interdependencia y tiene como objetivo identificar la

estructura subyacente entre un conjunto de variables, observaciones u objetos definidos,
ofreciendo no solamente simplicidad, sino tambin una manera de descripcin e incluso
descubrimiento de nuevas relaciones. Al ser una tcnica de interdependencia, J.F. Hair (Hair
et al., 1999) tambin aclara que el uso de esta tcnica no pretende identificar la estructura
subyacente para optimizar o maximizar una relacin de dependencia (Ver apndice 1).

As mismo, Daniel Pea (Pea, 2002) plantea que el anlisis de componentes principales tiene
como objetivo: dadas n observaciones de p variables, representar adecuadamente esta
informacin con un nmero menor de variables construidas como combinaciones lineales de las
originales.

En los siguientes diagramas de flujo, figuras 10-12, se presentan los pasos de la metodologa
propuesta en este trabajo de investigacin dividida en tres etapas. Estas etapas sern explicadas
con mayor detalle en hojas posteriores:


Metodologa Descripcin General
Etapa 1: Captura de los datos

1. Se configura en el software Vicon Blades una
ubicacin en la que los datos y todos los archivos
relacionados con las pruebas se almacenen. Esta
ubicacin es diferente para cada persona que realice
las pruebas. Toda la gestin de los datos es realizada
por el sistema Blades Data Management.
2. Se le coloca el traje y los 53 marcadores a la persona
que va a realizar la prueba, siguiendo el protocolo de
Vicon Blade.
Recomendacin: Asegurar que la parte del cuerpo en
la que se colocan los marcadores es tan precisa como
sea posible.
3. La configuracin y calibracin de las cmaras asegura
que el software Blades reconoce la ubicacin exacta
de las 22 cmaras y que stas estn funcionando
adecuadamente. Esta actividad se cumple haciendo la
configuracin de las cmaras en el software y
calibrndolas mediante un capture frame con una
varita.
4. Se calibra el 'actor' en el espacio de captura de
movimiento, el cual es de 9m de largo por 4m de
ancho, utilizando la funcionalidad AutoVST del
software. Esta actividad se debe cumplir para las
diferentes personas que realizan las pruebas (en este
trabajo, fueron 4 personas).
5. Se realiza una captura de prueba o recreacin, en la
cual la persona que est en el escenario hace
movimientos con los brazos, las piernas, la cabeza, la
cintura, etc., para que el sistema reconozca la
dimensin de las extremidades y calibre su esqueleto
en forma automtica en el espacio 3D.
Recomendacin: Asegurar que todos los marcadores
definidos estn reconstruidos en 3D, y que los
nombres de los marcadores en 3D estn asignados
correctamente.
6. Se hacen las dos pruebas, caminar sin discapacidad y
caminar con discapacidad, capturando los datos y
procesando el trial de la marcha. Para iniciar la
captura de las pruebas se estiran los brazos a los
lados, durante 10 segundos, para que el sistema
reconozca y cargue el esqueleto, luego se bajan los
brazos e inicia el movimiento de la marcha.
7. Luego de que los datos de las cmaras se han
registrado, se verifica la reconstruccin de los puntos
en el espacio 3D y los datos de los marcadores. As
mismo, es posible exportar a varios formatos los datos
para su uso en otros programas. Por lo tanto, los datos
se exportan a Microsoft Excel, obteniendo una matriz
de datos para los dos movimientos y se elaboran los
videos de captura de movimiento con el software del
laboratorio.
Figura 10. Etapa 1: Captura de los datos
1. Preparar el almacenamiento
de los datos en el software
2. Colocar el traje y los
marcadores a la persona
3. Configurar y calibrar las
cmaras
4. Configurar el 'sujeto'
6. Capturar y procesar el trial
de la marcha
7. Realizar el post-
procesamiento de los datos
capturados
5. Crear una prop replica

Etapa 2: Anlisis de los datos de
caminar sin discapacidad y caminar
con discapacidad

Para el anlisis de los datos obtenidos en cada prueba
(caminar sin discapacidad y caminar con discapacidad),
se siguen los siguientes pasos:
1. En la matriz de datos de Excel se eliminan aquellos
frames en los que se mueven los brazos para que el
sistema reconozca y calibre el esqueleto en 3D.
2. Se verifica que todos los marcadores en los ejes XYZ
cambien de valor a travs de los frames, es decir, que
hayan registrado movimiento en forma consistente. Si
no cambian de valor, se deben eliminar del anlisis las
variables correspondientes a dichos marcadores (se
eliminan de la matriz de datos de Excel del paso 1).
3. Con el apoyo del software estadstico (en este trabajo
se utiliz Statgraphics y Minitab) se extraen los
componentes principales del conjunto de datos,
siguiendo el mtodo de correlacin.
4. De acuerdo con la capacidad explicativa de cada
componente, se determina el nmero de componentes
con los cuales se realizar el anlisis. Se retinen
aquellos componentes que en conjunto expliquen
aproximadamente el 80% de la variabilidad de los
datos.
5. Se agrupan los 53 marcadores por partes del cuerpo
para facilitar el anlisis.
6. Con el software estadstico se identifican los pesos de
cada componente y se realiza la construccin de los
componentes principales obteniendo la ecuacin del
vector de cada componente a partir de la matriz de
pesos de los componentes.
7. Se identifican las variables positivas o negativas de
mayor peso en cada componente y se reconstruye la
ecuacin (en adelante, ecuacin lineal ajustada) de
cada componente dejando nicamente estas variables.
Las variables de mayor peso en cada ecuacin lineal
determinan el nombre de su componente principal.
8. Calcular los scores o puntuaciones de cada
componente retenido en el paso 4. Esto se realiza con el
apoyo del software estadstico, considerando las 159
variables (53 marcadores en los ejes XYZ) exceptuando
las variables que tengan datos atpicos identificados en
el paso 2 y a travs de los frames resultantes del paso 1.
9. Se construyen los grficos de dispersin de las
nuevas variables (proyeccin), para entender el
movimiento de la marcha a partir de las variables de
mayor influencia en cada componente. Se proponen las
grficas de dispersin entre los componentes
determinados en el paso 4 (comp 1 vs comp 2, comp 1
vs comp 3, comp 2 vs comp 3, etc.)
10. Analizar el movimiento representado en las grficas
y concluir.
Figura 11. Etapa 2: Anlisis de los datos
1. Identificar los frames
correspondientes nicamente al
ciclo de la marcha
2. Identificar la existencia de
datos anormales o atpicos
3. Extraer el nmero de
componentes principales con el
mtodo de correlacin
4. Determinar el nmero de
componentes principales a
retener
5. Agrupar los 53 marcadores por
partes del cuerpo
6. Identificar los pesos de cada
componente
8. Calcular los scores de cada
componente principal retenido
7. Identificar las variables
originales de mayo peso y
colocar nombre a cada
componente principal
9. Construir grficos de
dispersin de nuevas variables
(proyeccin)
10. Analizar las grficas y
concluir

Etapa 3: Comparacin de los
movimientos de caminar con
discapacidad y caminar sin
discapacidad

1. Se estandarizan las variables de caminar sin
discapacidad en el archivo de Excel. Para esto, se toma
la matriz de datos de caminar sin discapacidad
resultante de la etapa 2 paso 2, se calcula la media y la
desviacin estndar de cada una de las variables, y a
cada uno de los datos de cada variable (a travs de todos
los frames) se le resta la media de la variable y se divide
entre la desviacin estndar de la variable a la que
corresponde.

2. Las variables de mayor peso que conforman la
ecuacin lineal ajustada de los componentes retenidos
en el movimiento de caminar con discapacidad (etapa 2
paso 7), se seleccionan en la matriz de datos
estandarizados de caminar sin discapacidad (etapa 3
paso 1). Las dems variables (de menor peso) que
hacan parte de la ecuacin lineal de cada componente
retenido en el movimiento de caminar con discapacidad,
se pueden eliminar de la matriz de datos estandarizados
de caminar sin discapacidad (etapa 3 paso 1).

3. En Excel, se realiza una multiplicacin de matrices
de los coeficientes de las variables que conforman la
ecuacin lineal ajustada de cada componente retenido
de caminar con discapacidad (etapa 2 paso 7) y los
datos de dichas variables en la matriz de datos
estandarizados de caminar sin discapacidad. Esto se
hace para la totalidad de frames del movimiento de
caminar sin discapacidad.

4. Se estandarizan las variables de caminar con
discapacidad en el archivo de Excel. Para esto, se toma
la matriz de datos de caminar con discapacidad
resultante de la etapa 2 paso 2, se calcula la media y la
desviacin estndar de cada una de las variables, y a
cada uno de los datos de cada variable (a travs de todos
los frames) se le resta la media de la variable y se divide
entre la desviacin estndar de la variable a la que
corresponde.

Figura 12-A. Etapa 3: Comparacin de los movimientos de caminar con discapacidad y caminar
sin discapacidad

1. Estandarizar los datos de
2. Seleccionar de la matriz de
datos estandarizados de caminar
sin discapacidad aquellas
variables originales que
pertenecen a las ecuaciones
lineales ajustadas de los
componentes retenidos de
caminar con discapacidad
3. Calcular los scores para
caminar sin discapacidad de
acuerdo a las variables relevantes
en los componentes retenidos de
caminar con discapacidad (etapa 2
paso 7)
4. Estandarizar los datos de la
matriz del movimiento de caminar
con discapacidad.

Etapa 3: Comparacin de los
discapacidad

5. Las variables de mayor peso que conforman la
ecuacin lineal ajustada de los componentes retenidos
en el movimiento de caminar con discapacidad (etapa 2
paso 7), se seleccionan en la matriz de datos
estandarizados de caminar con discapacidad (etapa 3
paso 1). Las dems variables (de menor peso) que
hacan parte de la ecuacin lineal de cada componente
retenido en el movimiento de caminar con discapacidad,
se pueden eliminar de la matriz de datos estandarizados
de caminar con discapacidad (etapa 3 paso 1).

6. En Excel, se realiza una multiplicacin de matrices
de los coeficientes de las variables que conforman la
ecuacin lineal ajustada de cada componente retenido
de caminar con discapacidad (etapa 2 paso 7) y los
datos de dichas variables en la matriz de datos
estandarizados de caminar con discapacidad. Esto se
hace para la totalidad de frames del movimiento de
caminar con discapacidad.

7. Se pasan los scores de los vectores, obtenidos en el
paso 3 y 6 de la etapa 3, a un software estadstico (en
este trabajo, se utiliz Minitab) para elaborar grficas de
dispersin sobrepuestas de los componentes 1 y 2 de los
dos movimientos y comparar sus diferencias.

8. Para cuantificar la brecha entre los dos movimientos,
se identifica el cuadrante del plano cartesiano al que
pertenece el score del componente 1 (eje X en la
grfica) y el componente 2 (eje Y en la grfica), de cada
uno de los dos movimientos.

9. Se calcula el rea en cada uno de los cuadrantes,
considerando un X entre cada 10 frames.
10
rea ( ) *
n
n i
i
A X Y
, donde i= 10, 20, 30,, n

frames en cada cuadrante.

10. Se concluye sobre las brechas encontradas entre los
dos movimientos, y los movimientos o partes del cuerpo
que estn influyendo en las brechas.
Figura 12-B. Continuacin etapa 3: Comparacin de los movimientos de caminar con
discapacidad y caminar sin discapacidad
7. Construir una grfica de
dispersin con los scores
obtenidos en los pasos 3 y 6 de la
etapa 3
8. Identificar el cuadrante del
plano cartesiano al que
corresponden los scores de los
componentes 1 y 2 para los
frames de los dos movimientos.
9. Calcular el rea en cada
cuadrante de los componentes 1 y
2, para los dos movimientos, y
restarlas
10. Concluir sobre la comparacin
de los dos movimientos de
caminar con discapacidad y
6. Calcular los scores para
caminar con discapacidad de
acuerdo a las variables relevantes
en los componentes retenidos de
caminar con discapacidad (etapa 2
paso 7)
5. Seleccionar de la matriz de datos
estandarizados de caminar con
discapacidad aquellas variables
originales que pertenecen a las
ecuaciones lineales ajustadas de los
componentes retenidos de caminar
con discapacidad

3.1.1 Etapa 1: Captura de los datos

La metodologa propuesta en este trabajo de investigacin inicia con la captura de los datos que
representan los movimientos de caminar con discapacidad y caminar sin discapacidad, para lo
cual se siguen los pasos detallados en esta etapa 1. El objetivo de esta etapa es obtener los datos
mediante un equipo especializado de captura de movimiento siguiendo los protocolos requeridos
para asegurar que la informacin capturada es confiable y as continuar con el anlisis estadstico
de los datos, su interpretacin y conclusiones acerca de los movimientos de la marcha. Esta etapa
1, est conformada por los siguientes pasos considerando lo dispuesto en el manual de Vicon
Blade:

1. Preparar el almacenamiento de los datos en el software. Antes de capturar los datos del
movimiento, se debe configurar una ubicacin en la que los datos y todos los archivos
relacionados se almacenen. Toda la gestin de los datos es realizada por el sistema Blades Data
Management. Al crear una nueva base de datos, se selecciona el Blade Animation Template para
reconstuir ms adelante el esqueleto.

2. Colocar el traje y los marcadores a la persona. Se le coloca el traje y los 53 marcadores a la
persona que va a realizar la prueba, siguiendo el protocolo de Vicon Blade. Como recomendacin
se tiene que asegurar que la parte del cuerpo en la que se colocan los marcadores es tan precisa
como sea posible. En las figuras 13 19, se indica la posicin en la que deben ir los 53
marcadores, segn el Vicon Skeleton Template (VSK) propuesto por el protocolo:


Figura 13. Posicin de los marcadores parte
posterior 1

posterior 2

Figura 15. Posicin de los marcadores en los
pies

frontal 1


frontal 2

Figura 18. Posicin de los marcadores
costado izquierdo

Figura 19. Posicin de los marcadores
costado derecho

3. Configurar y calibrar las cmaras. La configuracin y calibracin de las cmaras asegura que el
software Blades reconoce la ubicacin exacta de las 22 cmaras y que stas estn funcionando
adecuadamente. Las cmaras se configuran en el software Vicon Blade definiendo la velocidad de
captura de movimiento (en este trabajo, se realiz con 120 frames/seg) y se calibran mediante la

realizacin de un capture frame con una varita de calibracin. Este capture frame consiste en
agitar la varita de calibracin dentro del espacio de captura de cada cmara y se debe hacer hasta
que todas las cmaras hayan captado al menos 500 frames de la varita. Una vez realizada esta
actividad, el sistema muestra un reporte con los resultados de la calibracin de la cmara, como
se muestra en la figura 20. En este paso de la etapa 1, tambin se configura la ubicacin que se
desea establecer como el origen de la captura de movimiento. De esta forma, queda configurado
el sistema para iniciar la captura de los datos. Esta informacin se utiliza para reconstruir puntos
en el espacio de 3 dimensiones, usando datos de la cmara en 2 dimensiones.

Figura 20. Ejemplo resultados de la calibracin de las cmaras en Vicon Blade

4. Configurar el 'sujeto'. Se calibra el 'sujeto' en el espacio de captura de movimiento (9m de
largo por 4m de ancho), utilizando la funcionalidad AutoVST del software. En esta funcionalidad
del software, se carga el Vicon Squeleton Template (VSK). Esta actividad se debe cumplir cada
vez que se realiza una prueba con las diferentes personas que participan en el estudio (en este
trabajo, fueron 4 personas).

Figura 21. Ejemplo resultados de la calibracin de las cmaras en Vicon Blade


5. Crear una prop replica. Se realiza una captura de prueba o recreacin, en la cual la persona que
est en el escenario hace movimientos con los brazos, las piernas, la cabeza, la cintura, etc., para
que el sistema reconozca la dimensin de las extremidades y calibre su esqueleto en forma
automtica en el espacio 3D identificando el nombre de los 53 marcadores. Esta reconstruccin
en 3D de los marcadores se hace creando el esqueleto con base en el Template de Vicon Blade. Se
puede colocar el nombre a los marcadores en forma manual o automtica (en este trabajo, se
realiz en forma automtica y se verific la asignacin de los nombres). Una vez, almacenada la
informacin de la calibracin, en cuanto el sistema detecta que en escena hay una persona busca
los datos de calibracin cargados para que coincida con los de la persona que est en el escenario
y carga el esqueleto correspondiente. Recomendacin: Asegurar que todos los marcadores
definidos estn reconstruidos en 3D, y que los nombres de los marcadores en 3D estn asignados
correctamente.

6. Capturar y procesar el trial de la marcha. Se hacen las dos pruebas, caminar sin discapacidad y
caminar con discapacidad, capturando los datos y procesando el trial de la marcha. Para iniciar la
captura de las pruebas se estiran los brazos a los lados, durante 10 segundos, para que el sistema
reconozca y cargue el esqueleto correspondiente, luego se bajan los brazos e inicia el movimiento
de la marcha. La prueba inicia en el centro del escenario, luego la persona gira a la izquierda y
camina haca el extremo izquierdo del escenario, da vuelta y se regresa hacia el extremo derecho,
nuevamente da vuelta y se regresa al centro del escenario y termina estirando nuevamente los
brazos a los lados. La distancia que recorre es segn el tamao del escenario de captura, es decir,
9m de largo.

7. Realizar el post-procesamiento de los datos capturados. Luego de que los datos de las cmaras
se han registrado, es necesario verificar la reconstruccin de los puntos en el espacio 3D, as
como los datos de los marcadores y es posible exportar a varios formatos los datos para su uso en
otros programas. En este trabajo, los datos se exportaron a Microsoft Excel, obteniendo una
matriz de datos para el movimiento de caminar sin discapacidad y otra para caminar con
discapacidad, para cada una de las personas. As mismo, se elaboraron los videos de captura de
movimiento con el software del laboratorio.

Como resultado de la etapa 1 de la metodologa propuesta, se tienen las matrices de datos en
Excel para los movimientos de caminar sin discapacidad y caminar con discapacidad, para las
cuatro personas que realizaron las pruebas de captura de movimiento. Estas matrices son de m x
n, donde m son las filas que corresponden a la cantidad de frames de cada movimiento para cada
persona, y n las 159 variables que representan los 53 marcadores en los ejes XYZ. Una vez,
obtenidos estos datos, se contina con el anlisis estadstico de los mismos.

3.1.2 Etapa 2: Anlisis de los datos

Una vez exportados los datos de la captura de los dos movimientos (caminar sin discapacidad y
caminar con discapacidad) a Microsoft Excel, resultado de la etapa 1, se procede al anlisis
estadstico de los datos. Los datos capturados de los dos movimientos, se encuentran organizados
en dos matrices en Excel de m x n (una matriz para cada movimiento), en dnde m es el nmero
de frames capturados de cada movimiento y n son las 159 variables (53 marcadores en los ejes
XYZ).

La etapa 2 de la metodologa analiza los datos de los movimientos de caminar con discapacidad y
caminar sin discapacidad, mediante de la tcnica estadstica de componentes principales con el
fin de reducir la dimensionalidad de cada movimiento representando adecuadamente con un
menor nmero de variables los movimientos capturados y transformar las 159 variables
originales correladas en nuevas variables incorreladas para facilitar la interpretacin de los
movimientos (Pea, 2002). Para cada una de las matrices de datos que se encuentran en Excel,
una para el movimiento de caminar con discapacidad y otra para el movimiento de caminar sin
discapacidad, se siguen los siguientes pasos:
1. Identificar los frames correspondientes nicamente al ciclo de la marcha. Se identifica el nmero
del frame en el que inicia y finaliza el ciclo de la marcha, omitiendo aquellos frames en los
que se mueven los brazos y que fueron realizados para el reconocimiento y la calibracin del

esqueleto en 3D, pues stos pueden alterar o influir en los resultados a obtener. La cantidad
de frames obtenidos en cada caso particular, depende de la duracin del movimiento. No
todas las personas caminan a la misma velocidad.
2. Identificar la existencia de datos anormales o atpicos. Esta actividad se realiza verificando
que las 159 variables (53 marcadores en los ejes XYZ) cambien de valor a travs de los
frames, es decir, que hayan registrado movimiento en forma consistente. Si se considera que
la velocidad de captura es de 120 frames/seg y que son 159 variables, se capturan entonces
19080 datos/seg.
3. Extraer el nmero de componentes principales con el mtodo de correlacin. Para esto se
encuentran los vectores propios de la matriz de correlacin, con el apoyo de un software
estadstico (Minitab, Statgraphics, SPSS, R-project, etc.). Se utiliza la matriz de correlacin y
no la de covarianza debido a que los datos no son dimensionalmente homogneos. Se utiliza
tambin la eliminacin Listwise para el tratamiento de valores perdidos, as como la opcin
de estandarizar los datos.
El criterio para determinar el nmero de componentes principales extrados, es que stos
tengan eigenvalores mayores o iguales a 1.0; de tal forma, que con este nmero de
componentes principales que es un nmero reducido de combinaciones lineales de las 159
variables (posicin de los 53 marcadores en los ejes XYZ), se explique la mayor variabilidad
en los datos. As mismo, para seleccionar el nmero de componentes se analiza el grfico en
forma de codo en el cual se presenta cada componente con respecto a su valor propio o
tambin llamado eigenvalor.
4. Determinar el nmero de componentes principales a retener. El nmero de componentes a
considerar (componentes retenidas) en el anlisis del ciclo de la marcha se define con base al
porcentaje de variabilidad que stos en conjunto puedan explicar, es as como la cantidad de
componentes principales a definir es aquella en la que en conjunto expliquen el 80% de la
variabilidad.
5. Agrupar los 53 marcadores por partes del cuerpo para facilitar el anlisis del movimiento de
la marcha. Los 53 marcadores se agrupan en 16 partes del cuerpo de acuerdo a la parte del
cuerpo en la que se colocaron. Las partes del cuerpo en las que se agruparon los 53
marcadores se presentan a continuacin:

No. Parte del cuerpo
Marcador
1 Cabeza
ARIEL<T-X>
ARIEL<T-Y>
ARIEL<T-Z>
LFHD<T-X>
LFHD<T-Y>
LFHD<T-Z>
LBHD<T-X>
LBHD<T-Y>
LBHD<T-Z>
RFHD<T-X>
RFHD<T-Y>
RFHD<T-Z>
RBHD<T-X>
RBHD<T-Y>
RBHD<T-Z>
2 Espalda
C7<T-X>
C7<T-Y>
C7<T-Z>
T10<T-X>
T10<T-Y>
T10<T-Z>
3 Pecho
CLAV<T-X>
CLAV<T-Y>
CLAV<T-Z>
STRN<T-X>
STRN<T-Y>
STRN<T-Z>
4 Hombro izq
LFSH<T-X>
LFSH<T-Y>
LFSH<T-Z>
LBSH<T-X>
LBSH<T-Y>
LBSH<T-Z>
5 Brazo izq
LUPA<T-X>
LUPA<T-Y>
LUPA<T-Z>
LELB<T-X>
LELB<T-Y>
LELB<T-Z>
LIEL<T-X>
LIEL<T-Y>
LIEL<T-Z>
6
Antebrazo -
mano izq
LOWR<T-X>
LOWR<T-Y>
LOWR<T-Z>
LIWR<T-X>
LIWR<T-Y>
LIWR<T-Z>
LWRE<T-X>
LWRE<T-Y>
LWRE<T-Z>
LIHAND<T-X>
LIHAND<T-Y>
LIHAND<T-Z>
LOHAND<T-X>
LOHAND<T-Y>
LOHAND<T-Z>
7 Hombro derecho
RFSH<T-X>
RFSH<T-Y>
RFSH<T-Z>
RBSH<T-X>
RBSH<T-Y>
RBSH<T-Z>
8 Brazo der
RUPA<T-X>
RUPA<T-Y>
RUPA<T-Z>
RELB<T-X>
RELB<T-Y>
RELB<T-Z>
RIEL<T-X>
RIEL<T-Y>
RIEL<T-Z>
9
Antebrazo -
mano der
ROWR<T-X>
ROWR<T-Y>
ROWR<T-Z>
RIWR<T-X>
RIWR<T-Y>
RIWR<T-Z>
RWRE<T-X>

RWRE<T-Y>
RWRE<T-Z>
RIHAND<T-X>
RIHAND<T-Y>
RIHAND<T-Z>
ROHAND<T-X>
ROHAND<T-Y>
ROHAND<T-Z>
10 Cintura
LFWT<T-X>
LFWT<T-Y>
LFWT<T-Z>
LMWT<T-X>
LMWT<T-Y>
LMWT<T-Z>
LBWT<T-X>
LBWT<T-Y>
LBWT<T-Z>
RFWT<T-X>
RFWT<T-Y>
RFWT<T-Z>
RMWT<T-X>
RMWT<T-Y>
RMWT<T-Z>
RBWT<T-X>
RBWT<T-Y>
RBWT<T-Z>
11 Pierna izq
LHIP<T-X>
LHIP<T-Y>
LHIP<T-Z>
LKNE<T-X>
LKNE<T-Y>
LKNE<T-Z>
LKNI<T-X>
LKNI<T-Y>
LKNI<T-Z>
12 Pantorrilla izq
LSHN<T-X>
LSHN<T-Y>
LSHN<T-Z>
LANK<T-X>
LANK<T-Y>
LANK<T-Z>
13 Pie izq
LHEL<T-X>
LHEL<T-Y>
LHEL<T-Z>
LMT5<T-X>
LMT5<T-Y>
LMT5<T-Z>
LMT1<T-X>
LMT1<T-Y>
LMT1<T-Z>
LTOE<T-X>
LTOE<T-Y>
LTOE<T-Z>
14 Pierna der
RHIP<T-X>
RHIP<T-Y>
RHIP<T-Z>
RKNE<T-X>
RKNE<T-Y>
RKNE<T-Z>
RKNI<T-X>
RKNI<T-Y>
RKNI<T-Z>
15 Pantorrilla der
RSHN<T-X>
RSHN<T-Y>
RSHN<T-Z>
RANK<T-X>
RANK<T-Y>
RANK<T-Z>
16 Pie derecho
RHEL<T-X>
RHEL<T-Y>
RHEL<T-Z>
RMT5<T-X>
RMT5<T-Y>
RMT5<T-Z>
RMT1<T-X>
RMT1<T-Y>
RMT1<T-Z>
RTOE<T-X>
RTOE<T-Y>
RTOE<T-Z>
Tabla 1. Agrupacin de los 53 marcadores por partes del cuerpo

Como cada uno de los 53 marcadores captura el movimiento de determinada parte del cuerpo
en los 3 ejes, ejes XYZ, entonces el nombre de los marcadores termina con el nombre del eje
en el cual est realizando la captura del movimiento. Por lo tanto, se tienen 159 variables.

6. Identificar los pesos de cada componente. Al extraer los componentes con el apoyo del
software estadstico, se obtiene la tabla de pesos de los componentes en la que se muestra la
importancia de cada una de las 159 variables en cada uno de los componentes principales
extrados. Cuando todos los valores o coordenadas de cada componente principal no tienen el
mismo signo, entonces se puede decir que no existe una alta correlacin positiva entre todas
las variables, por lo cual no hay un promedio ponderado de todas las variables o un factor
global de tamao; por el contrario, los componentes se interpretan como factor de forma
dado que tienen coordenadas positivas y negativas, lo cual implica que contrapone unos
grupos de variables frente a otros.
7. Identificar las variables originales de mayor peso en el vector de cada componente retenido y
colocar nombre a cada componente principal. Se identifican las variables que tienen mayor peso
positivo y mayor peso negativo en cada vector, y de esta forma se define cules son las
variables (especificando tambin su eje X, Y Z) que explican en mayor medida cada
componente retenido en el paso 4 de la etapa 2. Con base en estas variables de mayor peso, a
cada componente se le asigna un nombre que representa dichas variables, y se ajusta la
ecuacin lineal del componente dejando nicamente estas variables y omitiendo las de menor
peso.
8. Calcular los scores de cada componente principal retenido. Con el apoyo del software, se
obtienen los scores de sustituir en la ecuacin lineal de cada componente principal los
valores obtenidos en cada una de las 159 variables en cada uno de los frames. Esto se hace
para cada uno de los componentes retenidos.
9. Construir grficos de dispersin de nuevas variables (proyeccin), para entender el
movimiento de la marcha a partir de las variables de mayor influencia en cada componente.
Por ejemplo, componente 1 vs componente 2, componente 1 vs componente 3, etc. Para esto,
se elaboran grficos de dispersin eligiendo la combinacin en parejas de componentes.

