Acerca del proyecto

El diseño fue desarrollado a partir de una metodología integrada que incluyó: análisis antropométrico nacional, modelado paramétrico, simulaciones estructurales mediante el Método de Elementos Finitos (FEM), y un análisis estático y dinámico del sistema con dos grados de libertad. El dispositivo está compuesto por una estructura ligera de aluminio 6061-T6, optimizada para soportar cargas de hasta 120 kg, y cuenta con un sistema de sujeción modular en región lumbar, muslos y tobillos.

Procesamiento de datos en 3D Slicer®

Hígado de referencia contra hígado segmentado

Vista