10. Analizar las grficas y concluir. Se analiza el comportamiento de unos componentes frente a
otros y se concluye sobre el movimiento con base a las grficas de dispersin obtenidas,
teniendo en cuenta la secuencia del movimiento a travs de los frames. Esta secuencia del
movimiento se muestra en las grficas de dispersin obtenidas.

Como resultado de esta etapa 2 se logra reducir la dimensionalidad de los movimientos de
caminar con discapacidad y caminar sin discapacidad, puesto que con un nmero menor de
variables construidas como combinaciones lineales (nmero de componentes determinados en el
paso 4) de las originales (159 variables originales), se logra explicar al menos el 80% de la
variabilidad de todos los datos. As mismo, en cada uno de estos componentes determinados se
identificaron las variables de mayor peso positivo y negativo, las cuales se tomaron como base
para asignarle un nombre a cada componente; de tal forma, que al momento de construir las
grficas de dispersin con los scores de cada componente se facilitara el anlisis de los dos
movimientos (caminar con discapacidad y caminar sin discapacidad).

3.1.3 Etapa 3: Comparacin movimientos de
caminar con discapacidad y caminar sin
discapacidad

Una vez reducida la dimensionalidad de los dos movimientos, caminar con discapacidad y
caminar sin discapacidad, e identificadas las nuevas variables que explican cada movimiento, se
propone la comparacin de los dos movimientos con el propsito de evaluar la evolucin en las
terapias de rehabilitacin locomotora.

En la etapa 3 de la metodologa propuesta se comparan las nuevas variables construidas como
combinaciones lineales de las originales, de los movimientos de caminar con discapacidad y
caminar sin discapacidad, esto con el propsito de evaluar en forma cuantitativa la evolucin de

los pacientes en proceso de rehabilitacin de su aparato locomotor. Para comparar los
movimientos de caminar con discapacidad y caminar sin discapacidad se toma como base los
componentes de caminar con discapacidad. Aunque se obtuvieron componentes para cada
movimiento, no es til tomar como base los componentes de caminar sin discapacidad dado que
el objetivo es evaluar la evolucin de un paciente que ya se encuentra con discapacidad en su
aparato locomotor y mediante las terapias de rehabilitacin desea lograr un movimiento de
caminar sin discapacidad. Por lo anterior, se proponen los siguientes pasos:

1. Estandarizar los datos del movimiento de caminar sin discapacidad. Para esto, se toma la
matriz de datos de caminar sin discapacidad resultante de la etapa 2 paso 2 (en Excel), se
calcula la media y la desviacin estndar de cada una de las variables, y a cada uno de los
datos de cada variable (a travs de todos los frames) se le resta la media de la variable y se
divide entre la desviacin estndar de la variable a la que corresponde.
2. Seleccionar de la matriz de datos estandarizados de caminar sin discapacidad aquellas
variables originales que pertenecen a la ecuacin lineal ajustada de los componentes
retenidos de caminar con discapacidad, que se establecieron en el paso 7 de la etapa 2, y
eliminar las dems variables. Se toma referencia los componentes de caminar con
discapacidad, debido a que sta es la situacin inicial de un paciente que est en el proceso
de rehabilitacin del aparato locomotor.
En este paso, es importante mencionar que originalmente se tiene una matriz A de m x n
(donde m=frames, y n=159 variables menos aquellas que tengan valores atpicos), luego esta
matriz se cambia a una matriz A de m x n (donde m= frames, y n= variables originales que
forman parte de las nuevas variables retenidas las cuales son funcin lineal de las originales).
3. Calcular los scores para caminar sin discapacidad de acuerdo a las variables relevantes en los
componentes retenidos de caminar con discapacidad (etapa 2 paso 7), sustituyendo en las
ecuaciones lineales ajustadas de cada componente retenido de caminar con discapacidad los
valores estandarizados del movimiento de caminar sin discapacidad. Esto se hace para la
totalidad de frames del movimiento de caminar sin discapacidad. Para esto, se realiza una
multiplicacin de las siguientes matrices:


( )
ij mxn
A a y ( )
ij nxp
B b
Siendo,

A = matriz de datos estandarizados de caminar sin discapacidad, con m filas (# frames) y n
columnas (159 variables o menos segn se identifiquen valores atpicos).
m = nmero de frames de caminar sin discapacidad.
n = nmero de variables que forman parte de la ecuacin lineal ajustada de cada componente
retenido de caminar con discapacidad.

B = matriz de coeficientes de las variables segn la ecuacin lineal ajustada de cada componente
retenido de caminar con discapacidad
n = nmero de variables segn la ecuacin lineal ajustada de cada componente de caminar con
discapacidad
p = nmero de componentes retenidos (coeficientes de la ecuacin lineal ajustada de cada
componente retenido de caminar con discapacidad, los cuales se encuentran en una columna
o matriz de nx1).

Por lo anterior, para cada componente de caminar sin discapacidad, se obtiene la siguiente matriz:

1
( )
ij mx
C AB c (Esto se hace para las p componentes retenidos)

Donde,

C = vector de resultados de caminar sin discapacidad con base a los componentes de caminar con
discapacidad (como p=1, entonces es vector).
m = nmero de frames de caminar sin discapacidad.

Resultarn tantos vectores C como nmero de componentes de caminar con discapacidad
determinados en el paso 4 de la etapa 2. Los nuevos scores que resultan de estos vectores se
conocern como 'Componente 1', 'Componente 2', etc.

4. Estandarizar los datos de la matriz del movimiento de caminar con discapacidad. Para esto,
se toma la matriz de datos de caminar con discapacidad resultante de la etapa 2 paso 2 (en
Excel), se calcula la media y la desviacin estndar de cada una de las variables, y a cada
uno de los datos de cada variable (a travs de todos los frames) se le resta la media de la
variable y se divide entre la desviacin estndar de la variable a la que corresponde.
5. Seleccionar en la matriz de datos estandarizados de caminar con discapacidad aquellas
variables originales que pertenecen a la ecuacin lineal ajustada de los componentes
retenidos de caminar con discapacidad, que se establecieron en el paso 7 de la etapa 2, y
eliminar las dems variables.
En este paso, es importante mencionar que originalmente se tiene una matriz A de m x n
(donde m=frames, y n=159 variables menos aquellas que tengan valores atpicos), luego esta
matriz se cambia a una matriz A de m x n (donde m= frames, y n= variables originales que
forman parte de las nuevas variables retenidas las cuales son funcin lineal de las originales).
6. Calcular los scores para caminar con discapacidad de acuerdo a las variables relevantes en los
componentes retenidos de caminar con discapacidad (etapa 2 paso 7), sustituyendo en las
ecuaciones lineales ajustadas de cada componente retenido de caminar con discapacidad los
valores estandarizados del movimiento de caminar con discapacidad. Esto se hace para la
totalidad de frames del movimiento de caminar con discapacidad. Para esto, se realiza una
multiplicacin de las siguientes matrices como las mencionadas en el paso 3 de esta etapa:

( )
ij mxn
D d y ( )
ij nxp
E e
Siendo,

D = matriz de datos estandarizados de caminar con discapacidad, con m filas (# frames) y n
columnas (159 variables o menos segn se identifiquen valores atpicos).
m = nmero de frames de caminar con discapacidad
n = nmero de variables que forman parte de la ecuacin lineal ajustada de cada componente


E = matriz de coeficientes de las variables segn la ecuacin lineal ajustada de cada componente
n = nmero de variables segn la ecuacin lineal ajustada de cada componente retenido de
caminar con discapacidad
o matriz de nx1).

Por lo anterior, para cada componente de caminar con discapacidad, se obtiene la siguiente
matriz:

1
( )
ij mx
F DE f

Donde,

F = vector de resultados de caminar con discapacidad con base a los componentes de caminar con
discapacidad (como p=1, entonces es vector).
m = nmero de frames de caminar con discapacidad

Resultarn tantos vectores F como nmero de componentes de caminar con discapacidad
determinados en el paso 4 de la etapa 2. Los nuevos componentes que resultan de estos vectores
se conocern como 'Comp 1', 'Comp 2', etc.

7. Construir una grfica de dispersin con los scores (vector C y vector F) obtenidos en los
pasos 3 y 6 de esta etapa. Para esto, se pasan los scores de los vectores, a un software
estadstico (en este trabajo, se utiliz Minitab) y se elaboran las grficas de dispersin
sobrepuestas de los componentes 1 y 2 de los dos movimientos. Es decir, se sobrepone en la
misma grfica de dispersin el Componente 1 vs Componente 2, y el 'Comp 1' vs el 'Comp
2'. Componente 1 y 'Comp 1' se ubicarn en el eje X, as como, componente 2 y 'Comp 2' en
el eje Y.

8. Identificar el cuadrante del plano cartesiano al que corresponden los scores de los
componentes 1 y 2 para los frames de los dos movimientos. 8. Para cuantificar la brecha
entre los dos movimientos, se identifica el cuadrante del plano cartesiano al que pertenece el
score del componente 1 (eje X en la grfica) y el componente 2 (eje Y en la grfica), de cada
uno de los dos movimientos.

Figura 22. Plano cartesiano y cuadrantes

9. Calcular el rea en cada cuadrante de los componentes 1 y 2 (sombreado en amarillo de la
figura 23), para los dos movimientos, y restarlas para cuantificar la brecha existente entre el
movimiento de caminar sin discapacidad y el movimiento de caminar con discapacidad. El
rea se calcula en cada uno de los cuadrantes, considerando un X entre cada 10 frames
(lneas verdes de la figura 23).
10
rea ( ) *
n
n i
i
A X Y
,
Donde i= 10, 20, 30,, n frames en cada cuadrante.


Figura 23. Ejemplo clculo de rea en cada cuadrante

10. Concluir sobre la comparacin de los dos movimientos de caminar con discapacidad y
caminar sin discapacidad, estableciendo la evolucin de persona en proceso de rehabilitacin
de su aparato locomotor.

3.2 Aplicacin de la metodologa

ETAPA 1. Captura de los datos

La captura de los datos se realiz en el laboratorio de captura de movimiento del Instituto
Tecnolgico de Monterrey (ITESM) campus Guadalajara. Dentro de las pruebas realizadas para
capturar los datos del movimiento de caminar con discapacidad y caminar sin discapacidad,
participaron 4 personas, 2 mujeres y 2 hombres, debido a que se quera considerar si la
metodologa propuesta en este trabajo de investigacin podra ser aplicada a los dos gneros. La
obtencin de los datos se realiza mediante un equipo especializado de captura de movimiento
siguiendo el protocolo dispuesto en el manual Vicon Blade. A continuacin se describe la
aplicacin de los pasos descritos en el diagrama de flujo de la etapa 1, figura 10, para el caso
especfico de 'Carmen', aunque todos los pasos se hayan cumplido para las otras tres personas:

1. Preparar el almacenamiento de los datos en el
software
Antes de capturar los datos del movimiento, se
configur una ubicacin en la que los datos y todos los
archivos relacionados con cada una de las cuatro
personas se almacenaran. Al crear una nueva base de
datos para cada persona se seleccion el Blade
Animation Template para reconstuir ms adelante el
esqueleto.

2. Colocar el traje y los marcadores a la persona
Se coloc el traje y los 53 marcadores a las cuatro
personas que realizaron la prueba, como se muestra en
la figura 24. Esto se realiz siguiendo el Vicon
Skeleton Template (VSK) propuesto en el protocolo de
Vicon Blade, el cual fue descrito en el numeral 3.1.1
Etapa 1. En este paso, se verific que la posicin de los
marcadores en las partes del cuerpo fuera lo ms
precisa posible.

Figura 24. 'Carmen' con traje y marcadores

1. Preparar el almacenamiento
de los datos en el software
2. Colocar el traje y los
marcadores a la persona
3. Configurar y calibrar las
cmaras
6. Capturar y procesar el trial
de la marcha
7. Realizar el post-
procesamiento de los datos
capturados

3. Configurar y calibrar las cmaras
Antes de realizar la captura de los datos tambin se configuraron y calibraron las cmaras. Las
cmaras se configuraron en el software Vicon Blade definiendo la velocidad de captura de
movimiento de 120 frames/seg, debido a que es una velocidad adecuada de captura de
movimiento en cuanto a la precisin de los datos capturados, y se calibraron mediante la
realizacin de un capture frame con una varita de calibracin hasta que al menos 500 frames de
la varita fueran capturados por cada cmara. Tambin se configur la ubicacin que se deseaba
establecer como el origen de la captura de movimiento, que en este trabajo fue el centro del
escenario de captura. De esta forma, se verific que el software Blades reconociera la ubicacin
exacta de las 22 cmaras y que stas estaban funcionando adecuadamente para iniciar la captura
de los datos.

Se calibr el esqueleto de 'Carmen' en el espacio de captura de movimiento (9m de largo por 4m
de ancho), utilizando la funcionalidad AutoVST del software. En esta funcionalidad del software,
se carg el Vicon Squeleton Template (VSK). Esta actividad se cumpli cada vez de una de las
cuatro personas realizaba algunas de las pruebas para la captura del movimiento.

Figura 25. Esqueleto de 'Carmen' reconstruido en 3D con el software Vicon Blade


Antes de iniciar la captura de los dos movimientos, la persona que est en el escenario de captura
realiza una serie de movimientos con los brazos, las piernas, la cabeza, la cintura, etc., para que el
sistema reconozca la dimensin de las extremidades y calibre su esqueleto en forma automtica
en el espacio 3D identificando el nombre de los 53 marcadores. En este paso, fue importante
verificar la reconstruccin de los 53 marcadores en el 3D y que los nombres asignados
automticamente por el software a cada uno de los 53 marcadores fueran correctos de acuerdo
con el template del software Vicon Blade, tal y como se presentan en la tabla 2.
Nombre del
marcador
Parte del cuerpo
Nombre del
marcador
Parte del cuerpo
ARIEL Top of Head
LFHD Left Front Head RFHD Right Front Head
LBHD Left Back head RBHD Right Back Head
CLAV Clavicle C7 Top of Spine
STRN Sternum C10 Middle of Spine
LFSH Left Front Shoulder RFSH Right Front Shoulder
LBSH Left Back Shoulder RBSH Right Back Shoulder
LUPA Left Upper Arm RUPA Right Upper Arm
LELB Left Elbow RELB Right Elbow
LIEL Left Inner Elbow RIEL Right Inner Elbow
LWRE Left Forearm RWRE Right Forearm
LIWR Left Inner Wrist RIWR Right Inner Wrist
LOWR Left Outer Wrist ROWR Right Outer Wrist
LIHD Left Inner Hand RIHD Right Inner Hand
LOHD Left Outer Hand ROHD Right outer Hand
LFWT Left Front Waist RFWT Right Front Waist
LBWT Left Back Waist RBWT Right Back Waist
LMWT Left Middel Waist RMWT Right Middle Waist
LHIP Left Hip RHIP Right Hip
LKNE Left Knee RKNE Right Knee
LKNI Left Inner Knee RKNI Right Inner Knee
LSHN Left Shin RSHN Right Shin
LANK Left Ankle RANK Right Ankle
LHEL Left Heel RHEL Right Heel
L5MT Left Outer Toe R5MT Right Outer Toe
L1MT Left Inner Toe R1MT Right Inner Toe
LTOE Left Middle Toe RTOE Right Middle Toe
Tabla 2. Nombre de los marcadores segn Vicon Skeleton Template (VSK)

6. Capturar y procesar el trial de la marcha
Se capturan el movimiento de las dos pruebas, caminar sin discapacidad y caminar con
discapacidad. Para iniciar la captura de las pruebas se estiran los brazos a los lados, durante 10
segundos aproximadamente, para que el sistema reconozca y cargue el esqueleto de la persona
correspondiente, luego se bajan los brazos e inicia el movimiento de la marcha. La prueba inicia
en el centro del escenario, luego la persona gira a la izquierda y camina haca el extremo
izquierdo del escenario, da vuelta y se regresa hacia el extremo derecho, nuevamente da vuelta y
se regresa al centro del escenario y termina estirando nuevamente los brazos a los lados. La
distancia que recorre es segn el tamao del escenario de captura, es decir, 9m de largo. Los
datos obtenidos en las dos pruebas (caminar sin discapacidad y caminar con discapacidad) para
las cuatro personas fueron los mostrados en la tabla 3:

Persona
Caminar sin
discapacidad
Caminar con
discapacidad
Frames Duracin Frames Duracin
Carmen 2254 22:13 s 3028 30:07 s
Tabla 3. Frames y duracin de pruebas capturadas con el Mocap

De acuerdo con la tabla 3, la duracin de las pruebas del movimiento de caminar con
discapacidad es mayor al tiempo que duraron las pruebas de caminar sin discapacidad lo cual es
coherente con la dificultad de caminar simulando una discapacidad en la pierna derecha con un
palo que impeda la flexin de la rodilla derecha.

7. Realizar el post-procesamiento de los datos capturados
Dentro del post-procesamiento de los datos capturados, adems de verificar la reconstruccin de
los puntos en el espacio 3D y los datos de los marcadores, se realiz la exportacin a Excel de los
datos mostrados en la tabla 3. De esta forma, los datos capturados de la tabla 3 se almacenan en
dos matrices en Excel, para cada una de las cuatro personas. Para el caso de Carmen, por ejemplo
se obtuvieron las siguientes matrices: 1) Matriz de datos de caminar sin discapacidad de 2254
filas por 159 columnas, y 2) Matriz de datos de caminar con discapacidad de 3028 filas por 159

columnas. As mismo, se elaboraron los videos de captura de movimiento con el software del
laboratorio.

Es importante resaltar, que cada uno de los 53 marcadores recolecta o captura 3 valores que
corresponden a la posicin en el eje X, Y y Z. Por lo tanto, son 159 variables a capturar.

Como resultado de esta etapa 1, se tienen las matrices de datos en Excel para los movimientos de
caminar sin discapacidad y caminar con discapacidad, para las cuatro personas que realizaron las
pruebas de captura de movimiento. Debido a la velocidad de captura de movimiento (120
frames/seg) de los 53 marcadores en los ejes XYZ (159 variables), se adquiere un total de 19080
datos por segundo; por lo tanto, la complejidad de analizar tal cantidad es alta y por ello la
justificacin de aplicar una tcnica estadstica multivariante.


ETAPA 2. Anlisis de los datos

En esta etapa se realiza el anlisis estadstico de los
datos obtenidos en las capturas de los dos
movimientos, caminar sin discapacidad y caminar con
discapacidad, para cada una de las 4 personas que
realizaron la prueba, mediante la aplicacin de la
tcnica de 'Componentes Principales'. Es decir, se
analizan ocho matrices (4 personas con 2 pruebas cada
una), que de acuerdo a la duracin del movimiento de
cada persona, tienen una cantidad diferente de datos a
analizar. En los siguientes pasos, se explica la
aplicacin de cada uno de los pasos propuestos en el
diagrama de flujo de la etapa 2, figura 11, para el caso
especfico de 'Carmen'.

1. Identificar los frames correspondientes
nicamente al ciclo de la marcha
Considerando que para capturar los datos con el
Mocap, algunos frames no correspondieron al ciclo de
marcha sino a movimientos realizados con los brazos
para el reconocimiento y la calibracin del esqueleto
en 3D, es necesario eliminar estos frames del anlisis
estadstico y por lo tanto, considerar solamente
aquellos frames que s describen el ciclo de la marcha.

Por ejemplo, en el caso de 'Carmen' aunque se
capturaron 2254 frames en el movimiento de caminar
1. Identificar los frames
correspondientes nicamente al
ciclo de la marcha
2. Identificar la existencia de
datos anormales o atpicos
3. Extraer el nmero de
componentes principales con el
mtodo de correlacin
4. Determinar el nmero de
componentes principales a
retener
5. Agrupar los 53 marcadores por
partes del cuerpo
6. Identificar los pesos de cada
componente
8. Calcular los scores de cada
componente principal retenido
7. Identificar las variables
originales de mayor peso y
colocar nombre a cada
componente principal
9. Construir grficos de
dispersin de nuevas variables
(proyeccin)
10. Analizar las grficas y
concluir

sin discapacidad, como se present en la tabla 3 de la etapa 1, solamente los frames que se
encuentran desde el frame 326 hasta el frame 1975, segn se muestra en la tabla 4, corresponden
al movimiento del ciclo de la marcha, por lo cual los dems frames se eliminan de la matriz en
Excel y no se tendrn en cuenta para el anlisis estadstico pues afectaran los resultados que se
obtengan. De igual forma, sucede con el movimiento de caminar con discapacidad; los frames
que se encuentran antes del 443 y despus del 2626 son eliminados de su respectiva matriz en
Excel.

Caminar sin discapacidad Caminar con discapacidad
Inicio Fin Inicio Fin
Frame Tiempo Frame Tiempo Frame Tiempo Frame Tiempo
326 03:06 s 1975 19:18 s 443 04:10 s 2626 26:06 s
Tabla 4. Frames que corresponden al ciclo de la marcha de 'Carmen'

Los anteriores datos se almacenaron en matrices en Excel, cuyo tamao es el nmero de frames o
filas por el nmero de variables o columnas (Apndice C en electrnico). Para el caso de
'Carmen', la matriz de caminar sin discapacidad qued de 1650 frames por 159 variables, y la
matriz de caminar con discapacidad qued de 2184 frames por 159 variables. En estas matrices se
observa la posicin en milmetros para cada uno de los 53 marcadores en los ejes XYZ, a travs
del tiempo.

Figura 26. Seccin matriz 'Carmen' movimiento de caminar sin discapacidad

En la figura 26, se presenta una seccin de la matriz de 'Carmen' con los datos del movimiento de
caminar sin discapacidad, en la cual se observa que se eliminaron los frames que se encontraban
antes del frame 326 as como los que se encontraban despus del frame 1975. De esta forma, la
matriz resultante es de 1650 x 159.

2. Identificar la existencia de datos anormales o atpicos
Al revisar los datos almacenados en las dos matrices de 'Carmen' (movimiento de caminar sin
discapacidad y caminar con discapacidad), no se observaron datos atpicos. Para la identificacin
de estos datos atpicos, se siguieron dos procedimientos: primero, se revisaron visualmente los
datos de cada variable verificando que todas las variables cambiaran a travs de los frames; y
segundo, al momento de obtener la tabla de pesos de los componentes, los pesos de las variables
aparecan muy pequeos con valores alrededor de
7
10
, as que esto indicaba que la variabilidad

en alguna de las variables no era significativa y por lo tanto podan haber datos atpicos.

En el caso de Carmen y de las otras tres personas no se identificaron datos atpicos, pues todos
los datos de cada variable s cambiaban a travs del tiempo por lo que las cmaras s registraron
el movimiento de todos los marcadores y la tabla de pesos de los componentes (obtenida en un
paso ms adelante) no mostraba valores extremadamente pequeos.

En pruebas piloto anteriores a las mencionadas en este trabajo de investigacin, pero en el marco
de este mismo trabajo, s se presentaron casos con valores atpicos, por lo que fue necesario
eliminarlos del anlisis estadstico. Esto se debi, a que algunas cmaras no estaban registrando
la captura del movimiento y fue necesario verificar su funcionamiento y calibracin para las
siguientes pruebas.

3. Extraer el nmero de componentes principales con el mtodo de correlacin
Con el apoyo de software estadstico especializado como Statgraphics 16 y Minitab 15, se extrae
el nmero de componentes principales para cada uno de los movimientos (caminar sin
discapacidad y caminar con discapacidad). Para la extraccin de estos componentes se utiliz la

matriz de correlacin y no la de covarianza debido a que los datos no son dimensionalmente
homogneos.

Movimiento de caminar sin discapacidad

En la tabla 5, se presenta el resumen de componentes extrados para el movimiento de caminar
sin discapacidad de 'Carmen' y se reporta que los componentes extrados para este movimiento
fueron 7. Es decir, las 159 variables originales estn representadas adecuadamente por estos 7
componentes principales que son combinaciones lineales de las originales.
Entrada de
datos
Nmero
de casos
(frames)
Tratamiento
de valores
perdidos
Estandarizar
Nmero de
componentes
extrados
Observaciones 1650
Eliminacin
Listwise
S 7
Tabla 5. Resumen componentes extrados movimiento de caminar sin discapacidad 'Carmen'

De forma ms detallada, en la tabla 6 se muestra el nmero de componentes principales extrados,
los eigenvalor y los porcentajes de varianza para el movimiento caminar sin discapacidad para el
caso de 'Carmen':
Componente Porcentaje de Porcentaje
Nmero Eigenvalor Varianza Acumulado
1 90.8264 57.124 57.124
2 47.9629 30.165 87.289
3 6.34785 3.992 91.281
4 3.87233 2.435 93.717
5 3.5331 2.222 95.939
6 1.76843 1.112 97.051
7 1.14119 0.718 97.769
8 0.900592 0.566 98.335
9 0.634234 0.399 98.734
10 0.340389 0.214 98.948
11 0.310452 0.195 99.143
Tabla 6. Nmero de componentes extrados para el movimiento caminar sin discapacidad
'Carmen'


Como las 159 variables originales estn representadas adecuadamente por estos 7 componentes
principales y como estas nuevas variables (construidas como combinaciones lineales de las
originales) son independientes, se facilita la interpretacin de los datos.

Se decidi extraer estos 7 componentes principales pues explican la mayor variabilidad en los
datos, obteniendo eigenvalores mayores o iguales que 1.0. En conjunto estos siete componentes
explican el 97.769% de la variabilidad en los datos originales.

Movimiento de caminar con discapacidad

En la tabla 7, se presenta el resumen de componentes extrados para el movimiento de caminar
con discapacidad de 'Carmen' y se reporta que los componentes extrados para este movimiento
fueron 7. Es decir, las 159 variables originales estn representadas adecuadamente por estos 7
componentes principales que son combinaciones lineales de las originales.

Entrada de
datos
Nmero
de casos
completos
Tratamiento
de valores
perdidos
Estandarizar
Nmero de
componentes
extrados
Observaciones 2184
Eliminacin
Listwise
S 7
Tabla 7. Resumen componentes extrados movimiento de caminar con discapacidad 'Carmen'

De forma ms detallada, en la tabla 8 se muestra el nmero de componentes principales extrados,
los eigenvalor y los porcentajes de varianza para el movimiento caminar con discapacidad para el
caso de 'Carmen':

1 86.8556 54.626 54.626
2 50.0701 31.491 86.117
3 7.9541 5.003 91.119
4 4.85761 3.055 94.174
Tabla 8-A. Nmero componentes principales extrados para el movimiento caminar con
discapacidad 'Carmen'

5 2.51956 1.585 95.759
6 2.29018 1.440 97.199
7 1.61298 1.014 98.214
8 0.700509 0.441 98.655
9 0.490489 0.308 98.963
10 0.320949 0.202 99.165
Tabla 8-B. Nmero componentes principales extrados para el movimiento caminar con

En este caso es necesario mantener 7 componentes puesto que stos obtuvieron eigenvalores
mayores o iguales que 1.0. En conjunto estos siete componentes explican el 98.214% de la
variabilidad en los datos originales. Por lo tanto, las 159 variables originales estn representadas
adecuadamente por estos 7 componentes principales y como estas nuevas variables (construidas
como combinaciones lineales de las originales) son independientes, se facilita la interpretacin de
los datos.

4. Determinar el nmero de componentes principales a retener


Teniendo en cuenta que el primer componente principal explica el 57.124% y que con los dos
primeros componentes se explica el 87.289% de la variabilidad, en este anlisis se considerarn
solamente los dos primeros componentes ya que los siguientes componentes tienen menor
capacidad explicativa.
1 90.8264 57.124 57.124
2 47.9629 30.165 87.289
Tabla 9. Nmero componentes principales retenidos para el movimiento caminar sin



Teniendo en cuenta que el primer componente principal explica un 54.626% de la variabilidad, y
que con los dos primeros componentes se explica el 86.117% de la variabilidad, en este anlisis
tambin se considerarn solamente los dos primeros componentes ya que los siguientes tienen
menor capacidad explicativa.

1 86.8556 54.626 54.626
2 50.0701 31.491 86.117
Tabla 10. Nmero componentes principales retenidos para el movimiento caminar con

5. Agrupar los 53 marcadores por partes del cuerpo

Con el propsito de facilitar el anlisis y la explicacin de los movimientos de caminar sin
discapacidad y caminar con discapacidad, en la tabla 11 de peso de los componentes, se incluy
en la primera columna la clasificacin de las 159 variables o marcadores de acuerdo a las partes
del cuerpo. Se definieron 16 partes del cuerpo, presentadas en el numeral 3.1.2 paso 5, que
agrupan los 53 marcadores que capturan el movimiento.

6. Identificar los pesos de cada componente

La tabla 11 muestra los pesos de los componentes retenidos para los movimientos de caminar sin
discapacidad y caminar con discapacidad. En el movimiento de caminar sin discapacidad, el
componente 1 todos los pesos (loadings) de cada variable original tienen el mismo signo, es
decir, existe una alta correlacin positiva entre todas las variables y por lo tanto se puede
considerar que hay una nueva variable que es combinacin lineal de las originales y que es el
promedio ponderado de todas las variables o un factor global de tamao; por el contrario, el

componente 2 se interpreta como factor de forma dado que tiene pesos positivos y negativos, lo
cual implica que contrapone unos grupos de variables frente a otros.

En cuanto al movimiento de caminar con discapacidad, tanto en el componente 1 como en el
componente 2 todos los pesos (loadings) de cada variable original tienen valores positivos y
negativos, por lo cual se interpretan como factor de forma, lo cual implica que contrapone unos
grupos de variables frente a otros.

Parte del
cuerpo
Marcador
Caminal normal
Caminar con discapacidad
Componente 1 Componente 2 Componente 1 Componente 2
Cabeza
ARIEL<T-X> 0.1019860 -0.0225939 0.1063590 -0.0024240
ARIEL<T-Y> 0.0948714 -0.0451878 0.1004290 -0.0096135
ARIEL<T-Z> 0.0371211 0.1347860 0.0073614 0.1405960
LFHD<T-X> 0.1023200 -0.0197417 0.1063370 0.0013022
LFHD<T-Y> 0.0885722 -0.0391128 0.0949439 0.0037550
LFHD<T-Z> 0.0387404 0.1338940 0.0050031 0.1405180
LBHD<T-X> 0.1013400 -0.0272368 0.1062650 -0.0065596
LBHD<T-Y> 0.0925684 -0.0498594 0.0957347 -0.0087458
LBHD<T-Z> 0.0456409 0.1294940 0.0147721 0.1388760
RFHD<T-X> 0.1027200 -0.0157664 0.1063190 0.0040112
RFHD<T-Y> 0.0938477 -0.0334639 0.1002540 -0.0056908
RFHD<T-Z> 0.0283247 0.1375070 -0.0001212 0.1397090
RBHD<T-X> 0.1020970 -0.0213131 0.1063350 -0.0019612
RBHD<T-Y> 0.0948620 -0.0405271 0.0988595 -0.0159140
RBHD<T-Z> 0.0325194 0.1363610 0.0050744 0.1402410
Espalda
C7<T-X> 0.1007620 -0.0305236 0.1060690 -0.0104376
C7<T-Y> 0.0941671 -0.0455208 0.1003730 -0.0180786
C7<T-Z> 0.0452299 0.1297810 0.0161607 0.1389100
T10<T-X> 0.1004910 -0.0321274 0.1059360 -0.0125314
T10<T-Y> 0.0928548 -0.0477827 0.0984679 -0.0204912
T10<T-Z>
0.0473247 0.1280870 0.0185615 0.1380750
Pecho
CLAV<T-X>
0.1027120 -0.0159135 0.1063110 0.0045550
CLAV<T-Y>
0.0952404 -0.0414375 0.1006480 -0.0072950
CLAV<T-Z>
0.0321583 0.1364920 0.0000658 0.1404860
STRN<T-X>
0.1029700 -0.0128762 0.1062190 0.0072027
STRN<T-Y>
0.0945907 -0.0377667 0.0973633 -0.0062934
STRN<T-Z> 0.0289257 0.1371830 -0.0030412 0.1398830
Hombro
izq
LFSH<T-X> 0.1025520 -0.0177646 0.1063360 0.0027843
LFSH<T-Y> 0.0931043 -0.0449122 0.0960323 -0.0059914

LFSH<T-Z> 0.0373254 0.1345320 0.0024306 0.1407600
LBSH<T-X> 0.1008760 -0.0302801 0.1061250 -0.0099974
LBSH<T-Y> 0.0909681 -0.0498591 0.0961761 -0.0121940
LBSH<T-Z> 0.0510442 0.1244120 0.0206009 0.1355700
Brazo izq
LUPA<T-X> 0.1015190 -0.0260377 0.1062300 -0.0048059
LUPA<T-Y> 0.0867659 -0.0500041 0.0869270 -0.0042891
LUPA<T-Z> 0.0577071 0.1129430 0.0194748 0.1266400
LELB<T-X> 0.1014410 -0.0265124 0.1061520 -0.0049362
LELB<T-Y> 0.0872126 -0.0492699 0.0838733 -0.0023895
LELB<T-Z> 0.0589004 0.1108230 0.0198314 0.1240180
LIEL<T-X> 0.1011470 -0.0286429 0.1061860 -0.0065981
LIEL<T-Y> 0.0882090 -0.0509531 0.0916475 -0.0017231
LIEL<T-Z> 0.0558770 0.1174160 0.0196466 0.1315950
Antebrazo
- mano
izq
LOWR<T-X> 0.1019510 -0.0219099 0.1057850 0.0003013
LOWR<T-Y> 0.0818829 -0.0433384 0.0536784 -0.0013251
LOWR<T-Z> 0.0578530 0.1081990 0.0084916 0.1150750
LIWR<T-X> 0.1024480 -0.0176723 0.1058710 0.0038358
LIWR<T-Y> 0.0746326 -0.0398502 0.0457966 -0.0041688
LIWR<T-Z> 0.0476511 0.1240780 0.0000034 0.1265350
LWRE<T-X> 0.1017300 -0.0240817 0.1059970 -0.0021169
LWRE<T-Y> 0.0852688 -0.0474030 0.0655639 -0.0014388
LWRE<T-Z> 0.0585911 0.1094920 0.0142055 0.1204790
LIHAND<T-X> 0.1024100 -0.0175114 0.1056430 0.0044599
LIHAND<T-Y> 0.0727810 -0.0379547 0.0435729 -0.0031249
LIHAND<T-Z> 0.0496211 0.1197270 -0.0016751 0.1194600
LOHAND<T-X> 0.1020490 -0.0209132 0.1056810 0.0015252
LOHAND<T-Y> 0.0804565 -0.0418280 0.0513121 -0.0022926
LOHAND<T-Z> 0.0561722 0.1107900 0.0052152 0.1162190
Hombro
derecho
RFSH<T-X> 0.1025650 -0.0168411 0.1063190 0.0032898
RFSH<T-Y> 0.0945307 -0.0408239 0.0990775 -0.0137381
RFSH<T-Z> 0.0305287 0.1366810 0.0014824 0.1399010
RBSH<T-X> 0.1009500 -0.0286044 0.1060570 -0.0091403
RBSH<T-Y> 0.0943993 -0.0413096 0.0979164 -0.0190705
RBSH<T-Z> 0.0392077 0.1333350 0.0120168 0.1396960
Brazo der
RUPA<T-X> 0.1017020 -0.0228007 0.1061670 -0.0042015
RUPA<T-Y> 0.0939432 -0.0372928 0.0954810 -0.0174189
RUPA<T-Z> 0.0327834 0.1357600 0.0067080 0.1395490
RELB<T-X> 0.1017240 -0.0222460 0.1061000 -0.0045377
RELB<T-Y> 0.0930626 -0.0372937 0.0948257 -0.0173044
RELB<T-Z> 0.0319761 0.1359380 0.0065661 0.1393470
RIEL<T-X> 0.1013340 -0.0254740 0.1060510 -0.0073623
RIEL<T-Y> 0.0916891 -0.0413998 0.0982877 -0.0163106

RIEL<T-Z> 0.0352003 0.1349280 0.0089973 0.1395730
Antebrazo
- mano
der
ROWR<T-X> 0.1021560 -0.0182689 0.1060800 -0.0018525
ROWR<T-Y> 0.0887520 -0.0317974 0.0919760 -0.0147781
ROWR<T-Z> 0.0287466 0.1367110 0.0043090 0.1389850
RIWR<T-X> 0.1024970 -0.0154681 0.1061390 0.0014081
RIWR<T-Y> 0.0858990 -0.0262941 0.0894758 -0.0121672
RIWR<T-Z> 0.0270060 0.1370890 0.0022609 0.1388810
RWRE<T-X> 0.1017750 -0.0217531 0.1060810 -0.0045232
RWRE<T-Y> 0.0930327 -0.0364302 0.0949368 -0.0168319
RWRE<T-Z> 0.0315492 0.1360700 0.0064312 0.1393050
RIHAND<T-X> 0.1024670 -0.0153539 0.1060920 0.0009623
RIHAND<T-Y> 0.0832965 -0.0269628 0.0887001 -0.0132705
RIHAND<T-Z> 0.0267679 0.1370500 0.0025108 0.1387570
ROHAND<T-X> 0.1021630 -0.0180509 0.1060500 -0.0018369
ROHAND<T-Y> 0.0877250 -0.0300283 0.0882034 -0.0122656
ROHAND<T-Z> 0.0285988 0.1367020 0.0042140 0.1388840
Cintura
LFWT<T-X> 0.1026740 -0.0164981 0.1063440 0.0030885
LFWT<T-Y> 0.0937500 -0.0375416 0.0973588 -0.0059818
LFWT<T-Z> 0.0360114 0.1349960 0.0011998 0.1407490
LMWT<T-X> 0.1030200 -0.0121317 0.1062100 0.0076345
LMWT<T-Y> 0.0943970 -0.0356531 0.0864896 -0.0040059
LMWT<T-Z> 0.0280574 0.1373260 -0.0034974 0.1396580
LBWT<T-X> 0.1008450 -0.0304629 0.1060480 -0.0115355
LBWT<T-Y> 0.0930020 -0.0476011 0.0892306 -0.0162479
LBWT<T-Z> 0.0507714 0.1247250 0.0200529 0.1369190
RFWT<T-X> 0.1026280 -0.0161808 0.1063260 0.0035107
RFWT<T-Y> 0.0954043 -0.0381944 0.0880757 -0.0110479
RFWT<T-Z> 0.0303160 0.1367470 0.0010395 0.1397640
RMWT<T-X> 0.1006090 -0.0314652 0.1059640 -0.0123650
RMWT<T-Y> 0.0933133 -0.0484054 0.0900334 -0.0161841
RMWT<T-Z> 0.0470472 0.1282940 0.0176601 0.1386950
RBWT<T-X> 0.1007130 -0.0304072 0.1059860 -0.0112994
RBWT<T-Y> 0.0917862 -0.0500733 0.0906928 -0.0178620
RBWT<T-Z> 0.0428839 0.1313080 0.0142529 0.1395870
Pierna izq
LHIP<T-X> 0.1021970 -0.0210008 0.1063570 -0.0026581
LHIP<T-Y> 0.0861522 -0.0395098 0.0904921 -0.0102672
LHIP<T-Z> 0.0458400 0.1283380 0.0107251 0.1380250
LKNE<T-X> 0.1023610 -0.0185478 0.1062980 -0.0014396
LKNE<T-Y> 0.0798341 -0.0270990 0.0901876 -0.0047970
LKNE<T-Z> 0.0395544 0.1326340 0.0078390 0.1399230
LKNI<T-X> 0.1024860 -0.0170105 0.1062910 0.0004666
LKNI<T-Y> 0.0750129 -0.0231407 0.0869108 -0.0007029

LKNI<T-Z> 0.0346624 0.1349530 0.0042701 0.1401890
Pantorrilla
izq
LSHN<T-X> 0.1015470 -0.0244964 0.1060690 -0.0079641
LSHN<T-Y> 0.0595732 -0.0205092 0.0669469 -0.0069552
LSHN<T-Z> 0.0456796 0.1282790 0.0164200 0.1379490
LANK<T-X> 0.1009580 -0.0268002 0.1057390 -0.0107765
LANK<T-Y> 0.0406556 -0.0125548 0.0439568 -0.0049021
LANK<T-Z> 0.0462978 0.1267220 0.0182897 0.1367390
Pie izq
LHEL<T-X> 0.1006330 -0.0286219 0.1055980 -0.0126783
LHEL<T-Y> 0.0329703 -0.0090965 0.0371438 -0.0024297
LHEL<T-Z> 0.0456721 0.1273770 0.0183257 0.1370770
LMT5<T-X> 0.1017050 -0.0208794 0.1059560 -0.0041934
LMT5<T-Y> 0.0685661 -0.0177941 0.0768725 -0.0076445
LMT5<T-Z> 0.0404545 0.1304640 0.0104248 0.1385540
LMT1<T-X> 0.1018840 -0.0191215 0.1059790 -0.0024509
LMT1<T-Y> 0.0667985 -0.0094293 0.0860899 0.0038800
LMT1<T-Z> 0.0364225 0.1324480 0.0071139 0.1389010
LTOE<T-X> 0.1020420 -0.0175750 0.1059760 -0.0005580
LTOE<T-Y> 0.0659478 -0.0128466 0.0848657 -0.0001829
LTOE<T-Z> 0.0358142 0.1324830 0.0053918 0.1389960
Pierna der
RHIP<T-X> 0.1021270 -0.0200762 0.1063080 -0.0001893
RHIP<T-Y> 0.0880259 -0.0351321 0.0906341 -0.0140999
RHIP<T-Z> 0.0327806 0.1359360 0.0037137 0.1398500
RKNE<T-X> 0.1021550 -0.0191208 0.1062500 0.0003338
RKNE<T-Y> 0.0796881 -0.0241344 0.0893530 -0.0124734
RKNE<T-Z> 0.0328155 0.1356490 0.0029894 0.1399360
RKNI<T-X> 0.1023280 -0.0181523 0.1062910 0.0001907
RKNI<T-Y> 0.0749217 -0.0183102 0.0960519 -0.0076796
RKNI<T-Z> 0.0337050 0.1354340 0.0032224 0.1404180
Pantorrilla
der
RSHN<T-X> 0.1016420 -0.0224594 0.1061650 -0.0008521
RSHN<T-Y> 0.0775848 -0.0199559 0.0908098 -0.0116057
RSHN<T-Z> 0.0351514 0.1347140 0.0037545 0.1398030
RANK<T-X> 0.1008760 -0.0261760 0.1060230 -0.0020438
RANK<T-Y> 0.0400703 -0.0074317 0.0821631 -0.0026648
RANK<T-Z> 0.0380236 0.1328050 0.0046148 0.1395230
Pie
derecho
RHEL<T-X> 0.1004140 -0.0294454 0.1059620 -0.0061764
RHEL<T-Y> 0.0280715 -0.0054573 0.0915806 -0.0086488
RHEL<T-Z> 0.0422175 0.1303600 0.0084221 0.1395590
RMT5<T-X> 0.1016290 -0.0198978 0.1059630 0.0039106
RMT5<T-Y> 0.0583052 0.0012788 0.0775297 -0.0104036
RMT5<T-Z> 0.0334714 0.1341950 -0.0000621 0.1388350
RMT1<T-X> 0.1016730 -0.0200535 0.1059880 0.0047025
RMT1<T-Y> 0.0638059 -0.0027860 0.0781953 -0.0033657

RMT1<T-Z> 0.0334952 0.1345570 -0.0009584 0.1389520
RTOE<T-X> 0.1017410 -0.0186012 0.1058410 0.0079856
RTOE<T-Y> 0.0606082 -0.0211706 0.0675377 -0.0057168
RTOE<T-Z> 0.0296111 0.136106 -0.00364926 0.138188
Tabla 11. Tabla de pesos de los componentes retenidos de los dos movimientos 'Carmen'

A partir de los valores mostrados en la se obtiene tabla 11 muestra las ecuaciones de los
componentes principales. Por ejemplo, el primer componente principal para el movimiento de
caminar sin discapacidad tiene la ecuacin:

Componente 1 = 0.101986*ARIEL<T-X> + 0.0948714*ARIEL<T-Y> + 0.0371211*ARIEL<T-
Z> + 0.10232*LFHD<T-X> + 0.0885722*LFHD<T-Y> + 0.0387404*LFHD<T-Z> +
0.10134*LBHD<T-X> + 0.0925684*LBHD<T-Y> + 0.0456409*LBHD<T-Z> +
0.10272*RFHD<T-X> + 0.0938477*RFHD<T-Y> + 0.0283247*RFHD<T-Z> +
0.102097*RBHD<T-X> + 0.094862*RBHD<T-Y> + 0.0325194*RBHD<T-Z> +
0.100762*C7<T-X> + 0.0941671*C7<T-Y> + 0.0452299*C7<T-Z> + 0.100491*T10<T-X> +
0.0928548*T10<T-Y> + 0.0473247*T10<T-Z> + 0.102712*CLAV<T-X> +
0.0952404*CLAV<T-Y> + 0.0321583*CLAV<T-Z> + 0.10297*STRN<T-X> +
0.0945907*STRN<T-Y> + 0.0289257*STRN<T-Z> + 0.102552*LFSH<T-X> +
0.0931043*LFSH<T-Y> + 0.0373254*LFSH<T-Z> + 0.100876*LBSH<T-X> +
0.0909681*LBSH<T-Y> + 0.0510442*LBSH<T-Z> + 0.101519*LUPA<T-X> +
0.0867659*LUPA<T-Y> + 0.0577071*LUPA<T-Z> + 0.101441*LELB<T-X> +
0.0872126*LELB<T-Y> + 0.0589004*LELB<T-Z> + 0.101147*LIEL<T-X> +
0.088209*LIEL<T-Y> + 0.055877*LIEL<T-Z> + 0.101951*LOWR<T-X> +
0.0818829*LOWR<T-Y> + 0.057853*LOWR<T-Z> + 0.102448*LIWR<T-X> +
0.0746326*LIWR<T-Y> + 0.0476511*LIWR<T-Z> + 0.10173*LWRE<T-X> +
0.0852688*LWRE<T-Y> + 0.0585911*LWRE<T-Z> + 0.10241*LIHAND<T-X> +
0.072781*LIHAND<T-Y> + 0.0496211*LIHAND<T-Z> + 0.102049*LOHAND<T-X> +
0.0804565*LOHAND<T-Y> + 0.0561722*LOHAND<T-Z> + 0.102565*RFSH<T-X> +
0.0945307*RFSH<T-Y> + 0.0305287*RFSH<T-Z> + 0.10095*RBSH<T-X> +
0.0943993*RBSH<T-Y> + 0.0392077*RBSH<T-Z> + 0.101702*RUPA<T-X> +

0.0939432*RUPA<T-Y> + 0.0327834*RUPA<T-Z> + 0.101724*RELB<T-X> +
0.0930626*RELB<T-Y> + 0.0319761*RELB<T-Z> + 0.101334*RIEL<T-X> +
0.0916891*RIEL<T-Y> + 0.0352003*RIEL<T-Z> + 0.102156*ROWR<T-X> +
0.088752*ROWR<T-Y> + 0.0287466*ROWR<T-Z> + 0.102497*RIWR<T-X> +
0.085899*RIWR<T-Y> + 0.027006*RIWR<T-Z> + 0.101775*RWRE<T-X> +
0.0930327*RWRE<T-Y> + 0.0315492*RWRE<T-Z> + 0.102467*RIHAND<T-X> +
0.0832965*RIHAND<T-Y> + 0.0267679*RIHAND<T-Z> + 0.102163*ROHAND<T-X> +
0.087725*ROHAND<T-Y> + 0.0285988*ROHAND<T-Z> + 0.102674*LFWT<T-X> +
0.09375*LFWT<T-Y> + 0.0360114*LFWT<T-Z> + 0.10302*LMWT<T-X> +
0.094397*LMWT<T-Y> + 0.0280574*LMWT<T-Z> + 0.100845*LBWT<T-X> +
0.093002*LBWT<T-Y> + 0.0507714*LBWT<T-Z> + 0.102628*RFWT<T-X> +
0.0954043*RFWT<T-Y> + 0.030316*RFWT<T-Z> + 0.100609*RMWT<T-X> +
0.0933133*RMWT<T-Y> + 0.0470472*RMWT<T-Z> + 0.100713*RBWT<T-X> +
0.0917862*RBWT<T-Y> + 0.0428839*RBWT<T-Z> + 0.102197*LHIP<T-X> +
0.0861522*LHIP<T-Y> + 0.04584*LHIP<T-Z> + 0.102361*LKNE<T-X> +
0.0798341*LKNE<T-Y> + 0.0395544*LKNE<T-Z> + 0.102486*LKNI<T-X> +
0.0750129*LKNI<T-Y> + 0.0346624*LKNI<T-Z> + 0.101547*LSHN<T-X> +
0.0595732*LSHN<T-Y> + 0.0456796*LSHN<T-Z> + 0.100958*LANK<T-X> +
0.0406556*LANK<T-Y> + 0.0462978*LANK<T-Z> + 0.100633*LHEL<T-X> +
0.0329703*LHEL<T-Y> + 0.0456721*LHEL<T-Z> + 0.101705*LMT5<T-X> +
0.0685661*LMT5<T-Y> + 0.0404545*LMT5<T-Z> + 0.101884*LMT1<T-X> +
0.0667985*LMT1<T-Y> + 0.0364225*LMT1<T-Z> + 0.102042*LTOE<T-X> +
0.0659478*LTOE<T-Y> + 0.0358142*LTOE<T-Z> + 0.102127*RHIP<T-X> +
0.0880259*RHIP<T-Y> + 0.0327806*RHIP<T-Z> + 0.102155*RKNE<T-X> +
0.0796881*RKNE<T-Y> + 0.0328155*RKNE<T-Z> + 0.102328*RKNI<T-X> +
0.0749217*RKNI<T-Y> + 0.033705*RKNI<T-Z> + 0.101642*RSHN<T-X> +
0.0775848*RSHN<T-Y> + 0.0351514*RSHN<T-Z> + 0.100876*RANK<T-X> +
0.0400703*RANK<T-Y> + 0.0380236*RANK<T-Z> + 0.100414*RHEL<T-X> +
0.0280715*RHEL<T-Y> + 0.0422175*RHEL<T-Z> + 0.101629*RMT5<T-X> +
0.0583052*RMT5<T-Y> + 0.0334714*RMT5<T-Z> + 0.101673*RMT1<T-X> +

0.0638059*RMT1<T-Y> + 0.0334952*RMT1<T-Z> + 0.101741*RTOE<T-X> +
0.0606082*RTOE<T-Y> + 0.0296111*RTOE<T-Z>

En donde los valores de cada una de las variables en la ecuacin se han estandarizado restndoles
su media y dividindolos entre sus desviaciones estndar.

7. Identificar las variables originales de mayor peso en el vector de cada componente
retenido y colocarle un nombre a cada componente principal

Con base en la tabla 11 de peso de los componentes, se identifican las variables originales de
mayor peso, positivas o negativas, en el vector de cada componente retenido. Las variables de
mayor peso se definen cuando hay un salto significativo del peso de una variable frente al peso
que le sigue de otra variable.

Caminar sin discapacidad:

Componente 1:
Cintura LMWT<T-X> 0.1030200
Pecho STRN<T-X> 0.1029700
Cabeza RFHD<T-X> 0.1027200
Pecho CLAV<T-X> 0.1027120
Cintura LFWT<T-X> 0.1026740
Cintura RFWT<T-X> 0.1026280
Hombro derecho RFSH<T-X> 0.1025650
Hombro izq LFSH<T-X> 0.1025520
Antebrazo - mano der RIWR<T-X> 0.1024970
Pierna izq LKNI<T-X> 0.1024860
Antebrazo - mano der RIHAND<T-X> 0.1024670
Antebrazo - mano izq LIWR<T-X> 0.1024480
Antebrazo - mano izq LIHAND<T-X> 0.1024100
Pierna izq LKNE<T-X> 0.1023610
Pierna der RKNI<T-X> 0.1023280
Cabeza LFHD<T-X> 0.1023200
Tabla 12. Variables de mayor peso componente 1 de caminar sin discapacidad 'Carmen'

Al analizar el componente 1 del movimiento se observa que la cintura, el pecho, cabeza, hombro
derecho, hombro izquierdo, antebrazo-mano derecha, pierna izquierda, antebrazo-mano
izquierda, mano izquierda y pierna derecha son las variables con mayor peso. Como este primer
componente explica en mayor medida el movimiento de la cintura y el pecho, se llamar
Movimiento de cintura y pecho (eje X).

Componente 2:
Cabeza RFHD<T-Z> 0.1375070
Cintura LMWT<T-Z> 0.1373260
Pecho STRN<T-Z> 0.1371830
Antebrazo - mano der RIWR<T-Z> 0.1370890
Antebrazo - mano der RIHAND<T-Z> 0.1370500
Cintura RFWT<T-Z> 0.1367470
Antebrazo - mano der ROWR<T-Z> 0.1367110
Antebrazo - mano der ROHAND<T-Z> 0.1367020
Hombro derecho RFSH<T-Z> 0.1366810
Pecho CLAV<T-Z> 0.1364920
Cabeza RBHD<T-Z> 0.1363610
Pie derecho RTOE<T-Z> 0.136106
Antebrazo - mano der RWRE<T-Z> 0.1360700
Cintura RBWT<T-Y> -0.0500733
Brazo izq LIEL<T-Y> -0.0509531
Tabla 13. Variables de mayor peso componente 2 de caminar sin discapacidad 'Carmen'

Al analizar el componente 2 del movimiento se identifica que las variables cabeza, cintura,
pecho, antebrazo-mano derecha, hombro derecho, pecho y pie derecho son las variables con
mayor peso. Este componente se llamar Movimiento de cabeza y cintura (eje Z).


En el movimiento de caminar con discapacidad, los pesos de los componentes 1 y 2 no se
consideran como un promedio ponderado de todas las variables (factor global de tamao); sino,
por el contrario, se interpretan como factor de forma pues tienen pesos positivos y negativos

que implican unos grupos de variables se contraponen frente a otros. Sin embargo, como no todas
las variables positivas y negativas tienen el mismo peso, se consideran slo aquellas con mayor
peso, como se explica en los siguientes prrafos.

Componente 1:
Cabeza ARIEL<T-X> 0.1063590
Pierna izq LHIP<T-X> 0.1063570
Cintura LFWT<T-X> 0.1063440
Cabeza LFHD<T-X> 0.1063370
Hombro izq LFSH<T-X> 0.1063360
Cabeza RBHD<T-X> 0.1063350
Cintura RFWT<T-X> 0.1063260
Cabeza RFHD<T-X> 0.1063190
Hombro derecho RFSH<T-X> 0.1063190
Pecho CLAV<T-X> 0.1063110
Pierna der RHIP<T-X> 0.1063080
Cintura LMWT<T-Z> -0.0034974
Pie derecho RTOE<T-Z> -0.00364926
Tabla 14. Variables de mayor peso componente 1 de caminar con discapacidad 'Carmen'

Al analizar el componente 1 del movimiento de caminar con discapacidad identifica que las
variables cabeza, pierna izquierda, cintura, hombro izquierdo, hombro derecho, pecho y pierna
derecha en el eje X tienen mayor peso positivo, pero no se contraponen a variables con peso
negativo, pues los valores de stas son muy pequeas. Como este primer componente explica en
mayor medida el movimiento de la cabeza, pierna izquierda y cintura, se llamar Movimiento de
cabeza, pierna izquierda y cintura (eje X).

Componente 2:
Hombro izq LFSH<T-Z> 0.1407600
Cintura LFWT<T-Z> 0.1407490
Cabeza ARIEL<T-Z> 0.1405960
Cabeza LFHD<T-Z> 0.1405180
Pecho CLAV<T-Z> 0.1404860
Pierna der RKNI<T-Z> 0.1404180
Cabeza RBHD<T-Z> 0.1402410
Tabla 15-A. Variables de mayor peso componente 2 de caminar con discapacidad 'Carmen'

Pierna izq LKNI<T-Z> 0.1401890
Pierna der RKNE<T-Z> 0.1399360
Pierna izq LKNE<T-Z> 0.1399230
Hombro derecho RFSH<T-Z> 0.1399010
Pecho STRN<T-Z> 0.1398830
Pierna der RHIP<T-Z> 0.1398500
Pantorrilla der RSHN<T-Z> 0.1398030
Hombro derecho RBSH<T-Y> -0.0190705
Espalda T10<T-Y> -0.0204912
Tabla 15-B. Variables de mayor peso componente 2 de caminar con discapacidad 'Carmen'

Al analizar el componente 2 se identifica que las variables hombro izquierdo, cintura, cabeza,
pecho, pierna derecha, pierna izquierda, hombro derecho y pantorrilla derecha mayor peso
positivo, pero no se contraponen a variables con peso negativo, pues los valores de stas son muy
pequeas. Este componente se llamar Movimiento de hombro izquierdo, cintura y cabeza (eje
Z).

8. Calcular los scores de cada componente principal retenido

Con el apoyo del software estadstico (en este trabajo se utiliz Minitab), se obtienen los scores o
puntuaciones de sustituir en la ecuacin lineal de cada componente principal los valores
obtenidos en cada una de las 159 variables en cada uno de los frames. Esto se hace para cada uno
de los componentes retenidos.

Por ejemplo, en el movimiento de camina sin discapacidad de 'Carmen', al sustituir los valores de
las 159 variables a travs de todos frames en la ecuacin del componente principal 1 mostrada en
el paso 6 de este numeral 3.2, se obtienen los scores presentados en la tabla 16, con la ayuda de
Minitab 15:


Frame Componente 1
326 -0.07461801
327 -0.077349661
328 -0.080176184
329 -0.083143738
330 -0.086091915
331 -0.089093703
332 -0.09209307
333 -0.095181328
334 -0.098277222
1960 0.013692019
1961 0.012254714
1962 0.010820831
1963 0.009470951
1964 0.007859964
1965 0.006329587
1966 0.004677
1967 0.002966749
1968 0.001200226
1969 -0.00063694
1970 -0.002558608
1971 -0.004527095
1972 -0.006522748
1973 -0.008704762
1974 -0.010797141
1975 -0.012940274
Tabla 16. Seccin de los scores obtenidos para el componente 1 de caminar sin

9. Construir grficos de dispersin de nuevas variables (proyeccin)

Para entender el movimiento de la marcha a partir de las variables de mayor influencia en cada
componente, se construyen los grficos de dispersin son los scores de los componentes 1 y
componentes 2 de cada movimiento (caminar sin discapacidad y caminar con discapacidad). Por
ejemplo, componente 1 vs componente 2, componente 1 vs componente 3, etc.



En la figura 27 se presenta el diagrama de dispersin del componente 1 con el componente 2, del
movimiento de caminar sin discapacidad, en la que se encuentran graficados los 1650 frames:

M
o
v
i
m
i
e
n
t
o

d
e

c
a
b
e
z
a

y

c
i
n
t
u
r
a

(
e
j
e

Z
)

Movimiento de cintura y pecho (eje X)
Figura 27. Proyeccin de los datos sobre el plano definido para las dos primeras componentes
principales caminar sin discapacidad 'Carmen'

El movimiento inicia (smbolo crculo en la figura 27) en las coordenadas componente 1 = -
0.6585 y componente 2 = 5.0172 y finaliza (smbolo rectngulo en la figura 27) cuando
componente 1 = -0.4484 y componente 2 = 7.3726.

Las flechas indican el sentido del movimiento a travs del tiempo, desde que inicia en el frame
326 y termina en el frame 1975, y los nmeros son las etapas en las que se analizan estas grficas
segn se explica en el siguiente paso de la metodologa (paso 10).



En la figura 28 se presenta el diagrama de dispersin del componente 1 con el componente 2, del
movimiento de caminar con discapacidad, en la que se encuentran graficados los 2184 frames:

M
o
v
i
m
i
e
n
t
o

d
e

h
o
m
b
r
o

i
z
q
u
i
e
r
d
o
,

c
i
n
t
u
r
a

y

c
a
b
e
z
a

(
e
j
e

Z
)

Movimiento de cabeza, pierna izquierda y cintura (eje X)
Figura 28. Proyeccin de los datos del MOCAP sobre el plano definido para las dos primeras
componentes principales caminar con discapacidad 'Carmen'

El movimiento inicia (smbolo crculo en la figura 28) en las coordenadas componente 1 = -
1.2619 y componente 2 = -5.4526 y finaliza (smbolo rectngulo en la figura 28) cuando
componente 1 = 0.0692 y componente 2 = -11.1867.

Las flechas indican el sentido del movimiento a travs del tiempo, desde que inicia en el frame
443 y termina en el frame 2626, y los nmeros son las etapas en las que se analizan estas grficas
segn se explica en el siguiente paso de la metodologa (paso 10).

Adems del diagrama de dispersin del componente 1 con el componente 2, tambin se
realizaron los diagramas de dispersin en las dems combinaciones posibles de los componentes

retenidos en cada uno de los casos de las cuatro personas. En la figura 29, se presenta un ejemplo
de grficas de dispersin de los dems componentes para el caso de 'Carmen'.


Figura 29. Ejemplos de grficas de dispersin de otros componentes retenidos

Las grficas de dispersin mostradas en la figura 29, no facilitan la interpretacin del movimiento
de la marcha pues adems de mostrar ms compleja la relacin entre las variables no permite
seguir la secuencia del movimiento a travs del tiempo. En consideracin a esto y a que con los
dos primeros componentes se explica alrededor del 80% de la variabilidad de los datos, en esta
metodologa se propone tener en cuenta slo la grfica de dispersin de los dos primeros
componentes retenidos pues el movimiento es ms claro y menos complejo de interpretar.


10. Analizar las grficas y concluir

Para analizar la grficas de los dos movimientos, caminar sin discapacidad y caminar con
discapacidad, cada uno de los movimiento se dividi en 5 etapas las cuales se analizan en forma
detallada a continuacin.


De acuerdo con la figura 27, se puede realizar el siguiente anlisis:

1) Movimiento 1 del centro del escenario hacia el extremo izquierdo: Se observa que al
iniciar el movimiento y mientras se desplaza hacia la izquierda existe un mayor
movimiento de la cintura y pecho en el eje X mientras la cabeza y la cintura permanecen
estables en el eje Z.
2) Giro de 180 en el extremo izquierdo: En la grfica se observa que hay un mayor
movimiento de la cabeza y cintura en el eje Z mientras que se mantiene estable el
comportamiento de las variables cintura y pecho en el eje X.
3) Movimiento 2 del extremo izquierdo al extremo derecho: Cuando culmina el giro, se
regresa hacia la derecha y realiza un mayor movimiento cintura y pecho en el eje X
mientras que las variables en el eje Z se mantienen estables.
4) Giro de 180 en el extremo derecho: Cuando termina el desplazamiento hacia la derecha,
gira 180 y realiza un movimiento ms significativo con la cabeza y cintura en el eje Z
mientras las variables en el eje X se mantienen sin mucha variabilidad.
5) Movimiento 3 del extremo derecho al centro del escenario: Se observa que mientras se
desplaza hacia la izquierda existe un mayor movimiento de la cabeza, pierna izquierda y
cintura en el eje X al mismo tiempo que la cabeza y cintura en el eje Z.



De acuerdo con la figura 28, se puede realizar el siguiente anlisis dividido en 5 etapas:
1) Movimiento 1 del centro del escenario hacia el extremo izquierdo: Se observa que al
iniciar el movimiento y mientras se desplaza hacia la izquierda existe un mayor
movimiento de la cabeza, pierna izquierda y cintura en el eje X mientras el hombro
izquierdo, cintura y cabeza permanecen estables en el eje Z.
2) Giro de 180 en el extremo izquierdo: En la grfica se observa que hay un mayor
movimiento en el hombro izquierdo, cintura y cabeza en el eje Z mientras que se
mantiene estable el comportamiento de las variables cabeza, pierna izquierda y cintura en
el eje X.
3) Movimiento 2 del extremo izquierdo al extremo derecho: Cuando culmina el giro, se
regresa hacia la derecha y realiza un mayor movimiento en la cabeza, pierna izquierda y
cintura en el eje X mientras que las variables en el eje Z se mantienen estables.
4) Giro de 180 en el extremo derecho: Cuando termina el desplazamiento hacia la derecha,
gira 180 y realiza un movimiento ms significativo con el hombro izquierdo, cintura y
cabeza en el eje Z mientras las variables en el eje X se mantienen sin mucha variabilidad.
5) Movimiento 3 del extremo derecho al centro del escenario: Se observa que mientras se
desplaza hacia la izquierda existe un mayor movimiento de la cabeza, pierna izquierda y
cintura en el eje X al mismo tiempo que el hombro izquierdo, cintura y cabeza en el eje Z.

Como se mostr en las figuras 27 y 28, ambos movimientos (caminar sin discapacidad y caminar
con discapacidad) tienen componentes diferentes y en cada componente aparecen distintas
variables; por lo tanto, los componentes no son comparables y esto hace que se definan los pasos
descritos en la etapa 3 de la metodologa propuesta, con el fin de evaluar la evolucin de los
pacientes en rehabilitacin locomotora bajo un criterio objetivo de comparacin en los dos
momentos en los que (en este trabajo) se evala dicha evolucin.


ETAPA 3. Comparacin de los
discapacidad

Teniendo en cuenta que los dos
movimientos analizados para cada las
cuatro personas, caminar sin
discapacidad y caminar con
discapacidad, tienen componentes
diferentes y cada uno de ellos, a su
vez, variables de mayor peso
diferentes no es posible realizar una
comparacin directa entre los dos
movimientos para conocer la
evolucin de la terapia de
rehabilitacin. Por lo tanto, se hace
necesario definir un criterio base para
evaluar la evolucin del paciente.

Para esto, en esta etapa 3 se proponen
los pasos necesarios para comparar
los dos movimientos con base en los
componentes retenidos del
movimiento de caminar con
discapacidad. Se definen como base
los componentes de dicho
movimiento, debido a que esta es la
condicin inicial del paciente en
1. Estandarizar los datos de caminar sin discapacidad
2. Seleccionar de la matriz de datos estandarizados
de caminar sin discapacidad aquellas variables
originales que pertenecen a las ecuaciones lineales
ajustadas de los componentes retenidos de caminar
con discapacidad
3. Calcular los scores para caminar sin discapacidad
de acuerdo a las variables relevantes en los
componentes retenidos de caminar con discapacidad
(etapa 2 paso 7)
4. Estandarizar los datos de la matriz del movimiento
de caminar con discapacidad.
7. Construir una grfica de dispersin con los scores
obtenidos en los pasos 3 y 6 de la etapa 3
8. Identificar el cuadrante del plano cartesiano al que
corresponden los scores de los componentes 1 y 2
para los frames de los dos movimientos.
9. Calcular el rea en cada cuadrante de los
componentes 1 y 2, para los dos movimientos, y
restarlas
10. Concluir sobre la comparacin de los dos
movimientos de caminar con discapacidad y caminar
sin discapacidad
6. Calcular los scores para caminar con discapacidad
de acuerdo a las variables relevantes en los
componentes retenidos de caminar con discapacidad
(etapa 2 paso 7)
5. Seleccionar de la matriz de datos estandarizados
de caminar con discapacidad aquellas variables
originales que pertenecen a las ecuaciones lineales
ajustadas de los componentes retenidos de caminar
con discapacidad

proceso de rehabilitacin de su aparato locomotor. A continuacin se explican los pasos
propuestos con datos de los movimientos de 'Carmen' para indicar la aplicacin de la metodologa
propuesta.


Para estandarizar los datos, se toma la matriz de datos en Excel de caminar sin discapacidad
resultante de la etapa 2 paso 2, se calcula la media y la desviacin estndar de cada una de las
variables y a cada uno de los datos de cada variable (a travs de todos los frames) se le resta la
media de la variable y se divide entre la desviacin estndar de la variable a la que corresponde.
As, se construye una nueva matriz de datos estandarizados del tamao de la matriz original
aplicando la siguiente frmula:

ij j
j
x

Donde:
Datos de cada columna j en el frame i
Media de cada columna j
Desviacin estndar de cada columna j
ij
j
j
x

Como los datos del movimiento de caminar sin discapacidad de 'Carmen' inician en el frame 326
y finaliza en el frame 1975, entonces la matriz de datos estandarizados tendr el mismo tamao
que la matriz de datos original (Apndice C en electrnico).


Figura 30. Seccin matriz de datos caminar sin discapacidad 'Carmen' calculando la media y
desviacin estndar

Figura 31. Seccin matriz de datos estandarizados caminar sin discapacidad 'Carmen'


En la figura 30, se muestra una seccin de la matriz de datos original del movimiento de caminar
sin discapacidad de 'Carmen', al final los frames de este movimiento se hacen los clculos de la
media y la desviacin estndar para cada una de las 159 variables. En la figura 31, se presentan
los datos estandarizados de caminar sin discapacidad para cada una de las 159 variables; de esta
forma, los datos estandarizados son homogneos dimensionalmente.

variables originales que pertenecen a las ecuaciones lineales ajustadas de los componentes
retenidos de caminar con discapacidad

En la matriz de datos estandarizados de caminar sin discapacidad se seleccionan las variables
originales que pertenecen a las ecuaciones lineales ajustadas de los componentes retenidos de
caminar con discapacidad, identificadas en el paso 7 de la etapa 2. Para el caso de 'Carmen', las
variables de los componentes retenidos de caminar con discapacidad que se presentan en la tabla
18, se seleccionan en la matriz de datos estandarizados, como se observa en la figura 32.

Componente 1
ARIEL<T-X> 0.1063590
LFHD<T-X> 0.1063370
RFHD<T-X> 0.1063190
RBHD<T-X> 0.1063350
CLAV<T-X>
0.1063110
LFSH<T-X> 0.1063360
RFSH<T-X> 0.1063190
LFWT<T-X> 0.1063440
RFWT<T-X> 0.1063260
LHIP<T-X> 0.1063570
RHIP<T-X> 0.1063080

Componente 2
ARIEL<T-Z> 0.1405960
LFHD<T-Z> 0.1405180
RBHD<T-Z> 0.1402410
CLAV<T-Z>
0.1404860
STRN<T-Z> 0.1398830
LFSH<T-Z> 0.1407600
RFSH<T-Z> 0.1399010
LFWT<T-Z> 0.1407490
LKNE<T-Z> 0.1399230
LKNI<T-Z> 0.1401890
RHIP<T-Z> 0.1398500
RKNE<T-Z> 0.1399360
RKNI<T-Z> 0.1404180
RSHN<T-Z> 0.1398030

Tabla 18. Variables de las ecuaciones lineales de los componentes retenidos para el
movimiento de caminar sin discapacidad 'Carmen'

En la figura 32, se presenta slo una seccin de la matriz de datos estandarizados con las 11
variables del componente 1 y las 14 variables del componente 2 seleccionadas. En la figura 32,
las variables del componente 1 se seleccionan con un crculo y las del componente 2 se
seleccionan con un rectngulo.

Figura 32. Seccin matriz de datos estandarizados caminar sin discapacidad 'Carmen' con
variables seleccionadas

Para revisar la seleccin completa de las 25 variables (11 del componente 1 y 14 del componente
2), se puede revisar el Apndice C en electrnico.

3. Calcular el scorepara caminar sin discapacidad de acuerdo a las variables relevantes en
los componentes retenidos de caminar con discapacidad

Se calculan los scores, sustituyendo en las ecuaciones lineales ajustadas de cada componente
retenido de caminar con discapacidad (etapa 2 paso 7) los valores estandarizados del movimiento
de caminar sin discapacidad.


Componente 1

Las variables relevantes en el componente 1 retenido para caminar con discapacidad, son 11. Para
calcular los scores, se realiza una multiplicacin de las siguientes matrices:
( )
ij mxn
A a y ( )
ij nxp
B b

1650 11
( )
ij x
A a y
11 1
( )
ij x
B b

Siendo,

A = matriz de datos estandarizados de caminar sin discapacidad, con 1650 filas y 11 columnas.
m = nmero de frames de caminar sin discapacidad (1650)
n = nmero de variables relevantes que forman parte de la ecuacin lineal ajustada del
componente 1 retenido de caminar con discapacidad (11)

B = matriz de coeficientes de las variables segn la ecuacin lineal ajustada del componente 1
n = nmero de variables relevantes que forman parte de la ecuacin lineal ajustada del
componente 1 retenido de caminar con discapacidad (11)
o matriz de nx1).

Las figuras 33 y 34, muestran las matrices A y B mencionadas anteriormente. La figura 33,
presenta una seccin de los datos estandarizados del movimiento caminar sin discapacidad con la
seleccin de las 11 variables relevantes en el componente 1 retenido de caminar con
discapacidad.

Figura 33. Matriz A - componente 1

La figura 34, muestra la matriz B de 11 x 1 con las variables relevantes de los componentes
retenidos de caminar con discapacidad.

Figura 34. Matriz B - Componente 1

Por lo anterior, para el componente 1 de caminar sin discapacidad, se obtiene el siguiente vector:
( )
ij mxp
C AB c

1650 1
( )
ij x
C AB c

Donde,
C = vector de resultados de caminar sin discapacidad con base al componente 1 de caminar con
discapacidad
m = nmero de frames de caminar sin discapacidad (1650)


Figura 35. Vector C de resultados (seccin) Componente 1

Componente 2

calcular los scores, se realiza una multiplicacin de las matrices A y B:

( )
ij mxn
A a y ( )
ij nxp
B b

1650 14
( )
ij x
A a y
14 1
( )
ij x
B b

Las figuras 36 y 37, muestran las matrices A y B mencionadas anteriormente. La figura 36,
presenta una seccin de los datos estandarizados del movimiento caminar sin discapacidad con la
seleccin de las 14 variables relevantes en el componente 2 retenido de caminar con
discapacidad.

Figura 36. Matriz A Componente 2

La figura 37, muestra la matriz B de 14 x 1 con las variables relevantes de los componentes
retenidos de caminar con discapacidad.

Figura 37. Matriz B Componente 2

Por lo anterior, para el componente 2 de caminar sin discapacidad, se obtiene el siguiente vector:

( )
ij mxp
C AB c

1650 1
( )
ij x
C AB c

En este componente 2, el nmero de frames de caminar sin discapacidad sigue siendo 1650 pues
se toma como base los datos estandarizados de caminar sin discapacidad.

Componente
2
ARIEL<T-Z> 0.1405960
LFHD<T-Z> 0.1405180
RBHD<T-Z> 0.1402410
CLAV<T-Z> 0.1404860
STRN<T-Z> 0.1398830
LFSH<T-Z> 0.1407600
RFSH<T-Z> 0.1399010
LFWT<T-Z> 0.1407490
LKNE<T-Z> 0.1399230
LKNI<T-Z> 0.1401890
RHIP<T-Z> 0.1398500
RKNE<T-Z> 0.1399360
RKNI<T-Z> 0.1404180
RSHN<T-Z> 0.1398030

Figura 38. Vector C de resultados (seccin) Componente 2

Para el caso de 'Carmen' y de las otras 3 personas que realizaron la prueba, solamente se
calcularon 2 vectores C, uno para el componente 1 y otro para el componente 2, pues se
retuvieron slo 2 componentes en cada movimiento para las 4 personas. Estas matrices se pueden
revisar en el Apndice C en electrnico.

4. Estandarizar los datos de la matriz del movimiento de caminar con discapacidad.

Para estandarizar los datos, se toma la matriz de datos en Excel de caminar con discapacidad
ij j
j
x

Frame
326 -1.21621334
327 -1.21501725
328 -1.2133863
329 -1.21134762
330 -1.20997006
331 -1.20887888
332 -1.20727687
333 -1.20597061
334 -1.20541592
1970 -1.62691406
1971 -1.62407237
1972 -1.62135589
1973 -1.61834487
1974 -1.6157631
1975 -1.61370665

Donde:
ij
j
j
x

Como los datos del movimiento de caminar con discapacidad de 'Carmen' inician en el frame 443
y finaliza en el frame 2626, entonces la matriz de datos estandarizados tendr el mismo tamao
que la matriz de datos original (Apndice C en electrnico).

Figura 39. Seccin matriz de datos caminar con discapacidad 'Carmen' calculando la media y
desviacin estndar

Figura 40. Seccin matriz de datos estandarizados caminar con discapacidad 'Carmen'

En la figura 39, se muestra una seccin de la matriz de datos original del movimiento de caminar
con discapacidad de 'Carmen', al final los frames de este movimiento se hacen los clculos de la
media y la desviacin estndar para cada una de las 159 variables. En la figura 40, se presentan
los datos estandarizados para cada una de las 159 variables; de esta forma, los datos
estandarizados son homogneos dimensionalmente.

5. Seleccionar de la matriz de datos estandarizados de caminar con discapacidad aquellas
de caminar con discapacidad

En la matriz de datos estandarizados de caminar con discapacidad se seleccionan las variables
originales que pertenecen a las ecuaciones lineales ajustadas de los componentes retenidos de
caminar con discapacidad, identificadas en el paso 7 de la etapa 2.

Para el caso de 'Carmen', las variables de los componentes retenidos de caminar con discapacidad
que se presentaron en la tabla 18 (paso2), se seleccionan en la matriz de datos estandarizados,
como se observa en la figura 41.

En la figura 41, se presenta slo una seccin de la matriz de datos estandarizados con las 11
variables del componente 1 y las 14 variables del componente 2 seleccionadas. Las variables del
componente 1 se seleccionan con un crculo y las del componente 2 se seleccionan con un
rectngulo.

Figura 41. Seccin matriz de datos estandarizados caminar con discapacidad 'Carmen' con
variables seleccionadas

Para revisar la seleccin completa de las 25 variables (11 del componente 1 y 14 del componente
2), se puede revisar el Apndice C en electrnico.

6. Calcular los scores para caminar con discapacidad de acuerdo a las variables relevantes
en los componentes retenidos de caminar con discapacidad

Este paso es similar al paso 3 de esta etapa, slo que en el movimiento de caminar con discapacidad
para 'Carmen', la totalidad de frames es de 2184. Se calculan los scores, sustituyendo en las
ecuaciones lineales ajustadas de cada componente retenido de caminar con discapacidad (etapa 2
paso 7) los valores estandarizados del movimiento de caminar con discapacidad.

Componente 1

calcular los scores, se realiza una multiplicacin de las matrices D y E:

( )
ij mxn
D d y ( )
ij nxp
E e
2184 11
( )
ij x
D d y
11 1
( )
ij x
E e

Por lo anterior, para el componente 1 de caminar con discapacidad, se obtiene el siguiente vector:

( )
ij mxp
F DE f

2184 1
( )
ij x
F DE f

Componente 2

calcular los scores, se realiza una multiplicacin de las matrices D y E:

( )
ij mxn
D d y ( )
ij nxp
E e
2184 14
( )
ij x
D d y
14 1
( )
ij x
E e

( )
ij mxp
F DE f

2184 1
( )
ij x
F DE f
Estas matrices se pueden encontrar en Apndice C en electrnico.

pasos 3 y 6 de esta etapa

Se construye un grfico de dispersin de los nuevos scores (vector C y vector F) obtenidos en los
pasos 3 y 6, tanto para el movimiento de caminar sin discapacidad como de caminar con
discapacidad de acuerdo a las variables relevantes en los componentes retenidos de caminar con
discapacidad. Para esto, se elabora un grfico de dispersin en parejas de componentes
sobreponiendo en la misma grfica los vectores C y F. Es decir, se sobreponen en la misma
grfica de dispersin el 'Componente 1' vs 'Componente 2', y el 'Comp 1' vs el 'Comp 2', estos
nombres se explican en el numeral 3.1.3 Etapa 3, pasos 3 y 6.

M
o
v
i
m
i
e
n
t
o

d
e

h
o
m
b
r
o

i
z
q
u
i
e
r
d
o
,

c
i
n
t
u
r
a

y

c
a
b
e
z
a

(
e
j
e

Z
)

C
o
m
p
o
n
e
n
t
e

2

C
o
m
p

2

Movimiento de cabeza, pierna izquierda y cintura (eje X)
Componente 1 Comp 1
Figura 42. Comparacin de los dos movimientos para las dos primeras componentes principales
'Carmen'

En rojo: Movimiento con datos de caminar con discapacidad.
En negro: Movimiento con datos de caminar sin discapacidad.

En la figura 42, se grafican los nuevos scores o vector C (para el movimiento con datos de
caminar sin discapacidad) y el vector F (para el movimiento con datos de caminar con
discapacidad), de acuerdo a las variables relevantes en los componentes retenidos de caminar con
discapacidad, es decir, en el componente 1 las variables relevantes fueron la cabeza, pierna
izquierda y cintura en el eje X y en el componente 2 las variables relevantes fueron el hombro
izquierdo, la cintura y la cabeza en el eje Z. Es importante resaltar que el nmero de frames del
vector C es diferente al del vector F, esto debido a que la cantidad de frames de los datos
originales para los dos movimientos (caminar sin discapacidad y caminar con discapacidad) es
diferente.

Al analizar los dos movimientos presentados en la figura 42, se encuentra que el movimiento con
datos de caminar sin discapacidad presenta menor variacin en su trayectoria, mientras que el
movimiento con datos de caminar con discapacidad muestra mayor alteracin (curvas con
altibajos) en la trayectoria del movimiento. En este punto, es importante mencionar que el punto
(0,0) de la grfica significa el promedio de las variables estandarizadas.

Como se mencion en la etapa 2 paso 9, se elaboraron las grficas de dispersin para los nuevos
scores o vector C de los dems componentes retenidos, las cuales se presentan en la figura 43.


Figura 43. Ejemplos grficos de dispersin de los dems componentes retenidos

Las grficas presentadas en la figura 43 muestran la complejidad de explicar el movimiento de la
marcha a partir de las dems componentes retenidas en los dos movimientos. No es visualmente
fcil identificar la secuencia del movimiento y las brechas existentes entre los movimientos de
caminar sin discapacidad y caminar con discapacidad. Por lo tanto, en la metodologa propuesta
en este trabajo, se propone considerar las grficas de dispersin de slo los dos primeros
componentes, pues a partir de estos dos componentes es posible explicar el movimiento de la
marcha y calcular las brechas entre los dos movimientos como se presenta en el paso 9 de esta
etapa 3.

componentes 1 y 2 para los frames de los dos movimientos.

En los vectores C y F calculados en los pasos 3 y 6, respectivamente, se identifica el cuadrante
del plano cartesiano al que pertenece cada score. Es decir, en la matriz de datos de componentes
de caminar con discapacidad con datos de caminar sin discapacidad (movimiento en negro), el
componente 1 corresponde al valor del eje X y el componente 2 corresponde al valor del eje Y,
entonces para cada pareja (X, Y) a travs de los 1650 frames se identifica en qu cuadrante se
encuentra (1, 2, 3 4). As mismo, en la matriz de datos de componentes de caminar con
discapacidad con datos de caminar con discapacidad (movimiento en rojo), el 'comp 1'
corresponde al valor del eje X y el 'comp 2' corresponde al valor del eje Y, entonces para cada
pareja (X, Y) a travs de los 2184 frames se identifica en qu cuadrante se encuentra.

9. Calcular el rea en cada cuadrante de los componentes 1 y 2, para los dos movimientos, y
restarlas

Con el propsito de facilitar la interpretacin de las brechas existentes entre los dos movimientos
y as conocer la evolucin del paciente en proceso de rehabilitacin, se calcula el rea en cada
cuadrante para los componentes 1 y 2 de los dos movimientos. As mismo, las reas se calculan
por cuadrante debido a que los dos movimientos no tienen la misma cantidad de frames, por lo
que al momento de calcular las brechas es ms preciso hacerlo de acuerdo al rea de los frames
que se encuentran en cada cuadrante para los dos movimientos. Posteriormente, estas reas se
restan y se cuantifica la brecha existente entre el movimiento de caminar sin discapacidad y el
movimiento de caminar con discapacidad.

Para el caso de 'Carmen', en la figura 44 y 45 se presenta una seccin de la tabla en la que se
calculan las reas en cada uno de los cuadrantes considerando un X entre cada 10 frames. En
las figuras 44 y 45, se muestra como se identifica el cuadrante al cual pertenece cada una de las
parejas de scores de los componentes 1 y 2, el clculo del rea entre cada 10 frames, el valor
absoluto de las reas calculadas entre cada 10 frames, y la suma del rea por cuadrante.

movimiento con datos de caminar sin discapacidad 'Carmen' (seccin)

movimiento con datos de caminar con discapacidad 'Carmen' (seccin)
Componentes de caminar con discapacidad, con datos de caminar sin discapacidad (negro)
X Y
No. Frames Frame Componente 1 Componente 2 Cuadrante rea cada 10 frames
ABS del rea
cada 10 frames
rea por cuadrante
1 326 -0.07461801 -1.216213343 3
2 327 -0.077349661 -1.215017255 3
3 328 -0.080176184 -1.213386305 3
4 329 -0.083143738 -1.211347624 3
5 330 -0.086091915 -1.209970063 3
6 331 -0.089093703 -1.208878875 3
7 332 -0.09209307 -1.207276866 3
8 333 -0.095181328 -1.205970614 3
9 334 -0.098277222 -1.205415917 3
10 335 -0.10157259 -1.204521867 3 0.032467381 0.032467381
1640 1965 0.006329587 -1.644768637 4 0.020584573 0.020584573
1641 1966 0.004677 -1.640520387 4 0
1642 1967 0.002966749 -1.636685678 4 0
1643 1968 0.001200226 -1.633380921 4 0
1644 1969 -0.00063694 -1.629854848 4 0
1645 1970 -0.002558608 -1.626914062 4 0
1646 1971 -0.004527095 -1.624072369 4 0
1647 1972 -0.006522748 -1.621355892 4 0
1648 1973 -0.008704762 -1.618344867 4 0
1649 1974 -0.010797141 -1.615763104 4 0
1650 1975 -0.012940274 -1.613706648 4 0.028429111 0.028429111 3.097483094
Suma reas = 12.81359364 12.81359364
Componentes de caminar con discapacidad, con datos de caminar con discapacidad (rojo)
No. Frames Frame Comp 1 Comp 2 Cuadrante
rea cada 10
frames
ABS del rea
cada 10 frames
rea por cuadrante
1 443 -0.19810212 -1.64549544 3
2 444 -0.20062656 -1.63176785 3
3 445 -0.20319217 -1.61844746 3
4 446 -0.20575566 -1.60541818 3
5 447 -0.20824497 -1.59274798 3
6 448 -0.21055744 -1.5807036 3
7 449 -0.21304624 -1.56883822 3
8 450 -0.21542281 -1.55745472 3
9 451 -0.21778066 -1.54681919 3
10 452 -0.22000856 -1.53653917 3 0.033660104 0.033660104
2170 2612 0.02412104 -2.60678686 4 0.005047753 0.005047753
2171 2613 0.02412855 -2.60135433 4 0
2172 2614 0.02414569 -2.59645588 4 0
2173 2615 0.02423663 -2.59082255 4 0
2174 2616 0.02435921 -2.58531676 4 0
2175 2617 0.02446683 -2.58010843 4 0
2176 2618 0.02464015 -2.57482206 4 0
2177 2619 0.02482556 -2.56977183 4 0
2178 2620 0.0250876 -2.56392491 4 0
2179 2621 0.02531381 -2.55843004 4 0
2180 2622 0.02564159 -2.55198516 4 -0.003861269 0.003861269
2181 2623 0.02593061 -2.54567127 4 0
2182 2624 0.02629338 -2.5388214 4 0
2183 2625 0.0266605 -2.5315433 4 0
2184 2626 0.02712809 -2.52450987 4 0 3.663999769
Suma reas = 12.64890068 12.64890068

El resumen de las reas por cuadrante para el caso de 'Carmen', para los dos movimientos y la
brecha existente entre ambos movimientos, se presenta en la tabla 18. Las unidades del rea
calculada, son unidades de rea cuadrada.

Cuadrante
Total
Datos 3 2 1 4
Caminar sin discapacidad 2.627801904 2.873780828 4.214527817 3.097483094 12.8135936
Caminar con discapacidad 2.075680576 3.117661812 3.791558523 3.663999769 12.6489007
Discapacidad-normal (brecha) -0.552121328 0.243880983 -0.42296929 0.566516674 -0.16469296
Tabla 18. rea y brecha por cuadrante 'Carmen' en unidades de rea cuadrada

Los clculos de las reas por cuadrante, facilita la interpretacin de las brechas existentes entre
los dos movimientos, de tal forma que se puede determinar cules son las variables relevantes
que estn influyendo en el proceso de rehabilitacin.


Para concluir sobre la comparacin de los dos movimientos de caminar con discapacidad y
caminar sin discapacidad, estableciendo la evolucin de la persona en proceso de rehabilitacin
de su aparato locomotor y las variables que estn influyendo en dicho proceso, se analiza tanto la
figura 42 sobre comparacin de los dos movimientos para las dos primeras componentes
principales 'Carmen' como la tabla 18 que muestra la brecha entre los dos movimientos por
cuadrante.

La figura 42 presentada en el paso 7, adems de mostrar que la trayectoria del movimiento de
caminar con discapacidad tiene una mayor variabilidad que la del movimiento de caminar sin
discapacidad, permite identificar la diferencia positiva o negativa entre los dos movimientos de
las variables de mayor relevancia que estn influyendo en la evolucin del paciente en proceso de

rehabilitacin. En el caso de 'Carmen', las variables de mayor influencia son la cabeza, la pierna
izquierda y la cintura en el eje X, as como el hombro izquierdo, la cintura y la cabeza en el eje Z.

La rehabilitacin del paciente mejorara cuando el movimiento de caminar con discapacidad
tenga menor variabilidad en su trayectoria y se aproxime a la trayectoria del movimiento de
caminar sin discapacidad. Esto, se podra lograr si se mejorara el movimiento de las partes del
cuerpo de mayor influencia mencionadas anteriormente, es decir, si la cabeza, la pierna izquierda
y la cintura en el eje X se movieran de forma ms estable (sin menos variabilidad) y se movieran
ms en el cuadrante 3 pues la brecha mostrada en la tabla 18 es de -0.552121328, y en el
cuadrante 1 en donde la brecha es de -0.42296929.

Para que la cabeza, la pierna izquierda y la cintura en el eje X se muevan ms en el cuadrante 3,
tendra que tambin considerarse que el hombro izquierdo, la cintura y la cabeza en el eje Z
(profundidad del escenario) se mantiene estable mientras la persona avanza al extremo izquierdo
pero que stas partes del cuerpo se mueven en el eje Z al momento de realizar el giro de 180.
As mismo, para que la cabeza, la pierna izquierda y la cintura en el eje X se muevan ms en el
cuadrante 1, el hombro izquierdo, la cintura y la cabeza en el eje Z tendran que aumentar durante
el final del avance al otro extremo del escenario.

Por otra parte, si el hombro izquierdo, la cintura y la cabeza en el eje Z se movieran menos en el
eje Z en el cuadrante 2 y en el cuadrante 4, pero ms en el cuadrante 1 y en el cuadrante 3, el
movimiento de caminar con discapacidad se aproximara al de caminar sin discapacidad. En el
cuadrante 2, por ejemplo, la brecha es de 0.243880983, lo que indica que si el hombro izquierdo,
la cintura y la cabeza en el eje Z se movieran menos durante el inicio del avance al otro extremo
del escenario.

Por lo tanto, debera prestarse mayor atencin al movimiento de las variables mencionadas
anteriormente en los ejes indicados, y no slo evaluar cualitativamente la forma en que camina el
paciente sin considerar la relacin que existe entre el aparato locomotor y las dems partes del
cuerpo.

CAPTULO 4
Comparacin de la metodologa con
diferentes personas

Para validar la aplicacin y resultados de la metodologa propuesta en otros casos de
rehabilitacin, en este captulo se presentan los resultados obtenidos de desarrollar la
metodologa mencionada para tres casos adicionales al presentado en el captulo 3. En cada
una de las etapas y pasos de la metodologa propuesta se comparan los resultados de las
cuatro personas, es decir, los resultados de la persona analizada en el captulo 3 ms los
resultados de las tres personas adicionales, y se presenta una conclusin sobre los mismos.

Finalmente, se analizan las brechas entre los movimiento de caminar sin discapacidad y
caminar con una discapacidad locomotora para cada uno de los casos, y de esta forma se
determina cuantitativamente la evolucin de los pacientes en proceso de rehabilitacin de
su aparato locomotor. Es importante mencionar que en los cuatro casos se simula la misma
discapacidad colocando un palo en la pierna derecha para impedir la flexin de la rodilla
derecha.

ETAPA 1. Captura de los datos

En el laboratorio de captura de movimiento se sigui el modelo planteado en el captulo 3
para la obtencin de los datos, el cual se aplic para cuatro personas realizando para cada
una de ellas la captura de movimiento de caminar sin discapacidad y caminar con
discapacidad. Los resultados obtenidos en cuanto a nmero de frames y duracin de los dos
movimientos fueron los siguientes:
Captulo 4. Comparacin de la metodologa 99

Persona
Caminar sin
discapacidad
Caminar con
discapacidad
Frames Duracin Frames Duracin
Daniela 1572 15:18 s 2913 29:13 s
Carmen 2254 22:13 s 3028 30:07 s
Albeiro 1799 17:24 s 2743 27:01 s
Carlos 1716 17:04 s 2572 25:18 s
Tabla 19. Frames obtenidos con el Mocap para las 4 personas

Los datos reportados en la tabla 19, se encuentran en dos matrices en Excel para cada
persona, una matriz de datos del movimiento de caminar sin discapacidad, y otra matriz con
los datos del movimiento de caminar con discapacidad. Se resalta que las 4 personas con
quienes se realizaron las pruebas, fueron dos hombres y dos mujeres, de tal forma que
tambin se considerara la diferencia en la marcha para los dos gneros.

ETAPA 2. Anlisis de los datos

1. Identificar los frames correspondientes nicamente al ciclo de la marcha

Considerando que para capturar los datos con el Mocap, algunos frames no correspondieron
al ciclo de marcha sino a movimientos realizados con los brazos para el reconocimiento y
calibracin del esqueleto en 3D, es necesario que estos frames se eliminen del anlisis
estadstico y por lo tanto, considerar solamente aquellos frames que s describen el ciclo de
la marcha, tal como se muestra en la tabla 20.

Persona
Inicio Fin Inicio Fin
Frame Tiempo Frame Tiempo Frame Tiempo Frame Tiempo
Daniela 255 02:13 s 1422 14:05 s 391 03:22 s 2752 27:13 s
Carmen 326 03:06 s 1975 19:18 s 443 04:10 s 2626 26:06 s
Albeiro 252 02:13 s 1590 15:22 s 387 03:21 s 2475 24:18 s
Carlos 310 03:02 s 1538 15:09 s 307 03:01 s 2295 22:23 s
Tabla 20. Frames que corresponden al ciclo de la marcha para las 4 personas

Al considerar la totalidad de frames que se analizarn para cada una de las personas y las
159 variables que resultan de la posicin de los 53 marcadores en los ejes XYZ, se tiene la
cantidad de datos presentada en la tabla 21. Lo cual, indica que existe una determinada
complejidad para analizar dichos datos y explicar el movimiento de la marcha:

Persona
Caminar sin discapacidad Caminar con discapacidad Total
datos a
analizar
Frames Variables
Total
datos
Frames Variables
Total
datos
Daniela 1,168 159 185,712 2,362 159 375,558 561,270
Carmen 1,650 159 262,350 2,184 159 347,256 609,606
Albeiro 1,339 159 212,901 2,089 159 332,151 545,052
Carlos 1,229 159 195,411 1,989 159 316,251 511,662
Total 5,386 636 856,374 8,624 636 1,371,216 2,227,590
Tabla 21. Total de datos a analizar de los movimientos de caminar sin discapacidad y
caminar con discapacidad para las 4 personas

Los anteriores datos se almacenaron en matrices en Excel, cuyo tamao es el nmero de
frames o filas por el nmero de variables o columnas, las cuales se pueden revisar en el
Apndice C en electrnico. En estas matrices se observa la posicin en milmetros para
cada uno de los 53 marcadores en los ejes XYZ, a travs del tiempo.

2. Identificar la existencia de datos anormales o atpicos
Al revisar los datos almacenados en las dos matrices de las cuatro personas (movimiento de
caminar sin discapacidad y caminar con discapacidad), no se observaron datos atpicos.
Para la identificacin de estos datos atpicos, se siguieron dos procedimientos: primero, se
revisaron visualmente los datos de cada variable verificando que todas las variables
cambiaran a travs de los frames; y segundo, al momento de obtener la tabla de pesos de los
componentes, los pesos de las variables aparecan muy pequeos con valores alrededor de
7
10
, as que esto indicaba que la variabilidad en alguna de las variables no era significativa
y por lo tanto podan haber datos atpicos.


En ninguno de los cuatro casos se identificaron datos atpicos, pues todos los datos de cada
variable s cambiaban a travs del tiempo por lo que las cmaras s registraron el
movimiento de todos los marcadores y la tabla de pesos de los componentes (obtenida en
un paso ms adelante) no mostraba valores extremadamente pequeos.

3. Extraer el nmero de componentes principales con el mtodo de correlacin

Con el apoyo de software estadstico especializado como Statgraphics 16 y Minitab 15, se
extrae el nmero de componentes principales para cada uno de los movimientos (caminar
sin discapacidad y caminar con discapacidad). Para la extraccin de estos componentes se
utiliz la matriz de correlacin y no la de covarianza debido a que los datos no son
dimensionalmente homogneos.


En la tabla 22, se presenta el resumen de componentes extrados para el movimiento de
caminar sin discapacidad de las cuatro personas y se muestra que los componentes
extrados para este movimiento fueron entre 7 y 9. Es decir, las 159 variables originales
estn representadas adecuadamente por esta cantidad de componentes principales que son
Persona
Entrada de
datos
Nmero
de casos
completos
Tratamiento
de valores
perdidos
Estandarizar
Nmero de
componentes
extrados
Daniela Observaciones 1168
Eliminacin
Listwise
S 8
Carmen Observaciones 1650
Eliminacin
Listwise
S 7
Albeiro Observaciones 1339
Eliminacin
Listwise
S 8
Carlos Observaciones 1229
Eliminacin
Listwise
S 9
Tabla 22. Resumen componentes extrados movimiento de caminar sin discapacidad para
las 4 personas

De forma ms detallada, en la tabla 23 se muestra el nmero de componentes principales
extrados, los eigenvalor y los porcentajes de varianza para el movimiento caminar sin
discapacidad para las cuatro personas 'Daniela', 'Carmen', 'Albeiro' y 'Carlos'. En el caso de
Daniela se extrajeron 8 componentes, para Carmen 7 componentes, para Albeiro 8
componentes y para Carlos 9 componentes.

Daniela Carmen Albeiro Carlos
Componente Porcentaje Porcentaje Porcentaje Porcentaje
Nmero Acumulado Acumulado Acumulado Acumulado
1 47.177 57.124 55.694 52.841
2 79.924 87.289 81.532 80.217
3 86.401 91.281 87.758 86.888
4 90.028 93.717 91.251 90.749
5 93.491 95.939 93.592 93.634
6 95.439 97.051 95.719 95.523
7 96.781 97.769 96.621 96.526
8 97.467 98.335 97.352 97.387
9 97.994 98.734 97.878 98.065
10 98.361 98.948 98.35 98.477
11 98.686 99.143 98.704 98.787
caminar sin discapacidad para las 4 personas

Como las 159 variables correlacionadas estn representadas adecuadamente por los
componentes principales resaltados en la tabla 23 para 'Daniela', 'Carmen', 'Albeiro' y
'Carlos' y como estas nuevas variables (construidas como combinaciones lineales de las
originales) son independientes, se facilita la interpretacin de los datos.

Se decidi extraer los componentes principales resaltados en la tabla 23 pues explican la
mayor variabilidad en los datos, obteniendo eigenvalores mayores o iguales que 1.0. En
conjunto estos componentes explican entre el 97% y 98% de la variabilidad en los datos

originales. As mismo, para la extraccin del nmero de componentes se analizaron los
grficos en forma de codo presentados en el Apndice D.


En la tabla 24, se presenta el resumen de componentes extrados para el movimiento de
caminar con discapacidad de las cuatro personas y se muestra que los componentes
extrados para este movimiento fueron entre 7 y 8. Es decir, las 159 variables originales
estn representadas adecuadamente por esta cantidad de componentes principales que son
combinaciones lineales de las originales. Al comparar la cantidad de componentes extrados
en este movimiento con respecto a los del movimiento de caminar sin discapacidad, se
encuentra que en el caso de Daniela disminuy la cantidad en 1 componente, en el caso de
Carmen y Albeiro se mantiene igual el nmero de componentes extrados y en el caso de
Carlos disminuy en 2 componentes.

Persona
Entrada de
datos
Nmero
de casos
completos
Tratamiento
de valores
perdidos
Estandarizar
Nmero de
componentes
extrados
Daniela Observaciones 2362
Eliminacin
Listwise
S 7
Carmen Observaciones 2184
Eliminacin
Listwise
S 7
Albeiro Observaciones 2089
Eliminacin
Listwise
S 8
Carlos Observaciones 1989
Eliminacin
Listwise
S 7
Tabla 24. Resumen componentes extrados movimiento de caminar con discapacidad para
las 4 personas

De forma ms detallada, en la tabla 25 se presenta el nmero de componentes principales
extrados, los eigenvalor y los porcentajes de varianza para el movimiento caminar con
discapacidad de las cuatro personas 'Daniela', 'Carmen', 'Albeiro' y 'Carlos':

Componente Porcentaje Porcentaje Porcentaje Porcentaje
Nmero Acumulado Acumulado Acumulado Acumulado
1 51.793 54.626 57.583 56.177
2 83.748 86.117 83.402 82.163
3 89.423 91.119 88.049 88.397
4 93.946 94.174 92.002 91.866
5 95.44 95.759 95.218 94.815
6 96.49 97.199 96.231 96.649
7 97.304 98.214 97.027 97.778
8 97.907 98.655 97.693 98.193
9 98.36 98.963 98.259 98.579
10 98.673 99.165 98.553 98.854
caminar con discapacidad para las 4 personas

De la tabla 25 se observa que se extrajeron entre siete (7) y ocho (8) componentes puesto
que stos obtuvieron eigenvalores mayores o iguales que 1.0. En conjunto estos
componentes explican entre el 97% y 98% de la variabilidad en los datos originales.

4. Determinar el nmero de componentes principales a retener

Teniendo en cuenta que en los cuatro casos, tanto para el movimiento de caminar sin
discapacidad como para el movimiento de caminar con discapacidad, los dos primeros
componentes explican alrededor del 80% de la variabilidad de los datos, en el anlisis de
componentes principales se considerarn solamente los dos primeros componentes ya que
los siguientes tienen menor capacidad explicativa.

En la tabla 26, se muestra el porcentaje acumulado de la cantidad de componentes retenidos
en cada persona para los movimientos de caminar sin discapacidad y caminar con
discapacidad:


Porcentaje acumulado
Persona
Daniela 47.177% 79.924% 51.793% 83.748%
Carmen 57.124% 87.289% 54.626% 86.117%
Albeiro 55.694% 81.532% 57.583% 83.402%
Carlos 52.841% 80.217% 56.177% 82.163%
Tabla 26. Componentes determinados para las 4 personas

5. Agrupar los 53 marcadores por partes del cuerpo

Con el propsito de facilitar el anlisis y la explicacin de los movimientos de caminar sin
discapacidad y caminar con discapacidad, en la tabla 27 de peso de los componentes se
incluy en la primera columna la clasificacin de las 159 variables o marcadores de
acuerdo a las partes del cuerpo. Se definieron 16 partes del cuerpo, presentadas en el
numeral 3.1.2 paso 5, que agrupan los 53 marcadores que capturan el movimiento.

6. Identificar los pesos de cada componente

En las tablas 27 y 28, se presentan los pesos de los componentes retenidos para el
movimiento de caminar sin discapacidad y caminar con discapacidad. Las ecuaciones
lineales de todos los componentes extrados para las cuatro personas se pueden revisar en el
Apndice C en electrnico.

Caminar sin discapacidad

La tabla 27 muestra los pesos de los componentes retenidos para el movimiento de caminar
sin discapacidad. En este movimiento, el componente 1 todos los pesos (loadings) de cada
variable original para las cuatro personas tienen el mismo signo, es decir, existe una alta
correlacin positiva entre todas las variables y por lo tanto se puede considerar que hay un
promedio ponderado de todas las variables o un factor global de tamao.

Por el contrario, el componente 2 para las cuatro personas se interpreta como factor de
forma dado que tiene pesos positivos y negativos, lo cual implica que contrapone unos
grupos de variables frente a otros. Sin embargo, como estas variables negativas son muy
pequeas con respecto a las positivas, la contraposicin de unas variables contra otras no es
significativa y ms bien hay una tendencia a que exista un factor global de tamao. En
los componentes 3, 4 y en adelante, que se encuentran en el Apndice C en electrnico, s
se observa que hay una contraposicin de variables ms fuerte.

Componente Componente Componente Componente Componente Componente Componente Componente
1 2 1 2 1 2 1 2
Cabeza
ARIEL<T-X> 0.1131840 -0.0153780 0.1019860 -0.0225939 0.1038470 -0.0175767 0.1052930 -0.0226513
ARIEL<T-Y> 0.0770026 0.0091541 0.0948714 -0.0451878 0.0962348 -0.0465581 0.0889458 -0.0370412
ARIEL<T-Z> 0.0234383 0.1334110 0.0371211 0.1347860 0.0331585 0.1468650 0.0276762 0.1443060
LFHD<T-X> 0.1136560 -0.0109770 0.1023200 -0.0197417 0.1043300 -0.0099025 0.1058280 -0.0164510
LFHD<T-Y> 0.0434885 0.0676041 0.0885722 -0.0391128 0.0702133 0.0068613 0.0674451 -0.0023277
LFHD<T-Z> 0.0212409 0.1342580 0.0387404 0.1338940 0.0316896 0.1442500 0.0217907 0.1437020
LBHD<T-X> 0.1128240 -0.0190676 0.1013400 -0.0272368 0.1037180 -0.0188008 0.1049540 -0.0250776
LBHD<T-Y> 0.0884044 -0.0407605 0.0925684 -0.0498594 0.0874483 -0.0456865 0.0872199 -0.0237399
LBHD<T-Z> 0.0315697 0.1326170 0.0456409 0.1294940 0.0489381 0.1348400 0.0408097 0.1384940
RFHD<T-X> 0.1137790 -0.0084131 0.1027200 -0.0157664 0.1044760 -0.0075969 0.1059180 -0.0161570
RFHD<T-Y> 0.0465564 0.0689586 0.0938477 -0.0334639 0.0861375 0.0140394 0.0766853 -0.0217527
RFHD<T-Z> 0.0142919 0.1344840 0.0283247 0.1375070 0.0185285 0.1513640 0.0197206 0.1453090
RBHD<T-X> 0.1132170 -0.0148248 0.1020970 -0.0213131 0.1039770 -0.0160068 0.1050840 -0.0243529
RBHD<T-Y> 0.0924130 -0.0215633 0.0948620 -0.0405271 0.0950549 -0.0365453 0.0905383 -0.0541943
RBHD<T-Z> 0.0203243 0.1344250 0.0325194 0.1363610 0.0263984 0.1501190 0.0296432 0.1441040
Espalda
C7<T-X> 0.1117960 -0.0256121 0.1007620 -0.0305236 0.1026300 -0.0286197 0.1029410 -0.0379120
C7<T-Y> 0.0938083 -0.0517032 0.0941671 -0.0455208 0.0905467 -0.0543581 0.0868135 -0.0487779
C7<T-Z> 0.0343970 0.1319510 0.0452299 0.1297810 0.0477488 0.1373240 0.0529367 0.1309600
T10<T-X> 0.1115070 -0.0272733 0.1004910 -0.0321274 0.1021710 -0.0318951 0.1022800 -0.0412014
T10<T-Y> 0.0900951 -0.0551305 0.0928548 -0.0477827 0.0868732 -0.0580406 0.0826503 -0.0465573
T10<T-Z>
0.0360208 0.1312790 0.0473247 0.1280870 0.0529535 0.1317990 0.0583490 0.1253690
Pecho
CLAV<T-X>
0.1136720 -0.0112690 0.1027120 -0.0159135 0.1043920 -0.0095265 0.1054940 -0.0205703
CLAV<T-Y>
0.0970947 -0.0126527 0.0952404 -0.0414375 0.0970438 -0.0241782 0.0923317 -0.0421668
CLAV<T-Z>
0.0198113 0.1356320 0.0321583 0.1364920 0.0252992 0.1502470 0.0324362 0.1433000
STRN<T-X>
0.1138250 -0.0093100 0.1029700 -0.0128762 0.1045150 -0.0066984 0.1056110 -0.0195162
STRN<T-Y>
0.0979454 -0.0142040 0.0945907 -0.0377667 0.0965980 -0.0212772 0.0923527 -0.0418293

STRN<T-Z> 0.0175312 0.1361980 0.0289257 0.1371830 0.0215297 0.1509040 0.0320193 0.1433670
Hombro
izq
LFSH<T-X> 0.1134130 -0.0145106 0.1025520 -0.0177646 0.1042310 -0.0121665 0.1052620 -0.0225098
LFSH<T-Y> 0.0903491 -0.0162231 0.0931043 -0.0449122 0.0893018 -0.0299753 0.0902512 -0.0363431
LFSH<T-Z> 0.0266935 0.1344620 0.0373254 0.1345320 0.0383040 0.1428300 0.0408050 0.1390870
LBSH<T-X> 0.1119350 -0.0253910 0.1008760 -0.0302801 0.1026710 -0.0282434 0.1031930 -0.0365404
LBSH<T-Y> 0.0899828 -0.0449392 0.0909681 -0.0498591 0.0779962 -0.0584985 0.0783603 -0.0295250
LBSH<T-Z> 0.0400515 0.1290900 0.0510442 0.1244120 0.0664114 0.1120160 0.0654554 0.1159910
Brazo izq
LUPA<T-X> 0.1126610 -0.0203788 0.1015190 -0.0260377 0.1033400 -0.0218833 0.1040420 -0.0305051
LUPA<T-Y> 0.0750847 -0.0308606 0.0867659 -0.0500041 0.0654536 -0.0465405 0.0670476 -0.0061353
LUPA<T-Z> 0.0412373 0.1259270 0.0577071 0.1129430 0.0802826 0.0131057 0.0793945 0.0679534
LELB<T-X> 0.1122430 -0.0230448 0.1014410 -0.0265124 0.1029870 -0.0250145 0.1035450 -0.0333336
LELB<T-Y> 0.0738747 -0.0356280 0.0872126 -0.0492699 0.0619480 -0.0458166 0.0616066 -0.0037112
LELB<T-Z> 0.0452222 0.1217490 0.0589004 0.1108230 0.0803913 -0.0000705 0.0824500 0.0489948
LIEL<T-X> 0.1122100 -0.0234746 0.1011470 -0.0286429 0.1029590 -0.0260601 0.1033770 -0.0349190
LIEL<T-Y> 0.0851624 -0.0340559 0.0882090 -0.0509531 0.0692135 -0.0559544 0.0682811 -0.0149733
LIEL<T-Z> 0.0401768 0.1272100 0.0558770 0.1174160 0.0790981 0.0854252 0.0738355 0.0987034
Antebrazo
- mano
izq
LOWR<T-X> 0.1128790 -0.0151623 0.1019510 -0.0219099 0.1034460 -0.0195280 0.1039830 -0.0293234
LOWR<T-Y> 0.0410567 -0.0247317 0.0818829 -0.0433384 0.0603120 -0.0375495 0.0603419 0.0029541
LOWR<T-Z> 0.0366799 0.1228560 0.0578530 0.1081990 0.0662044 -0.0471062 0.0792152 0.0424132
LIWR<T-X> 0.1133180 -0.0112744 0.1024480 -0.0176723 0.1039420 -0.0132949 0.1047680 -0.0240613
LIWR<T-Y> 0.0356262 -0.0210717 0.0746326 -0.0398502 0.0575842 -0.0333473 0.0604068 -0.0062599
LIWR<T-Z> 0.0284547 0.1303300 0.0476511 0.1240780 0.0610373 -0.0279418 0.0681593 0.0960306
LWRE<T-X> 0.1128240 -0.0171003 0.1017300 -0.0240817 0.1034210 -0.0203012 0.1038990 -0.0305262
LWRE<T-Y> 0.0512504 -0.0301290 0.0852688 -0.0474030 0.0612103 -0.0415066 0.0621273 -0.0004958
LWRE<T-Z> 0.0391271 0.1233200 0.0585911 0.1094920 0.0707849 -0.0341495 0.0807823 0.0452721
LIHAND<T-X> 0.1132380 -0.0094576 0.1024100 -0.0175114 0.1040070 -0.0115614 0.1048080 -0.0229137
LIHAND<T-Y> 0.0240378 -0.0185089 0.0727810 -0.0379547 0.0546248 -0.0299810 0.0547843 -0.0029862
LIHAND<T-Z> 0.0257719 0.1298290 0.0496211 0.1197270 0.0557710 -0.0263573 0.0685009 0.0820672
LOHAND<T-X> 0.1129890 -0.0123935 0.1020490 -0.0209132 0.1037120 -0.0160058 0.1043020 -0.0267430
LOHAND<T-Y> 0.0266695 -0.0227756 0.0804565 -0.0418280 0.0591631 -0.0348742 0.0592000 0.0011887
LOHAND<T-Z> 0.0316008 0.1251780 0.0561722 0.1107900 0.0623870 -0.0425422 0.0759380 0.0538974
Hombro
derecho
RFSH<T-X> 0.1135690 -0.0115652 0.1025650 -0.0168411 0.1043130 -0.0106428 0.1052520 -0.0224629
RFSH<T-Y> 0.0930827 -0.0173373 0.0945307 -0.0408239 0.0980167 -0.0201606 0.0878685 -0.0553982
RFSH<T-Z> 0.0183596 0.1352950 0.0305287 0.1366810 0.0219991 0.1513880 0.0311593 0.1436990
RBSH<T-X> 0.1120400 -0.0231659 0.1009500 -0.0286044 0.1029050 -0.0260680 0.1031050 -0.0365235
RBSH<T-Y> 0.0852222 -0.0513402 0.0943993 -0.0413096 0.0942815 -0.0446176 0.0848843 -0.0631239
RBSH<T-Z> 0.0279827 0.1335880 0.0392077 0.1333350 0.0344204 0.1465640 0.0428534 0.1381190
Brazo der
RUPA<T-X> 0.1127900 -0.0170889 0.1017020 -0.0228007 0.1036630 -0.0183923 0.1039750 -0.0308363
RUPA<T-Y> 0.0781877 -0.0429592 0.0939432 -0.0372928 0.0947246 -0.0224250 0.0838561 -0.0653406
RUPA<T-Z> 0.0211006 0.1345950 0.0327834 0.1357600 0.0241338 0.1506340 0.0350839 0.1418650
RELB<T-X> 0.1127460 -0.0166787 0.1017240 -0.0222460 0.1036560 -0.0182629 0.1038920 -0.0311774

RELB<T-Y> 0.0697062 -0.0449659 0.0930626 -0.0372937 0.0945813 -0.0184684 0.0841534 -0.0658956
RELB<T-Z> 0.0203622 0.1346430 0.0319761 0.1359380 0.0231853 0.1508420 0.0353808 0.1416670
RIEL<T-X> 0.1124230 -0.0197815 0.1013340 -0.0254740 0.1032700 -0.0227463 0.1034580 -0.0342965
RIEL<T-Y> 0.0760514 -0.0435869 0.0916891 -0.0413998 0.0941988 -0.0221143 0.0823766 -0.0645121
RIEL<T-Z> 0.0240281 0.1341900 0.0352003 0.1349280 0.0286736 0.1490630 0.0410295 0.1390250
Antebrazo
- mano
der
ROWR<T-X> 0.1131120 -0.0112587 0.1021560 -0.0182689 0.1040260 -0.0133390 0.1042720 -0.0284595
ROWR<T-Y> 0.0457044 -0.0186601 0.0887520 -0.0317974 0.0939982 -0.0092008 0.0864332 -0.0624908
ROWR<T-Z> 0.0160269 0.1349140 0.0287466 0.1367110 0.0187544 0.1517010 0.0339193 0.1420580
RIWR<T-X> 0.1133140 -0.0105040 0.1024970 -0.0154681 0.1042580 -0.0103406 0.1050600 -0.0231730
RIWR<T-Y> 0.0448648 -0.0152073 0.0858990 -0.0262941 0.0944623 -0.0138124 0.0830384 -0.0509101
RIWR<T-Z> 0.0157876 0.1352310 0.0270060 0.1370890 0.0175409 0.1519360 0.0309179 0.1431850
RWRE<T-X> 0.1127280 -0.0161238 0.1017750 -0.0217531 0.1036390 -0.0183560 0.1038130 -0.0315934
RWRE<T-Y> 0.0653252 -0.0412669 0.0930327 -0.0364302 0.0947259 -0.0169913 0.0841792 -0.0668186
RWRE<T-Z> 0.0197589 0.1346550 0.0315492 0.1360700 0.0228110 0.1508980 0.0359379 0.1413790
RIHAND<T-X> 0.1132530 -0.0085763 0.1024670 -0.0153539 0.1042400 -0.0101080 0.1049520 -0.0233371
RIHAND<T-Y> 0.0359316 -0.0092748 0.0832965 -0.0269628 0.0941564 -0.0089849 0.0819816 -0.0538784
RIHAND<T-Z> 0.0138359 0.1350170 0.0267679 0.1370500 0.0166312 0.1519470 0.0302252 0.1431500
ROHAND<T-X> 0.1130300 -0.0109070 0.1021630 -0.0180509 0.1040250 -0.0133881 0.1045210 -0.0265404
ROHAND<T-Y> 0.0405820 -0.0140347 0.0877250 -0.0300283 0.0944979 -0.0099219 0.0859733 -0.0579375
ROHAND<T-Z> 0.0154815 0.1348670 0.0285988 0.1367020 0.0186248 0.1516660 0.0324486 0.1424760
Cintura
LFWT<T-X> 0.1137490 -0.0110348 0.1026740 -0.0164981 0.1042760 -0.0114242 0.1051740 -0.0235356
LFWT<T-Y> 0.0904256 -0.0332112 0.0937500 -0.0375416 0.0925520 -0.0326614 0.0902026 -0.0362285
LFWT<T-Z> 0.0205982 0.1359420 0.0360114 0.1349960 0.0398694 0.1400500 0.0461911 0.1356310
LMWT<T-X> 0.1139670 -0.0067760 0.1030200 -0.0121317 0.1045770 -0.0050159 0.1057330 -0.0183877
LMWT<T-Y> 0.0979428 -0.0175797 0.0943970 -0.0356531 0.0966784 -0.0194038 0.0935757 -0.0398427
LMWT<T-Z> 0.0144745 0.1364630 0.0280574 0.1373260 0.0195839 0.1507830 0.0312177 0.1433680
LBWT<T-X> 0.1120970 -0.0247799 0.1008450 -0.0304629 0.1024210 -0.0303331 0.1025590 -0.0398307
LBWT<T-Y> 0.0895849 -0.0455527 0.0930020 -0.0476011 0.0865398 -0.0609680 0.0847736 -0.0411863
LBWT<T-Z> 0.0377314 0.1301710 0.0507714 0.1247250 0.0618740 0.1203470 0.0638966 0.1190920
RFWT<T-X> 0.1137600 -0.0087368 0.1026280 -0.0161808 0.1043520 -0.0099607 0.1051470 -0.0234236
RFWT<T-Y> 0.0968339 -0.0201320 0.0954043 -0.0381944 0.0985807 -0.0202462 0.0930065 -0.0493718
RFWT<T-Z> 0.0157997 0.1359180 0.0303160 0.1367470 0.0215920 0.1514290 0.0333334 0.1430850
RMWT<T-X> 0.1119060 -0.0252912 0.1006090 -0.0314652 0.1024880 -0.0298505 0.1023950 -0.0405293
RMWT<T-Y> 0.0936037 -0.0502832 0.0933133 -0.0484054 0.0910797 -0.0556554 0.0866490 -0.0484023
RMWT<T-Z> 0.0339796 0.1321970 0.0470472 0.1282940 0.0488557 0.1362740 0.0563280 0.1277620
RBWT<T-X> 0.1119700 -0.0240950 0.1007130 -0.0304072 0.1026170 -0.0286514 0.1025990 -0.0392879
RBWT<T-Y> 0.0942811 -0.0479215 0.0917862 -0.0500733 0.0918012 -0.0484572 0.0876963 -0.0539072
RBWT<T-Z> 0.0305534 0.1332010 0.0428839 0.1313080 0.0400032 0.1432030 0.0493695 0.1338340
Pierna izq
LHIP<T-X> 0.1135960 -0.0129284 0.1021970 -0.0210008 0.1039430 -0.0167272 0.1050260 -0.0242021
LHIP<T-Y> 0.0746736 -0.0352757 0.0861522 -0.0395098 0.0735054 -0.0378838 0.0750550 -0.0257482
LHIP<T-Z> 0.0243593 0.1348530 0.0458400 0.1283380 0.0641437 0.1103270 0.0543434 0.1286840

LKNE<T-X> 0.1135550 -0.0122352 0.1023610 -0.0185478 0.1040760 -0.0148504 0.1053240 -0.0209948
LKNE<T-Y> 0.0735463 -0.0252994 0.0798341 -0.0270990 0.0720986 -0.0295693 0.0643347 -0.0234191
LKNE<T-Z> 0.0223426 0.1350830 0.0395544 0.1326340 0.0511139 0.1246560 0.0432788 0.1362060
LKNI<T-X> 0.1136050 -0.0112864 0.1024860 -0.0170105 0.1042840 -0.0123159 0.1052890 -0.0216486
LKNI<T-Y> 0.0747519 -0.0145494 0.0750129 -0.0231407 0.0789254 -0.0167763 0.0695227 -0.0303749
LKNI<T-Z> 0.0202996 0.1352910 0.0346624 0.1349530 0.0305486 0.1454660 0.0377967 0.1399930
Pantorrilla
izq
LSHN<T-X> 0.1132660 -0.0146592 0.1015470 -0.0244964 0.1037910 -0.0177589 0.1046770 -0.0254682
LSHN<T-Y> 0.0880275 -0.0220490 0.0595732 -0.0205092 0.0689118 -0.0319449 0.0794307 -0.0268816
LSHN<T-Z> 0.0247993 0.1344220 0.0456796 0.1282790 0.0528972 0.1270250 0.0500640 0.1318450
LANK<T-X> 0.1120670 -0.0213774 0.1009580 -0.0268002 0.1026060 -0.0256801 0.1031230 -0.0328812
LANK<T-Y> 0.0470163 -0.0035618 0.0406556 -0.0125548 0.0362654 -0.0187039 0.0391236 -0.0072101
LANK<T-Z> 0.0315271 0.1314700 0.0462978 0.1267220 0.0600801 0.1185870 0.0594179 0.1199300
Pie izq
LHEL<T-X> 0.1114690 -0.0249027 0.1006330 -0.0286219 0.1020040 -0.0300119 0.1022200 -0.0378171
LHEL<T-Y> 0.0332460 0.0008374 0.0329703 -0.0090965 0.0281371 -0.0141171 0.0291875 -0.0037279
LHEL<T-Z> 0.0345513 0.1303530 0.0456721 0.1273770 0.0565544 0.1254670 0.0594568 0.1201120
LMT5<T-X> 0.1128220 -0.0144929 0.1017050 -0.0208794 0.1033630 -0.0177159 0.1040510 -0.0258718
LMT5<T-Y> 0.0756931 -0.0101303 0.0685661 -0.0177941 0.0636990 -0.0214239 0.0642415 -0.0163884
LMT5<T-Z> 0.0224047 0.1337020 0.0404545 0.1304640 0.0449890 0.1316850 0.0484930 0.1277900
LMT1<T-X> 0.1129620 -0.0128941 0.1018840 -0.0191215 0.1035110 -0.0163879 0.1041970 -0.0247977
LMT1<T-Y> 0.0754484 -0.0010896 0.0667985 -0.0094293 0.0648593 -0.0199626 0.0625112 -0.0191004
LMT1<T-Z> 0.0204461 0.1337690 0.0364225 0.1324480 0.0341431 0.1417710 0.0417571 0.1327830
LTOE<T-X> 0.1131020 -0.0109428 0.1020420 -0.0175750 0.1037560 -0.0112019 0.1046310 -0.0201132
LTOE<T-Y> 0.0610708 0.0014854 0.0659478 -0.0128466 0.0552399 -0.0122345 0.0578087 -0.0175355
LTOE<T-Z> 0.0177323 0.1340620 0.0358142 0.1324830 0.0273320 0.1391070 0.0398528 0.1299830
Pierna der
RHIP<T-X> 0.1133600 -0.0117507 0.1021270 -0.0200762 0.1041130 -0.0119177 0.1049630 -0.0233543
RHIP<T-Y> 0.0862415 -0.0197689 0.0880259 -0.0351321 0.0778992 -0.0153817 0.0802515 -0.0311104
RHIP<T-Z> 0.0188975 0.1356800 0.0327806 0.1359360 0.0224762 0.1507940 0.0335304 0.1428020
RKNE<T-X> 0.1133720 -0.0104690 0.1021550 -0.0191208 0.1038700 -0.0142241 0.1050680 -0.0216109
RKNE<T-Y> 0.0775490 -0.0117618 0.0796881 -0.0241344 0.0843170 -0.0213647 0.0711289 -0.0223252
RKNE<T-Z> 0.0179664 0.1358480 0.0328155 0.1356490 0.0246188 0.1497270 0.0326673 0.1428150
RKNI<T-X> 0.1133610 -0.0120235 0.1023280 -0.0181523 0.1040110 -0.0124021 0.1050970 -0.0221460
RKNI<T-Y> 0.0867849 -0.0087569 0.0749217 -0.0183102 0.0820657 -0.0210887 0.0786159 -0.0265732
RKNI<T-Z> 0.0198159 0.1359140 0.0337050 0.1354340 0.0257881 0.1489840 0.0358038 0.1416620
Pantorrilla
der
RSHN<T-X> 0.1123990 -0.0169565 0.1016420 -0.0224594 0.1033940 -0.0175275 0.1042420 -0.0260493
RSHN<T-Y> 0.0748866 -0.0152596 0.0775848 -0.0199559 0.0672642 -0.0172730 0.0737948 -0.0276041
RSHN<T-Z> 0.0251028 0.1343830 0.0351514 0.1347140 0.0282109 0.1479280 0.0376068 0.1402430
RANK<T-X> 0.1117630 -0.0188272 0.1008760 -0.0261760 0.1026060 -0.0224787 0.1028500 -0.0326011
RANK<T-Y> 0.0511174 -0.0069275 0.0400703 -0.0074317 0.0406044 -0.0083150 0.0360132 -0.0174601
RANK<T-Z> 0.0274436 0.1333990 0.0380236 0.1328050 0.0333266 0.1443890 0.0437841 0.1356840
Pie
derecho
RHEL<T-X> 0.1113940 -0.0220915 0.1004140 -0.0294454 0.1022280 -0.0261908 0.1022660 -0.0360497
RHEL<T-Y> 0.0416940 -0.0052430 0.0280715 -0.0054573 0.0335175 -0.0067692 0.0288143 -0.0162387

RHEL<T-Z> 0.0315942 0.1321740 0.0422175 0.1303600 0.0390376 0.1408290 0.0487564 0.1320120
RMT5<T-X> 0.1123800 -0.0121770 0.1016290 -0.0198978 0.1031560 -0.0149495 0.1037940 -0.0257679
RMT5<T-Y> 0.0684750 0.0000025 0.0583052 0.0012788 0.0603420 -0.0131070 0.0564390 -0.0204686
RMT5<T-Z> 0.0204063 0.1346840 0.0334714 0.1341950 0.0265109 0.1472700 0.0364741 0.1393170
RMT1<T-X> 0.1124980 -0.0119654 0.1016730 -0.0200535 0.1032740 -0.0138254 0.1041060 -0.0241435
RMT1<T-Y> 0.0741673 -0.0021743 0.0638059 -0.0027860 0.0600433 -0.0138552 0.0589640 -0.0184235
RMT1<T-Z> 0.0194365 0.1350340 0.0334952 0.1345570 0.0270119 0.1468720 0.0359012 0.1393790
RTOE<T-X> 0.1126300 -0.0089315 0.1017410 -0.0186012 0.1034620 -0.0092669 0.1045390 -0.0196920
RTOE<T-Y> 0.0577231 0.0004543 0.0606082 -0.0211706 0.0509510 -0.0116061 0.0459189 -0.0115558
RTOE<T-Z> 0.0160506 0.135204 0.0296111 0.136106 0.0214004 0.148558 0.0297635 0.141419
Tabla 27. Comparacin pesos de los componentes de caminar sin discapacidad para las 4
personas


La tabla 28 muestra los pesos de los componentes retenidos para el movimiento de caminar
con discapacidad. En este movimiento, se encuentra que en dos personas 'Daniela' y 'Carlos'
los pesos (loadings) de cada variable original del componente 1 tienen el mismo signo; por
lo tanto, se puede decir que existe una alta correlacin positiva entre todas las variables y
que hay un promedio ponderado de todas las variables o un factor global de tamao, pero
en el caso de 'Carmen' y 'Albeiro' el componente 1 se interpreta como un factor de forma
pues hay pesos positivos y negativos. Sin embargo, como estas variables negativas son muy
pequeas con respecto a las positivas, la contraposicin de unas variables contra otras no es
significativa y ms bien hay una tendencia a que exista un factor global de tamao.

Con respecto a los componentes 2, stos se interpretan como factor de forma pues al
tener pesos positivos y negativos, implica que contraponen unos grupos de variables frente
a otros. En este componente tambin sucede lo explicado en el componente 1 para 'Carmen'
y 'Albeiro', es decir, como las variables negativas son muy pequeas con respecto a las
positivas, la contraposicin de unas variables contra otras no es significativa y ms bien hay
una tendencia a que exista un factor global de tamao.



Componente Componente Componente Componente Componente Componente Componente Componente

1 2 1 2 1 2 1 2
Cabeza
ARIEL<T-X> 0.1081610 -0.0153322 0.1063590 -0.0024240 0.1012070 0.0334288 0.1043020 -0.0047792
ARIEL<T-Y> 0.0698728 -0.0412991 0.1004290 -0.0096135 0.0679817 0.0789804 0.0896137 -0.0177931
ARIEL<T-Z> 0.0241277 0.1360970 0.0073614 0.1405960 -0.0532832 0.1306880 0.0204299 0.1493020
LFHD<T-X> 0.1083770 -0.0126864 0.1063370 0.0013022 0.1002430 0.0392517 0.1043000 0.0009917
LFHD<T-Y> 0.0457569 -0.0462378 0.0949439 0.0037550 0.0215012 0.1124650 0.0845631 -0.0173938
LFHD<T-Z> 0.0224329 0.1363060 0.0050031 0.1405180 -0.0674844 0.1090840 0.0139154 0.1462730
LBHD<T-X> 0.1076460 -0.0210837 0.1062650 -0.0065596 0.1017040 0.0299487 0.1041310 -0.0091971
LBHD<T-Y> 0.0895193 -0.0276155 0.0957347 -0.0087458 0.0766393 0.0624990 0.0901649 -0.0156854
LBHD<T-Z> 0.0303996 0.1341360 0.0147721 0.1388760 -0.0605824 0.1183250 0.0318052 0.1420490
RFHD<T-X> 0.1084640 -0.0107003 0.1063190 0.0040112 0.1000070 0.0406099 0.1043770 -0.0002251
RFHD<T-Y> 0.0510950 -0.0446098 0.1002540 -0.0056908 0.0220891 0.1156970 0.0841815 -0.0196602
RFHD<T-Z> 0.0188377 0.1371020 -0.0001212 0.1397090 -0.0517177 0.1327270 0.0150926 0.1509960
RBHD<T-X> 0.1079320 -0.0177655 0.1063350 -0.0019612 0.1014230 0.0319715 0.1041860 -0.0100127
RBHD<T-Y> 0.0877140 -0.0305324 0.0988595 -0.0159140 0.0854821 0.0431340 0.0914577 -0.0233350
RBHD<T-Z> 0.0240176 0.1361840 0.0050744 0.1402410 -0.0429984 0.1410400 0.0237542 0.1501570
Espalda
C7<T-X> 0.1062650 -0.0305167 0.1060690 -0.0104376 0.1031430 0.0148837 0.1024730 -0.0295144
C7<T-Y> 0.0955621 -0.0219638 0.1003730 -0.0180786 0.0990509 0.0012612 0.0916971 -0.0432228
C7<T-Z> 0.0360954 0.1319220 0.0161607 0.1389100 -0.0299200 0.1465560 0.0465492 0.1378940
T10<T-X> 0.1058960 -0.0325530 0.1059360 -0.0125314 0.1033460 0.0111829 0.1018460 -0.0338226
T10<T-Y> 0.0916480 -0.0209730 0.0984679 -0.0204912 0.0989992 0.0004992 0.0881826 -0.0420689
T10<T-Z>
0.0375477 0.1312100 0.0185615 0.1380750 -0.0263866 0.1464300 0.0524974 0.1322510
Pecho
CLAV<T-X>
0.1081320 -0.0165685 0.1063110 0.0045550 0.1010870 0.0342307 0.1042240 -0.0093373
CLAV<T-Y>
0.0912277 -0.0276223 0.1006480 -0.0072950 0.0892789 0.0301548 0.0932579 -0.0304137
CLAV<T-Z>
0.0235660 0.1366960 0.0000658 0.1404860 -0.0477929 0.1376570 0.0274061 0.1492710
STRN<T-X>
0.1082640 -0.0152444 0.1062190 0.0072027 0.1007480 0.0363752 0.1042470 -0.0088821
STRN<T-Y>
0.0901053 -0.0222089 0.0973633 -0.0062934 0.0861840 0.0315427 0.0928618 -0.0309112
STRN<T-Z> 0.0219434 0.1370980 -0.0030412 0.1398830 -0.0488814 0.1366920 0.0276934 0.1492980
Hombro
izq
LFSH<T-X> 0.1079290 -0.0189735 0.1063360 0.0027843 0.1013450 0.0325216 0.1041120 -0.0111463
LFSH<T-Y> 0.0811016 -0.0320511 0.0960323 -0.0059914 0.0839326 0.0341237 0.0889616 -0.0307071
LFSH<T-Z> 0.0274333 0.1353140 0.0024306 0.1407600 -0.0600847 0.1229980 0.0348860 0.1432890
LBSH<T-X> 0.1064770 -0.0296761 0.1061250 -0.0099974 0.1030120 0.0166999 0.1027060 -0.0272928
LBSH<T-Y> 0.0938329 -0.0287604 0.0961761 -0.0121940 0.0915359 -0.0010314 0.0825009 -0.0356365
LBSH<T-Z> 0.0383533 0.1298960 0.0206009 0.1355700 -0.0455434 0.1224960 0.0611335 0.1174890
Brazo izq
LUPA<T-X> 0.1072520 -0.0246010 0.1062300 -0.0048059 0.1022690 0.0247528 0.1031690 -0.0218842
LUPA<T-Y> 0.0830498 -0.0051072 0.0869270 -0.0042891 0.0867407 0.0358964 0.0691877 -0.0236514
LUPA<T-Z> 0.0359431 0.1290120 0.0194748 0.1266400 -0.0658494 0.0005150 0.0709848 0.0138848
LELB<T-X> 0.1068690 -0.0269760 0.1061520 -0.0049362 0.1025370 0.0219550 0.1026240 -0.0265711

LELB<T-Y> 0.0834148 -0.0027882 0.0838733 -0.0023895 0.0886766 0.0339504 0.0637467 -0.0214789
LELB<T-Z> 0.0392490 0.1259730 0.0198314 0.1240180 -0.0566071 -0.0153697 0.0730817 -0.0087171
LIEL<T-X> 0.1067900 -0.0279176 0.1061860 -0.0065981 0.1026930 0.0206227 0.1025350 -0.0280925
LIEL<T-Y> 0.0903685 -0.0118813 0.0916475 -0.0017231 0.0932651 0.0261633 0.0683494 -0.0256436
LIEL<T-Z> 0.0396344 0.1287360 0.0196466 0.1315950 -0.0591237 0.0875770 0.0737984 0.0830082
Antebrazo
- mano izq
LOWR<T-X> 0.1073540 -0.0199030 0.1057850 0.0003013 0.1018340 0.0277764 0.1028240 -0.0238156
LOWR<T-Y> 0.0547115 0.0187286 0.0536784 -0.0013251 0.0801200 0.0478667 0.0655674 -0.0217113
LOWR<T-Z> 0.0292877 0.1256870 0.0084916 0.1150750 -0.0537740 -0.0628145 0.0664950 -0.0310524
LIWR<T-X> 0.1078190 -0.0164645 0.1058710 0.0038358 0.1010680 0.0336125 0.1035110 -0.0168273
LIWR<T-Y> 0.0474265 0.0150537 0.0457966 -0.0041688 0.0653891 0.0481721 0.0721145 -0.0247616
LIWR<T-Z> 0.0240186 0.1307860 0.0000034 0.1265350 -0.0679808 -0.0422948 0.0667791 0.0287899
LWRE<T-X> 0.1073410 -0.0216571 0.1059970 -0.0021169 0.1019860 0.0268222 0.1028320 -0.0242435
LWRE<T-Y> 0.0620626 0.0150628 0.0655639 -0.0014388 0.0825317 0.0439658 0.0649147 -0.0224904
LWRE<T-Z> 0.0321477 0.1266860 0.0142055 0.1204790 -0.0568652 -0.0506848 0.0681040 -0.0253486
LIHAND<T-X> 0.1077340 -0.0148678 0.1056430 0.0044599 0.1007770 0.0353074 0.1035030 -0.0160139
LIHAND<T-Y> 0.0410817 0.0161700 0.0435729 -0.0031249 0.0609082 0.0476168 0.0700258 -0.0228959
LIHAND<T-Z> 0.0219190 0.1294880 -0.0016751 0.1194600 -0.0691436 -0.0418475 0.0611588 -0.0059158
LOHAND<T-X> 0.1074430 -0.0175235 0.1056810 0.0015252 0.1013800 0.0311086 0.1030860 -0.0209275
LOHAND<T-Y> 0.0457068 0.0184330 0.0513121 -0.0022926 0.0721903 0.0480432 0.0687362 -0.0226282
LOHAND<T-Z> 0.0257313 0.1265430 0.0052152 0.1162190 -0.0594187 -0.0585232 0.0639961 -0.0279826
Hombro
derecho
RFSH<T-X> 0.1079620 -0.0176109 0.1063190 0.0032898 0.1013690 0.0320386 0.1041000 -0.0119572
RFSH<T-Y> 0.0914473 -0.0234303 0.0990775 -0.0137381 0.0921216 0.0183261 0.0865994 -0.0381811
RFSH<T-Z> 0.0237015 0.1363260 0.0014824 0.1399010 -0.0370959 0.1451820 0.0262329 0.1498830
RBSH<T-X> 0.1063610 -0.0292512 0.1060570 -0.0091403 0.1030130 0.0159818 0.1025510 -0.0287845
RBSH<T-Y> 0.0823468 -0.0133299 0.0979164 -0.0190705 0.0881417 -0.0103648 0.0847548 -0.0462395
RBSH<T-Z> 0.0324937 0.1333760 0.0120168 0.1396960 -0.0249705 0.1502420 0.0366106 0.1448110
Brazo der
RUPA<T-X> 0.1068700 -0.0253193 0.1061670 -0.0042015 0.1024190 0.0215490 0.1031490 -0.0232853
RUPA<T-Y> 0.0781894 -0.0106300 0.0954810 -0.0174189 0.0824217 -0.0076912 0.0782878 -0.0417866
RUPA<T-Z> 0.0279328 0.1345590 0.0067080 0.1395490 -0.0250427 0.1502400 0.0297226 0.1480610
RELB<T-X> 0.1066300 -0.0265537 0.1061000 -0.0045377 0.1022350 0.0216635 0.1029820 -0.0245968
RELB<T-Y> 0.0733150 -0.0111676 0.0948257 -0.0173044 0.0788260 -0.0068106 0.0760368 -0.0428423
RELB<T-Z> 0.0279867 0.1343160 0.0065661 0.1393470 -0.0237238 0.1504680 0.0296917 0.1480270
RIEL<T-X> 0.1062150 -0.0294076 0.1060510 -0.0073623 0.1025770 0.0191340 0.1026720 -0.0275744
RIEL<T-Y> 0.0818656 -0.0156037 0.0982877 -0.0163106 0.0774067 -0.0105923 0.0741603 -0.0482881
RIEL<T-Z> 0.0315028 0.1333570 0.0089973 0.1395730 -0.0226562 0.1509490 0.0350196 0.1454890
Antebrazo
- mano der
ROWR<T-X> 0.1070880 -0.0227186 0.1060800 -0.0018525 0.1011890 0.0270309 0.1031370 -0.0226755
ROWR<T-Y> 0.0717337 -0.0054489 0.0919760 -0.0147781 0.0596093 0.0090764 0.0735808 -0.0395623
ROWR<T-Z> 0.0248408 0.1349910 0.0043090 0.1389850 -0.0247808 0.1493340 0.0280438 0.1487020
RIWR<T-X> 0.1074160 -0.0209361 0.1061390 0.0014081 0.1009080 0.0303699 0.1037930 -0.0155920
RIWR<T-Y> 0.0789132 -0.0045402 0.0894758 -0.0121672 0.0453757 0.0104858 0.0718317 -0.0378703
RIWR<T-Z> 0.0241109 0.1355330 0.0022609 0.1388810 -0.0275420 0.1482520 0.0255467 0.1498270

RWRE<T-X> 0.1065490 -0.0268106 0.1060810 -0.0045232 0.1020400 0.0219410 0.1028550 -0.0255800
RWRE<T-Y> 0.0708092 -0.0103890 0.0949368 -0.0168319 0.0759406 -0.0024237 0.0757227 -0.0411916
RWRE<T-Z> 0.0277516 0.1342790 0.0064312 0.1393050 -0.0231957 0.1504400 0.0299181 0.1479240
RIHAND<T-X> 0.1073890 -0.0202455 0.1060920 0.0009623 0.1006500 0.0303142 0.1036330 -0.0169534
RIHAND<T-Y> 0.0738980 -0.0023884 0.0887001 -0.0132705 0.0439533 0.0119579 0.0695702 -0.0384765
RIHAND<T-Z> 0.0231811 0.1354100 0.0025108 0.1387570 -0.0263577 0.1483360 0.0251973 0.1497280
ROHAND<T-X> 0.1070400 -0.0228484 0.1060500 -0.0018369 0.1009830 0.0272026 0.1032870 -0.0209179
ROHAND<T-Y> 0.0720634 -0.0036420 0.0882034 -0.0122656 0.0551668 0.0117064 0.0703780 -0.0396628
ROHAND<T-Z> 0.0247430 0.1349910 0.0042140 0.1388840 -0.0244948 0.1491840 0.0269306 0.1490710
Cintura
LFWT<T-X> 0.1081450 -0.0170491 0.1063440 0.0030885 0.1014960 0.0314212 0.1040020 -0.0130630
LFWT<T-Y> 0.0906344 -0.0198065 0.0973588 -0.0059818 0.0934887 0.0242579 0.0913509 -0.0303291
LFWT<T-Z> 0.0240644 0.1365060 0.0011998 0.1407490 -0.0599198 0.1233880 0.0420994 0.1396040
LMWT<T-X> 0.1083650 -0.0141302 0.1062100 0.0076345 0.1007680 0.0361681 0.1042700 -0.0079548
LMWT<T-Y> 0.0868127 -0.0084364 0.0864896 -0.0040059 0.0890763 0.0250397 0.0910364 -0.0317758
LMWT<T-Z> 0.0207309 0.1372550 -0.0034974 0.1396580 -0.0471472 0.1380630 0.0269884 0.1495260
LBWT<T-X> 0.1061790 -0.0314001 0.1060480 -0.0115355 0.1033160 0.0121017 0.1019670 -0.0329323
LBWT<T-Y> 0.0957887 -0.0381156 0.0892306 -0.0162479 0.0986889 0.0163793 0.0897997 -0.0397495
LBWT<T-Z> 0.0389967 0.1300810 0.0200529 0.1369190 -0.0306097 0.1407490 0.0603579 0.1234610
RFWT<T-X> 0.1079920 -0.0176036 0.1063260 0.0035107 0.1016660 0.0297412 0.1039390 -0.0145425
RFWT<T-Y> 0.0887147 -0.0102112 0.0880757 -0.0110479 0.0881219 0.0147793 0.0904690 -0.0363439
RFWT<T-Z> 0.0230926 0.1363710 0.0010395 0.1397640 -0.0337647 0.1468960 0.0287310 0.1490790
RMWT<T-X> 0.1058340 -0.0329426 0.1059640 -0.0123650 0.1033370 0.0114607 0.1017890 -0.0342178
RMWT<T-Y> 0.0928560 -0.0341321 0.0900334 -0.0161841 0.0966164 0.0088510 0.0884740 -0.0426611
RMWT<T-Z> 0.0375179 0.1313770 0.0176601 0.1386950 -0.0240699 0.1490110 0.0510117 0.1343330
RBWT<T-X> 0.1058460 -0.0324267 0.1059860 -0.0112994 0.1033030 0.0115551 0.1019230 -0.0332902
RBWT<T-Y> 0.0926646 -0.0270358 0.0906928 -0.0178620 0.0915241 0.0055783 0.0872760 -0.0431370
RBWT<T-Z> 0.0350944 0.1324710 0.0142529 0.1395870 -0.0212408 0.1510500 0.0434842 0.1405070
Pierna izq
LHIP<T-X> 0.1079740 -0.0187370 0.1063570 -0.0026581 0.1021070 0.0262483 0.1039030 -0.0145591
LHIP<T-Y> 0.0846397 -0.0178368 0.0904921 -0.0102672 0.0837328 0.0266011 0.0822475 -0.0213120
LHIP<T-Z> 0.0261817 0.1353360 0.0107251 0.1380250 -0.0692497 0.1022270 0.0507052 0.1290030
LKNE<T-X> 0.1079330 -0.0186008 0.1062980 -0.0014396 0.1018000 0.0281368 0.1040410 -0.0120415
LKNE<T-Y> 0.0795538 -0.0188532 0.0901876 -0.0047970 0.0802537 0.0248175 0.0772629 -0.0175097
LKNE<T-Z> 0.0251732 0.1357440 0.0078390 0.1399230 -0.0676367 0.1105580 0.0397377 0.1403750
LKNI<T-X> 0.1079250 -0.0186598 0.1062910 0.0004666 0.1016100 0.0297047 0.1039770 -0.0134716
LKNI<T-Y> 0.0813287 -0.0207081 0.0869108 -0.0007029 0.0856213 0.0211872 0.0831039 -0.0176621
LKNI<T-Z> 0.0245353 0.1362760 0.0042701 0.1401890 -0.0474455 0.1376820 0.0337014 0.1462900
Pantorrilla
izq
LSHN<T-X> 0.1076870 -0.0205725 0.1060690 -0.0079641 0.1021070 0.0253435 0.1036230 -0.0174152
LSHN<T-Y> 0.0865099 -0.0233619 0.0669469 -0.0069552 0.0809921 0.0243890 0.0817469 -0.0203764
LSHN<T-Z> 0.0266477 0.1352530 0.0164200 0.1379490 -0.0611465 0.1208640 0.0482412 0.1348010
LANK<T-X> 0.1068140 -0.0259091 0.1057390 -0.0107765 0.1026700 0.0171222 0.1025120 -0.0258501
LANK<T-Y> 0.0719637 -0.0150208 0.0439568 -0.0049021 0.0528979 0.0152579 0.0427848 -0.0127981

LANK<T-Z> 0.0307657 0.1329900 0.0182897 0.1367390 -0.0459998 0.1341270 0.0603586 0.1197330
Pie izq
LHEL<T-X> 0.1061200 -0.0302028 0.1055980 -0.0126783 0.1029610 0.0117551 0.1016580 -0.0321503
LHEL<T-Y> 0.0625911 -0.0093477 0.0371438 -0.0024297 0.0403125 0.0108660 0.0295696 -0.0095569
LHEL<T-Z> 0.0339567 0.1318170 0.0183257 0.1370770 -0.0294560 0.1459110 0.0596943 0.1211180
LMT5<T-X> 0.1077430 -0.0177699 0.1059560 -0.0041934 0.1018410 0.0260560 0.1033580 -0.0166647
LMT5<T-Y> 0.0773685 -0.0200641 0.0768725 -0.0076445 0.0818923 0.0235334 0.0804614 -0.0166015
LMT5<T-Z> 0.0221014 0.1357700 0.0104248 0.1385540 -0.0588130 0.1236590 0.0452368 0.1344290
LMT1<T-X> 0.1078420 -0.0167735 0.1059790 -0.0024509 0.1017310 0.0270889 0.1033770 -0.0164408
LMT1<T-Y> 0.0751986 -0.0151708 0.0860899 0.0038800 0.0797222 0.0227740 0.0766159 -0.0095212
LMT1<T-Z> 0.0208855 0.1363610 0.0071139 0.1389010 -0.0472843 0.1363040 0.0379902 0.1412110
LTOE<T-X> 0.1080240 -0.0142543 0.1059760 -0.0005580 0.1009110 0.0332164 0.1037800 -0.0087277
LTOE<T-Y> 0.0567845 -0.0161470 0.0848657 -0.0001829 0.0679422 0.0239267 0.0701821 -0.0057112
LTOE<T-Z> 0.0182522 0.1367650 0.0053918 0.1389960 -0.0626811 0.1181170 0.0305529 0.1411590
Pierna der
RHIP<T-X> 0.1072100 -0.0237477 0.1063080 -0.0001893 0.1022130 0.0244628 0.1036210 -0.0176512
RHIP<T-Y> 0.0938817 -0.0188307 0.0906341 -0.0140999 0.0892828 0.0104825 0.0863412 -0.0317338
RHIP<T-Z> 0.0276522 0.1350480 0.0037137 0.1398500 -0.0273242 0.1493080 0.0292751 0.1482740
RKNE<T-X> 0.1070280 -0.0249082 0.1062500 0.0003338 0.1022190 0.0241442 0.1036380 -0.0167644
RKNE<T-Y> 0.0961557 -0.0213309 0.0893530 -0.0124734 0.0908124 0.0120034 0.0846282 -0.0295541
RKNE<T-Z> 0.0287837 0.1347270 0.0029894 0.1399360 -0.0273004 0.1491530 0.0288718 0.1482150
RKNI<T-X> 0.1071970 -0.0244091 0.1062910 0.0001907 0.1021440 0.0253928 0.1036680 -0.0168749
RKNI<T-Y> 0.0983116 -0.0246563 0.0960519 -0.0076796 0.0932728 0.0124904 0.0922201 -0.0302446
RKNI<T-Z> 0.0293428 0.1348940 0.0032224 0.1404180 -0.0316110 0.1476310 0.0323975 0.1470820
Pantorrilla
der
RSHN<T-X> 0.1061720 -0.0295650 0.1061650 -0.0008521 0.1024800 0.0203938 0.1034650 -0.0171237
RSHN<T-Y> 0.0913104 -0.0258648 0.0908098 -0.0116057 0.0901436 0.0103263 0.0830377 -0.0298529
RSHN<T-Z> 0.0322975 0.1332430 0.0037545 0.1398030 -0.0237937 0.1499380 0.0287317 0.1477140
RANK<T-X> 0.1058200 -0.0309518 0.1060230 -0.0020438 0.1026630 0.0169517 0.1026700 -0.0239959
RANK<T-Y> 0.0865262 -0.0233227 0.0821631 -0.0026648 0.0859351 0.0056016 0.0860856 -0.0312218
RANK<T-Z> 0.0335048 0.1325860 0.0046148 0.1395230 -0.0211586 0.1502140 0.0329814 0.1452910
Pie
derecho
RHEL<T-X> 0.1053810 -0.0335464 0.1059620 -0.0061764 0.1029050 0.0143461 0.1021990 -0.0280818
RHEL<T-Y> 0.0808327 -0.0293979 0.0915806 -0.0086488 0.0856050 0.0049426 0.0845860 -0.0325842
RHEL<T-Z> 0.0364067 0.1315380 0.0084221 0.1395590 -0.0207015 0.1501690 0.0372309 0.1430910
RMT5<T-X> 0.1070630 -0.0233561 0.1059630 0.0039106 0.1018780 0.0249300 0.1034160 -0.0148148
RMT5<T-Y> 0.0931291 0.0003440 0.0775297 -0.0104036 0.0882556 0.0067814 0.0768319 -0.0230284
RMT5<T-Z> 0.0265843 0.1348020 -0.0000621 0.1388350 -0.0258686 0.1487850 0.0267204 0.1476950
RMT1<T-X> 0.1071690 -0.0228830 0.1059880 0.0047025 0.1016710 0.0272591 0.1035900 -0.0124261
RMT1<T-Y> 0.0941922 -0.0149793 0.0781953 -0.0033657 0.0875798 0.0108102 0.0737960 -0.0147449
RMT1<T-Z> 0.0273837 0.1349920 -0.0009584 0.1389520 -0.0293968 0.1474860 0.0262039 0.1478410
RTOE<T-X> 0.1075640 -0.0194306 0.1058410 0.0079856 0.1010950 0.0311643 0.1037840 -0.0067790
RTOE<T-Y> 0.0875055 -0.0050379 0.0675377 -0.0057168 0.0780943 0.0051632 0.0584756 -0.0101668
RTOE<T-Z> 0.0243218 0.135602 -0.00364926 0.138188 -0.0300763 0.146905 0.0213863 0.148958
Tabla 28. Comparacin pesos componentes caminar con discapacidad para las 4 personas

7. Identificar las variables originales de mayor peso en el vector de cada componente
retenido y colocarle un nombre a cada componente principal

Con base en la tabla 27 y 28 de peso de los componentes 1 y 2 retenidos, se identificaron
las variables originales de mayor peso en el vector de cada componente retenido y se
asignaron los siguientes nombres (tabla 29) a cada componente retenido a partir de los
pesos positivos ms grandes y los pesos negativos ms pequeos de las variables originales.

Persona
Daniela
Movimiento de cintura,
pecho y cabeza (eje X)
pecho y pierna derecha
(eje Z)
Movimiento de cabeza
y cintura (eje X)
Movimiento de cintura
y cabeza (eje Z)
Carmen
y pecho (eje X)
y cintura (eje Z)
Movimiento de cabeza,
pierna izquierda y
cintura (eje X)
Movimiento de
hombro izquierdo,
cintura y cabeza (eje Z)
Albeiro
pecho y cabeza (eje X)
Movimiento de
antebrazo-mano
derecha, cintura y
hombro derecho (eje
Z)
Movimiento de espalda
y cintura (eje X)
y brazo derecho (eje Z)
Carlos
cintura y pecho (eje X)
hombro derecho y
cintura (eje Z)
y cintura (eje X)
hombro derecho y
cintura (eje Z)
Tabla 29. Nombres de los componentes por persona

En la tabla 29, se pueden observar algunas similitudes y diferencias en el nombre de los
componentes, lo cual se debe al peso de las variables ms relevantes en el vector de cada
componente retenido. Por ejemplo, en el movimiento de caminar sin discapacidad, se
presenta como factor comn en el componente 1 las variables de cintura, pecho y cabeza en
el eje X para las 4 personas. As mismo, en los componentes 1 y 2 de los dos movimientos
coincide el eje en el que se encuentran las variables de mayor influencia, para las cuatro
personas. Tambin, en el componente 1 de los dos movimientos prevalece el eje X y en el
componente 2 de los dos movimientos prevalece el eje Z.

8. Calcular los scores de cada componente principal retenido

Con el apoyo del software estadstico (en este trabajo se utiliz Minitab), se obtienen los
scores o puntuaciones de sustituir en la ecuacin lineal de cada componente principal los
valores obtenidos en cada una de las 159 variables en cada uno de los frames. Esto se hace
para cada uno de los componentes retenidos.

Los scores de los dos componentes retenidos para las cuatro personas se utilizan para
construir los grficos de dispersin de las nuevas variables (proyeccin).

9. Construir grficos de dispersin de nuevas variables (proyeccin)

Para entender el movimiento de la marcha a partir de las variables de mayor influencia en
cada componente, se construyen los grficos de dispersin son los scores de los
componentes 1 y componentes 2 de cada movimiento (caminar sin discapacidad y caminar
con discapacidad) obtenidos en el paso 8. Por ejemplo, componente 1 vs componente 2,
componente 1 vs componente 3, etc.

Las figuras 46-A y 46- B presentan las grficas de dispersin de los componentes 1 y 2 de
los dos movimientos para las cuatro personas, en las que se encuentran graficadas la
totalidad de frames de cada movimiento.


Persona CAMINAR SIN DISCAPACIDAD CAMINAR CON DISCAPACIDAD
Daniela

Carmen

Figura 46-A. Grficas de dispersin de componentes 1 y 2 de los dos movimientos para las 4 personas

Albeiro

Carlos

Figura 46-B. Grficas de dispersin de componentes 1 y 2 de los dos movimientos para las 4 personas


10. Analizar las grficas y concluir

Para analizar la grficas de los dos movimientos, caminar sin discapacidad y caminar con
discapacidad, cada uno de los movimiento se dividi en 5 etapas las cuales se analizan en forma
detallada a continuacin.


Se observa que en el movimiento de caminar sin discapacidad para las cuatro personas, el
componente 1 representa el movimiento de la cabeza, cintura y pecho en el eje X, mientras que
en el componente 2 las variables, aunque diferentes en algunos casos, reflejan el movimiento en
el eje Z. El anlisis puntual de cada grfica se realiza de acuerdo a las 5 etapas que se presentaron
en el captulo 3 paso 10 para el caso de 'Carmen'.


Se observa que en el movimiento de caminar con discapacidad para las cuatro personas, el
componente 1 representa el movimiento de la cintura en el eje X entre otras variables particulares
para cada persona; as mismo, en el componente 2 para las cuatro personas coincide la cintura en
el eje Z entre otras variables propias para cada persona . El anlisis puntual de cada grfica se
realiza de acuerdo a las 5 etapas que se presentaron en el captulo 3 paso 10 para el caso de
'Carmen'.

Como se mostr en las figuras 46-A y 46-B, ambos movimientos (caminar sin discapacidad y
caminar con discapacidad) tienen componentes diferentes y en cada componente aparecen
distintas variables; por lo tanto, los componentes no son comparables y esto hace que se definan
los pasos descritos en la etapa 3 de la metodologa propuesta, con el fin de evaluar la evolucin

de los pacientes en rehabilitacin locomotora bajo un criterio objetivo de comparacin en los dos
momentos en los que (en este trabajo) se evala dicha evolucin.

ETAPA 3. Comparacin de los movimientos de caminar con discapacidad y caminar sin
discapacidad

Teniendo en cuenta que los dos movimientos analizados para cada las cuatro personas, caminar
sin discapacidad y caminar con discapacidad, tienen componentes diferentes y cada uno de ellos,
a su vez, variables de mayor peso diferentes no es posible realizar una comparacin directa entre
los dos movimientos para conocer la evolucin de la terapia de rehabilitacin. Por lo tanto, se
hace necesario definir un criterio base para evaluar la evolucin del paciente.

Para esto, en esta etapa 3 se proponen los pasos necesarios para comparar los dos movimientos
con base en los componentes retenidos del movimiento de caminar con discapacidad. Se definen
como base los componentes de dicho movimiento, debido a que esta es la condicin inicial del
paciente en proceso de rehabilitacin de su aparato locomotor. A continuacin se comparan los
resultados de los pasos propuestos para los datos de las cuatro personas con los cuales se aplic
de la metodologa propuesta.


Para estandarizar los datos, se toma la matriz de datos en Excel de caminar sin discapacidad

ij j
j
x


Donde:
ij
j
j
x

La matriz de datos estandarizados tendr el mismo tamao que la matriz de datos original para
los dos movimientos de cada una de las cuatro personas. Es decir, las matrices de datos de
caminar sin discapacidad (para las cuatro personas) tendr el tamao que se muestra en la tabla
30. Estas matrices se pueden revisar en el Apndice C en electrnico.
Persona
Caminar sin
discapacidad
Frames Variables
Daniela 1,168 159
Carmen 1,650 159
Albeiro 1,339 159
Carlos 1,229 159
Tabla 30. Tamao de las matrices de datos estandarizados de caminar sin discapacidad para
las 4 personas

retenidos de caminar con discapacidad

En la matriz de datos estandarizados de caminar sin discapacidad se seleccionan las variables
originales que pertenecen a las ecuaciones lineales ajustadas de los componentes 1 y 2 retenidos
de caminar con discapacidad (identificadas en el paso 7 de la etapa 2) las cuales se presentan en
las tablas 31 y 32. Dichas variables son diferentes para cada una de las 4 personas, o en otras
palabras, para cada persona las variables ms relevantes de sus dos movimientos son diferentes a
las de las dems personas. La seleccin de estas variables en las matrices de datos estandarizados
del movimiento de caminar sin discapacidad se encuentra en el Apndice C en electrnico.


Carmen Daniela Albeiro Carlos
ARIEL<T-X> 0.1063590 ARIEL<T-X> 0.1081610 C7<T-X> 0.1031430 ARIEL<T-X> 0.1043020
LFHD<T-X> 0.1063370 LFHD<T-X> 0.1083770 T10<T-X> 0.1033460 LFHD<T-X> 0.1043000
RFHD<T-X> 0.1063190 RFHD<T-X> 0.1084640 LBSH<T-X> 0.1030120 LBHD<T-X> 0.1041310
RBHD<T-X> 0.1063350
CLAV<T-X>
0.1081320 RBSH<T-X> 0.1030130 RFHD<T-X> 0.1043770
CLAV<T-X>
0.1063110
STRN<T-X>
0.1082640 RIEL<T-X> 0.1025770 RBHD<T-X> 0.1041860
LFSH<T-X> 0.1063360 LFWT<T-X> 0.1081450 LBWT<T-X> 0.1033160
CLAV<T-X>
0.1042240
RFSH<T-X> 0.1063190 LMWT<T-X> 0.1083650 RMWT<T-X> 0.1033370
STRN<T-X>
0.1042470
LFWT<T-X> 0.1063440 LTOE<T-X> 0.1080240 RBWT<T-X> 0.1033030 LFSH<T-X> 0.1041120
RFWT<T-X> 0.1063260 LHEL<T-X> 0.1029610 RFSH<T-X> 0.1041000
LHIP<T-X> 0.1063570 LFWT<T-X> 0.1040020
RHIP<T-X> 0.1063080 LMWT<T-X> 0.1042700
LKNE<T-X> 0.1040410
Tabla 31. Variables originales que pertenecen a las ecuaciones lineales ajustadas del
componente 1 retenido de caminar con discapacidad para las 4 personas

Carmen Daniela Albeiro Carlos
ARIEL<T-Z> 0.1405960 ARIEL<T-Z> 0.1360970 RBSH<T-Z> 0.1502420 ARIEL<T-Z> 0.1493020
LFHD<T-Z> 0.1405180 LFHD<T-Z> 0.1363060 RUPA<T-Z> 0.1502400 RFHD<T-Z> 0.1509960
RBHD<T-Z> 0.1402410 RFHD<T-Z> 0.1371020 RELB<T-Z> 0.1504680 RBHD<T-Z> 0.1501570
CLAV<T-Z>
0.1404860 RBHD<T-Z> 0.1361840 RIEL<T-Z> 0.1509490
CLAV<T-Z>
0.1492710
STRN<T-Z> 0.1398830
CLAV<T-Z>
0.1366960 RWRE<T-Z> 0.1504400 STRN<T-Z> 0.1492980
LFSH<T-Z> 0.1407600 STRN<T-Z> 0.1370980 RBWT<T-Z> 0.1510500 RFSH<T-Z> 0.1498830
RFSH<T-Z> 0.1399010 RFSH<T-Z> 0.1363260 RSHN<T-Z> 0.1499380 RIWR<T-Z> 0.1498270
LFWT<T-Z> 0.1407490 LFWT<T-Z> 0.1365060 RANK<T-Z> 0.1502140 RIHAND<T-Z> 0.1497280
LKNE<T-Z> 0.1399230 LMWT<T-Z> 0.1372550 RHEL<T-Z> 0.1501690 ROHAND<T-Z> 0.1490710
LKNI<T-Z> 0.1401890 RFWT<T-Z> 0.1363710 LMWT<T-Z> 0.1495260
RHIP<T-Z> 0.1398500 LKNI<T-Z> 0.1362760 RFWT<T-Z> 0.1490790
RKNE<T-Z> 0.1399360 LMT1<T-Z> 0.1363610
RKNI<T-Z> 0.1404180 LTOE<T-Z> 0.1367650
RSHN<T-Z> 0.1398030
Tabla 32. Variables originales que pertenecen a las ecuaciones lineales ajustadas del
componente 2 retenido de caminar con discapacidad para las 4 personas


3. Calcular el scorepara caminar sin discapacidad de acuerdo a las variables relevantes en
los componentes retenidos de caminar con discapacidad

Se calculan los scores, sustituyendo en las ecuaciones lineales ajustadas de cada componente
retenido de caminar con discapacidad (etapa 2 paso 7) los valores estandarizados del movimiento
de caminar sin discapacidad.

Componente 1

Las variables relevantes en el componente 1 retenido para caminar con discapacidad, en las 4
personas, se presentaron en las tabla 31. Para calcular los scores, se realiza una multiplicacin de
las matrices A y B, tal como se explic en la etapa 2 paso 3. La nica diferencia, es que el
nmero de variables n relevantes que forman parte de las ecuaciones lineales ajustadas del
componente 1 retenido de caminar con discapacidad, son las presentadas en la tablas 31 para cada
una de las 4 personas.

( )
ij mxn
A a y ( )
ij nxp
B b

De esta forma, para cada componente de caminar con discapacidad, en las 4 personas, se obtiene
el siguiente vector:

( )
ij mxp
C AB c

Componente 2

Las variables relevantes en el componente 2 retenido para caminar con discapacidad, en las 4
personas, se presentaron en las tabla 32. Para calcular los scores, se realiza una multiplicacin de
las matrices A y B, tal como se explic en la etapa 2 paso 3. La nica diferencia, es que el
nmero de variables n relevantes que forman parte de las ecuaciones lineales ajustadas del

componente 2 retenido de caminar con discapacidad, son las presentadas en la tablas 32 para cada
una de las 4 personas.

( )
ij mxn
A a y ( )
ij nxp
B b

De esta forma, para cada componente de caminar con discapacidad, en las 4 personas, se obtiene
el siguiente vector:

( )
ij mxp
C AB c

Para las 4 personas que realizaron la prueba, se calcularon 2 vectores C, uno para el componente
1 y otro para el componente 2, pues se retuvieron slo 2 componentes en cada movimiento para
las 4 personas. Estas matrices se pueden revisar en el Apndice C en electrnico.

4. Estandarizar los datos de la matriz del movimiento de caminar con discapacidad.

Para estandarizar los datos, se toma la matriz de datos en Excel de caminar con discapacidad

ij j
j
x

Donde:
ij
j
j
x


La matriz de datos estandarizados tendr el mismo tamao que la matriz de datos original para
los dos movimientos de cada una de las cuatro personas. Es decir, las matrices de datos de
caminar con discapacidad (para las cuatro personas) tendr el tamao que se muestra en la tabla
33. Estas matrices se pueden revisar en el Apndice C en electrnico.

Persona
Caminar con
discapacidad
Frames Variables
Daniela 2,362 159
Carmen 2,184 159
Albeiro 2,089 159
Carlos 1,989 159
Tabla 33. Tamao de las matrices de datos estandarizados de caminar con discapacidad
para las 4 personas

La matriz de datos estandarizados tendr el mismo tamao que la matriz de datos original
(Apndice C en electrnico).

5. Seleccionar de la matriz de datos estandarizados de caminar con discapacidad aquellas
de caminar con discapacidad

En la matriz de datos estandarizados de caminar con discapacidad se seleccionan las variables
originales que pertenecen a las ecuaciones lineales ajustadas de los componentes 1 y 2 retenidos
de caminar con discapacidad (identificadas en el paso 7 de la etapa 2) las cuales se presentaron en
las tablas 31 y 32. La seleccin de estas variables en las matrices de datos estandarizados del
movimiento de caminar con discapacidad se encuentra en el Apndice C en electrnico.


6. Calcular los scores para caminar con discapacidad de acuerdo a las variables relevantes
en los componentes retenidos de caminar con discapacidad

Este paso es similar al paso 3 de esta etapa, slo que en el movimiento de caminar con discapacidad
para las 4 personas, la totalidad de frames (m) es diferente. Se calculan los scores, sustituyendo en
las ecuaciones lineales ajustadas de cada componente retenido de caminar con discapacidad
(etapa 2 paso 7) los valores estandarizados del movimiento de caminar con discapacidad.

Componente 1

Las n variables relevantes en el componente 1 retenido para caminar con discapacidad, son las
presentadas en la tabla 31. Para calcular los scores, se realiza una multiplicacin de las matrices
D y E:

( )
ij mxn
D d y ( )
ij nxp
E e


( )
ij mxp
F DE f

Componente 2

Las variables relevantes en el componente 2 retenido para caminar con discapacidad, son las
presentadas en la tabla 32. Para calcular los scores, se realiza una multiplicacin de las matrices
D y E:

( )
ij mxn
D d y ( )
ij nxp
E e



( )
ij mxp
F DE f

Estas matrices se pueden encontrar en Apndice C en electrnico.

pasos 3 y 6 de esta etapa

Se construye un grfico de dispersin de los nuevos scores (vector C y vector F) obtenidos en los
pasos 3 y 6, tanto para el movimiento de caminar sin discapacidad como de caminar con
discapacidad de acuerdo a las variables relevantes en los componentes retenidos de caminar con
discapacidad. Para esto, se elabora un grfico de dispersin en parejas de componentes
sobreponiendo en la misma grfica los vectores C y F. Es decir, se sobreponen en la misma
grfica de dispersin el 'Componente 1' vs 'Componente 2', y el 'Comp 1' vs el 'Comp 2', estos
nombres se explican en el numeral 3.1.3 Etapa 3, pasos 3 y 6.

Persona COMPARACIN
Daniela

Figura 47- A. Grficos de dispersin comparacin movimientos para las 4 personas


Carmen

Albeiro

Carlos

Figura 47- B. Grficos de dispersin comparacin movimientos para las 4 personas

En rojo: Movimiento con datos de caminar con discapacidad.
En negro: Movimiento con datos de caminar sin discapacidad.

En la figura 47-A y 47-B, se grafican los nuevos scores o vector C (para el movimiento con datos
de caminar sin discapacidad) y vector F (para el movimiento con datos de caminar con
discapacidad), de acuerdo a las variables relevantes en los componentes retenidos de caminar con
discapacidad. Es decir, en el componente 1 en los cuatro casos las variables relevantes fueron la
cabeza y cintura en el eje X y en el componente 2 las variables relevantes en comn fue la cintura
en el eje Z. Es importante resaltar que el nmero de frames del vector C es diferente al del vector
F, esto debido a que la cantidad de frames de los datos originales para los dos movimientos
(caminar sin discapacidad y caminar con discapacidad) es diferente.

Al analizar los dos movimientos presentados en la figura 47-A y 47-B, se encuentra que en los
cuatro casos el movimiento con datos de caminar sin discapacidad presenta menor variacin en
su trayectoria, mientras que el movimiento con datos de caminar con discapacidad muestra mayor
alteracin (curvas con altibajos) en la trayectoria del movimiento.

componentes 1 y 2 para los frames de los dos movimientos.

En los vectores C y F calculados en los pasos 3 y 6, respectivamente, se identifica el cuadrante
del plano cartesiano al que pertenece cada score. Es decir, en la matriz de datos de componentes
de caminar con discapacidad con datos de caminar sin discapacidad (movimiento en negro), el
componente 1 corresponde al valor del eje X y el componente 2 corresponde al valor del eje Y,
entonces para cada pareja (X, Y) a travs de todos los frames se identifica en qu cuadrante se
encuentra (1, 2, 3 4). As mismo, en la matriz de datos de componentes de caminar con
discapacidad con datos de caminar con discapacidad (movimiento en rojo), el 'comp 1'
corresponde al valor del eje X y el 'comp 2' corresponde al valor del eje Y, entonces para cada
pareja (X, Y) a travs de todos los frames se identifica en qu cuadrante se encuentra.

9. Calcular el rea en cada cuadrante de los componentes 1 y 2, para los dos movimientos, y
restarlas

Con el propsito de facilitar la interpretacin de las brechas existentes entre los dos movimientos
y as conocer la evolucin del paciente en proceso de rehabilitacin, se calcula el rea en cada
cuadrante para los componentes 1 y 2 de los dos movimientos. As mismo, las reas se calculan
por cuadrante debido a que los dos movimientos no tienen la misma cantidad de frames, por lo
que al momento de calcular las brechas es ms preciso hacerlo de acuerdo al rea de los frames
que se encuentran en cada cuadrante para los dos movimientos. Posteriormente, estas reas se
restan y se cuantifica la brecha existente entre el movimiento de caminar sin discapacidad y el
movimiento de caminar con discapacidad.

Como se present en el paso 9 de la etapa 3, en el captulo 3, se calculan las reas en cada uno de
los cuadrantes considerando un X entre cada 10 frames, para las cuatro personas.

El resumen de las reas por cuadrante para las 4 personas, para los dos movimientos y la brecha
existente entre ambos movimientos, se presenta en la tabla 34. En la tabla 34, tambin se resaltan
las reas de los cuadrantes en los que para cada persona, en uno de los dos movimientos, tuvo un
valor ms alto. Las unidades del rea calculada, son unidades de rea cuadrada.

Persona
Caminar sin discapacidad
Total
caminar sin
discapacidad
Total
caminar con
discapacidad
Total
diferencia
de las
reas
Cuadrante
3
Cuadrante
2
Cuadrante
1
Cuadrante
4
Cuadrante
3
Cuadrante
2
Cuadrante
1
Cuadrante
4
Daniela 1.7602 2.1197 2.6953 1.9401 8.5152 1.8927 1.9664 2.7715 2.0226 8.6532 0.1380
Carmen 2.6278 2.8738 4.2145 3.0975 12.8136 2.0757 3.1177 3.7916 3.6640 12.6489 -0.1647
Albeiro 1.7264 1.5414 2.1861 1.4108 6.8647 1.3192 1.9285 1.7636 1.8720 6.8833 0.0186
Carlos 2.5509 2.4730 3.6741 2.7028 11.4008 2.6211 2.1276 3.8495 2.6021 11.2003 -0.2004
Tabla 34. rea por cuadrante de los dos movimientos para las 4 personas


Los clculos de las reas por cuadrante, facilita la interpretacin de las brechas existentes entre
los dos movimientos, de tal forma que se puede determinar cules son las variables relevantes
que estn influyendo en el proceso de rehabilitacin.


Para concluir sobre la comparacin de los dos movimientos de caminar con discapacidad y
caminar sin discapacidad, estableciendo la evolucin de la persona en proceso de rehabilitacin
de su aparato locomotor y las variables que estn influyendo en dicho proceso, se analiza tanto la
figura 47-A y 47-B sobre grficos de dispersin para los dos movimientos en las dos primeras
componentes principales para las 4 personas, como la tabla 34 que muestra la brecha entre los dos
movimientos por cuadrante.

La figura 47-A y 47-B presentada en el paso 7, adems de mostrar que la trayectoria del
movimiento de caminar con discapacidad tiene una mayor variabilidad que la del movimiento de
caminar sin discapacidad, permite identificar la diferencia positiva o negativa entre los dos
movimientos de las variables de mayor relevancia que estn influyendo en la evolucin del
paciente en proceso de rehabilitacin. En las 4 personas, las variables comunes de mayor
influencia son la cabeza y la cintura en el eje X, as como la cintura en el eje Z.

La rehabilitacin del paciente mejorara cuando el movimiento de caminar con discapacidad
tenga menor variabilidad en su trayectoria y se aproxime a la trayectoria del movimiento de
caminar sin discapacidad. Esto, se lograra disminuyendo las brechas en los distintos cuadrantes
segn las variables de cada persona, como se explic en el paso 10 de la etapa 3 en el captulo 3.

Por otra parte, con los resultados observados en la tabla 34, se puede concluir que en el caso de
Daniela y Carlos, el rea en el cuadrante 2 es mayor para el movimiento de caminar sin
discapacidad que para el movimiento de caminar con discapacidad, lo que significa que la brecha
entre los dos movimientos es negativa (rea con discapacidad menos rea sin discapacidad); es

decir, las variables que hacen parte del movimiento de caminar con discapacidad deben ampliar
su movimiento para que se aproxime a la curva del movimiento de caminar sin discapacidad.

Si se analiza el rea en el cuadrante 1 para Daniela y Carlos, se encuentra que el rea es mayor
para el movimiento de caminar con discapacidad que para el movimiento de caminar sin
discapacidad en el mismo cuadrante 1, lo que significa que la brecha entre los dos es positiva
(rea con discapacidad menos rea sin discapacidad); es decir, las variables que hacen parte del
movimiento de caminar con discapacidad deben disminuir su movimiento para que se aproxime a
la curva del movimiento de caminar sin discapacidad.

Para el caso de Carmen y Albeiro, el rea en el cuadrante 3 es mayor para el movimiento de
caminar sin discapacidad que el rea en el mismo cuadrante para el movimiento de caminar con
discapacidad por lo tanto la brecha es negativa (rea con discapacidad menos rea sin
discapacidad); es decir, las variables que hacen parte del movimiento de caminar con
discapacidad debe ampliar su movimiento para que se aproxime a la curva del movimiento de

As mismo, en el cuadrante 2 para Carmen y Albeiro el rea es mayor para el movimiento de
caminar con discapacidad que para el movimiento de caminar sin discapacidad en el mismo
cuadrante 2, lo que significa que la brecha entre los dos es positiva (rea con discapacidad menos
rea sin discapacidad); es decir, las variables que hacen parte del movimiento de caminar con
discapacidad deben disminuir su movimiento para que se aproxime a la curva del movimiento de

En cuanto al cuadrante 4 para Daniela, Carmen y Albeiro el rea es mayor para el movimiento de
caminar con discapacidad que para el movimiento de caminar sin discapacidad en el mismo
cuadrante 4, lo que significa que la brecha entre los dos movimientos es positiva en los 3 casos
(rea con discapacidad menos rea sin discapacidad); es decir, las variables que hacen parte del
movimiento de caminar con discapacidad de Daniela, Carmen y Albeiro deben disminuir su
movimiento para que se aproxime a la curva del movimiento de caminar sin discapacidad. Y en el

caso contrario de Carlos, la brecha de los dos movimientos en este cuadrante es negativa, por lo
que las variables que hacen parte del movimiento de caminar con discapacidad de Carlos deben
aumentar su movimiento para que se aproxime a la curva del movimiento de caminar sin
discapacidad.

Por lo tanto, las variables de los componentes 1 y 2, en los ejes correspondientes para estos cuatro
casos, deberan ser consideradas en los procesos de rehabilitacin para disminuir la brecha
observada, y no slo evaluar cualitativamente la forma en que camina el paciente sin considerar
la relacin que existe entre el aparato locomotor y las dems partes del cuerpo.

Conclusiones 134

CONCLUSIONES

Se desarroll una metodologa para realizar el anlisis estadstico multivariante para evaluar la
evolucin y eficiencia de las terapias de rehabilitacin locomotora, cuantificando la brecha
existente entre un movimiento de caminar con discapacidad y uno de caminar sin discapacidad.

Se evalu la evolucin de las cuatro personas a partir de los dos movimientos, caminar con
discapacidad y caminar sin discapacidad, identificando las variables del cuerpo ms relevantes
que influyen en los dos movimientos de cada persona, encontrando similitudes y diferencias entre
los casos estudiados.

Con la tcnica estadstica multivariante aplicada, 'componentes principales', se logr disminuir la
dimensionalidad de los dos movimientos estudiados los cuales tienen originalmente 159 variables
correlacionadas para luego explicar el 80% de su variabilidad manteniendo slo 2 variables
independientes (las dos primeras componentes de cada movimiento).

Se realizaron las pruebas de captura de movimiento para el ciclo de la marcha de caminar sin
discapacidad y caminar con discapacidad, para cuatro personas siguiendo los protocolos
sugeridos por Vicon Blade para la captura de los datos en el laboratorio de marcha del ITESM.

Se exploraron diferentes tcnicas estadsticas multivariantes y se defini la aplicacin de la
tcnica de componentes principales, teniendo en cuenta que es una metodologa de
interdependencia que busca identificar la estructura entre una serie de variables definidas,
ofreciendo no slo simplicidad, sino tambin descripcin de las relaciones entre las mismas as
como el descubrimiento de nuevas relaciones. Lo anterior, mediante la representacin adecuada
Conclusiones 135

de la informacin con un nmero menor de variables independientes construidas como

Se estim la brecha existente entre los movimientos de caminar con discapacidad y el
movimiento de caminar sin discapacidad.

Se valid la aplicacin o reproducibilidad de la metodologa propuesta en cuatro casos diferentes
con la misma discapacidad locomotora.

La marcha humana no es uniforme y depende de muchos factores externos e internos, inclusive
del estado anmico del paciente, por lo cual es necesario hacer un gran esfuerzo con el paciente
para reentrenar el correcto patrn y focalizar la rehabilitacin del paciente.

El trabajo se present con mdicos ortopedistas del Hospital Terranova (en Guadalajara,
Mxico), encontrando que la discapacidad que se simul podra llegar a considerarse como una
lesin de rodilla y que las grficas de comparacin de los dos movimientos de caminar sin
discapacidad y caminar con discapacidad aportaran al mdico no slo una evidencia mdica
sobre la evolucin del paciente en el proceso de rehabilitacin sino que tambin podra ser una
herramienta para evaluar dicha evolucin de forma ms objetiva.

Trabajo Futuros 136

TRABAJOS FUTUROS

Realizar pruebas sobre la aplicacin de la metodologa propuesta con otro tipo de discapacidad
locomotora o no, y verificar la conveniencia de su aplicacin para analizar los resultados de las
terapias de rehabilitacin.

Explorar otras tcnicas estadsticas multivariantes como el anlisis envolvente de datos, las
ecuaciones estructurales, las redes neuronales o las cadenas de Markov para el anlisis del
movimiento de la marcha.

Bibliografa 137

BIBLIOGRAFA

Anny Sonja Wendt. (s. f.). Laboratorio de marcha y movimiento humano. Recuperado septiembre
30, 2012, a partir de http://www.rehabilitaciondelamarcha.com/lab_marcha_reha.pdf
Astephen J. L., & Deluzio K. J. (2004). A multivariate gait data analysis technique: application to
knee osteoarthritis. Proc. Instn Mech. Engrs, 218, 271279.
Baker R. (2006). Gait Analysis Methods in Rehabilitation. Journal of NeuroEngineering and
Rehabilitation, 3.
Benedetti, M. G., Catani, F., Leardini, A., Pignotti, E., & Giannini, S. (1998). Data management
in gait analysis for clinical applications. Clinical Biomechanics, 13, 204205.
Collado S. (2002). Anlisis de la marcha humana con plataformas dinamomtricas. Influencia en
el transporte de cargas. Tesis Doctoral. Universidad Complutense de Madrid.
Datta D., Heller B., & Howitt J. (2005). A comparative evaluation of oxygen consumption and
gait pattern in amputees using intelligent prostheses and conventionally damped knee
swing-phase control. Clinical Rehabilitation, 19, 398403.
DeLisa, J. A. (1998). Gait Analysis in the Science of Rehabilitation. USA: Published by
Department of Veterans Affairs Veterans Health Administration.
Daz, F. (s. f.). Rol del Bioingeniero en un Laboratorio de Anlisis Clnico de la Marcha.
Gras, P., Casillas, J., & Delieu, V. (1996). Anlisis del patrn de marcha fisiolgico y patolgico.
Enciclopedia Mdica Quirrgica. Recuperado a partir de
http://www.slideshare.net/ANALISIS/tema-9-analisis-del-patron-de-marcha
Bibliografa 138

Hair, J. F., Anderson, R. E., R.L.Tatham, & Black, W. C. (1999). Anlisis Multivariante
(Quinta.). Prentice Hall.
Igual C, Muoz E, & Aramburu C. (1996). Fisioterapia General. Sntesis.
INEGI. (2004). Las personas con discapacidad en Mxico ( No. ISBN 970-13-3590-2) (p. 222).
Mxico: Instituto Nacional de Estadstica, Geografa e Inofrmtica. Recuperado a partir
de
http://www.inegi.org.mx/prod_serv/contenidos/espanol/bvinegi/productos/censos/poblaci
on/2000/discapacidad/discapacidad2004.pdf
Jombart, T., Pontier, D., & Dufour, A.-B. (2009). Genetic Markers in the Playground of
Multivariate Analysis. Macmillan Publishers, 330341.
McGinley, J. L., Goldie, P. A., Greenwood, K. M., & Olney, S. J. (2003). Accuracy and
reliability of observational gait analysis data: Judments of push-off in gait after stroke.
Physical Therapy, 83(2).
Moreno, A. V., Gutirrez, E. G., & Moreno, J. C. P. (2008, junio). Consideraciones para el
anlisis de la marcha humana. Tcnicas de videogrametra, electromiografa y
dinamometra. Revista Ingeniera Biomdica, 2(3), 1626.
Odding, E., Valkenburg, H. A., Stam, H. J., & Hofman, A. (2001). Determinants of locomotor
disability in people aged 55 years and over: The Rotterdam study. European Journal of
Epidemiology, 17(11), 10331041.
OMS | Informe mundial sobre la discapacidad. (2012).WHO. Recuperado septiembre 23, 2012, a
partir de http://www.who.int/disabilities/world_report/2011/es/index.html
Pea, D. (2002). Anlisis de datos multivariantes. Espaa: Mc Graw Hill.
Bibliografa 139

Perry J. (1992). Gait Analysis: Normal and Pathological Function. SLACK incorporated, Seccin
2, 49167.
Prat, J. M., & Lacuesta, S. (2002). Biomecnica de la marcha humana normal y patolgica.
Instituto de Biomecnica de Valencia.
Rencher, A. C. (2002). Methods of multivariate analysis (2nd ed.). Wiley Series in Probability
and Statistics.
Tenore, N., Fortugno, F., Viola, F., Galli, M., & Giaquinto, S. (2006). Analysis as a Reliable
Tool for Rehabilitation of Chronic Hemiplegic Patients. Clinical and Exprimental
Hypertension, 28, 349355.
Watelain, E., Froger, J., Rousseaux, M., Lensel, G., Barbier, F., Lepoutre, F., & Thevenon, A.
(2005). Variability of video-based clinical gait analysis in hemiplegia as performed by
practitioners in diverse specialities. J Rehabil Med, 37, 317324.

140

APNDICE A

Comparacin de mtodos de anlisis
multivariante

En la siguiente tabla se presenta una breve descripcin de los mtodos estadsticos de anlisis
multivariante (Pea, 2002) (Hair et al., 1999) que se revisaron como parte de la exploracin
realizada sobre aplicaciones de distintas tcnicas multivariantes a anlisis de variables como las
que se encuentran en el anlisis del movimiento de la marcha.

Apndice A 141

TIPOS DE TCNICAS MULTIVARIANTES OBJETIVO
MTODOS DE
INTERDEPENDENCIA
El objetivo es identificar la
estructura entre una serie de
variables, observaciones u
objetos definidos. La
identificacin de la
estructura ofrece no
solamente simplicidad, sino
tambin una manera de
descripcin e incluso
descubrimiento de nuevas
relaciones.
Ninguna de las tcnicas de
interdependencia dar una
definicin de la estructura
para optimizar o maximizar
una relacin de dependencia.
COMPONENTES
PRINCIPALES
Dadas n observaciones de p variables, se analiza si es posible representar adecuadamente
esta informacin con un nmero menor de variables construidas como combinaciones
lineales de las originales.
ANLISIS DE
CORRESPONDENCIAS
Es una tcnica descriptiva de interdependencia para representar tablas de contingencia, es
decir, tablas donde recogemos las frecuencias de aparicin de dos o ms variables
cualitativas en un conjunto de elementos.
ESCALADO
MULTIDIMENSIONAL
Las tcnicas de escalado multidimensional son una generalizacin de la idea de
componentes principales cuando en lugar de disponer de una matriz de observaciones por
variables, como en componentes principales, se dispone de una matriz, D, cuadrada nxn
de distancia o disimilaridades entre los n elementos de un conjunto
ANLISIS DE
CONGLOMERADOS
(CLSTER)
Esta tcnica tiene por objeto agrupar elementos en grupos homogneos en funcin de
las similitudes o similaridades entre ellos. Normalmente, se agrupan las observaciones,
pero el anlisis de conglomerados puede tambin aplicarse para agrupar variables. Estos
mtodos se conocen tambin con el nombre de mtodos de clasificacin automtica o no
supervisada, y de reconocimiento de patrones sin supervisin. El anlisis de
conglomerados, estudia tres tipos de problemas:
1. Particin de los datos: Disponemos de datos que sospechamos son heterogneos y se
desea dividirlos en un nmero de grupos prefijado, de manera que: a) cada elemento
pertenezca a uno y slo uno de los grupos, b) todo elemento quede clasificado, c) cada
grupo sea internamente homogneo.
2. Construccin de jerarquas: Deseamos estructurar los elementos de un conjunto de
forma jerrquica por su similitud. Una clasificacin jerrquica implica que los datos se
ordenan en niveles, de manera que los niveles superiores contienen a los inferiores. Este
tipo de clasificacin es muy frecuente en Biologa, al clasificar animales, plantas, etc.
Estrictamente, estos mtodos no definen grupos, sino la estructura de asociacin en
cadena que pueda existir entre los elementos. Sin embargo, como veremos, la jerarqua
construida permite obtener tambin una particin de los datos en grupos.
3. Clasificacin de las variables: En problemas con muchas variables es interesante
hacer un estudio exploratorio inicial para dividir las variables en grupos. Este estudio
puede orientarnos para plantear los modelos formales para reducir la dimensin. Las
variables pueden clasificarse en grupos o estructurarse en una jerarqua.
Apndice A 142

MTODOS DE
DEPENDENCIA
Se basan en el uso de una
serie de variables
independientes para predecir
y explicar una o ms
variables dependientes. Estas
tcnicas permiten al
investigador valorar el grado
de relacin entre variables
dependientes e
independientes.
REGRESIN
MLTIPLE
Es una tcnica estadstica diseada para explorar todos los tipos de relaciones de
dependencia, es decir, se utiliza para analizar las relaciones entre una nica variable
criterio (criterio) y varias variables independientes (predictores).
El objetivo del anlisis de regresin mltiple es usar las variables independientes cuyos
valores son conocidos para predecir la nica variable criterio (mtrica) seleccionada por
el investigador.
Al utilizar esta tcnica deberamos ser capaces de dividir las variables entre
independientes y dependientes y debera utilizarse slo cuando tanto las variables
dependientes como las independientes son mtricas o aproximadamente transformadas.
Regresin simple: una variable independiente.
Regresin mltiple: varias variables independientes.
ANLISIS
DISCRIMINANTE
MLTIPLE
Es una tcnica estadstica apropiada cuando la variable dependiente es categrica
(nominal o no mtrica) y las variables independientes son mtricas. El anlisis
discriminante tiene la capacidad de tratar tanto dos grupos como grupos mltiples.
Esta es la tcnica estadstica apropiada para contrastar la hiptesis de que las medias de
los grupos de un conjunto de variables independientes para dos o ms grupos son iguales.
REGRESIN
LOGSTICA
Es una tcnica estadstica apropiada cuando la variable dependiente es categrica
(nominal o no mtrica) y las variables independientes son mtricas. La regresin
logstica, est restringida en su forma bsica a dos grupos, aunque en formulaciones
alternativas puede considerar ms de dos grupos.
La regresin logstica es un tipo especial de regresin que se utiliza para predecir y
explicar una variable categrica binaria (dos grupos) en lugar de una medida dependiente
mtrica.
La regresin logstica tiene la ventaja de verse menos afectada que el anlisis
discriminante cuando no se cumplen los supuestos bsicos.
ANLISIS
MULTIVARIANTE DE
LA VARIANZA
Es una extensin del anlisis de la varianza (ANOVA) en donde se tiene en cuenta ms de
una variable de criterio. Es una tcnica de dependencia que mide las diferencias de dos o
ms variables mtricas dependientes basadas en un conjunto de variables
categricas (no mtricas) que actan como predictores; y permite valorar las diferencias
entre las medias de los grupos.
Apndice A 143

ANLISIS CONJUNTO
Esta tcnica ha tenido una gran atencin como mtodo para representar las decisiones de
los consumidores de forma realista a travs de equilibrios entre productos o servicios con
muchos atributos.
Es una tcnica multivariante que se utiliza especficamente para entender cmo los
encuestados desarrollan preferencias acerca de productos o servicios. A la vez que
mantiene un alto grado de realismo, ofrece al investigador una visin de la composicin
de las preferencias del consumidor. La flexibilidad y la unicidad del anlisis conjunto
surgen principalmente de:
1. Su capacidad para utilizar tanto variables dependientes mtricas como no mtricas.
2. El uso de variables predictoras categricas.
3. Los supuestos bastantes generales acerca de las relaciones entre las variables
dependientes y las independientes.
El anlisis de conjunto es el nico entre los mtodos multivariante en el investigador
construye primero un conjunto real o hipottico de bienes y servicios combinando niveles
escogidos de cada atributo.
ANLISIS DE
CORRELACIN
CANNICA
Es un modelo estadstico multivariante que facilita el estudio de las interrelaciones
entre mltiples variables criterio (dependientes) y mltiples variables predictoras
(independientes); es decir, mientras que la regresin mltiple predice una nica variable
dependiente a partir de un conjunto de mltiples variables independientes, la correlacin
cannica predice simultneamente mltiples variables dependientes a partir de mltiples
variables independientes.
En situaciones con mltiples variables dependientes e independientes, la correlacin
cannica es la tcnica multivariante ms apropiada.
Permite la valoracin de la relacin entre variables predictoras mtricas y mltiples
medidas dependientes).

Objetivos:

Obtener indicadores

Clasificar y construir grupos

Relacionar variables

144

APNDICE B

Matrices en electrnico

Teniendo en cuenta que los clculos resultantes de aplicar la tcnica de Componentes Principales
de acuerdo con la metodologa propuesta, se realizan en matrices en Excel y que debido al
tamao de estas no es posible anexarlas en fsico, a continuacin se mencionan los archivos
electrnicos anexados a este trabajo:

1. Carmen.xls
2. Daniela.xls
3. Albeiro.xls
4. Carlos.xls
5. Multiplicacin matrices determinar componentes comparados normal-discapacidad
Carmen.xls
Daniela.xls
Albeiro.xls
Carlos.xls

145

APNDICE C

Grficos de codo de las 4 personas para los dos
movimientos

Grfico de codo para el nmero de componentes para el movimiento de caminar sin discapacidad
'Carmen'

'Daniela'
Apndice C 146

'Albeiro'

'Carlos'

Apndice C 147


Grfico de codo para el nmero de componentes para el movimiento de caminar con

discapacidad 'Daniela'

Apndice C 148

discapacidad 'Albeiro'

discapacidad 'Carlos'

17.1d Analisis Marcha PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

17.1d Analisis Marcha PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Instituto Tecnolgico y de Estudios

, donde i= 10, 20, 30,, n

, as que esto indicaba que la variabilidad

Anda mungkin juga menyukai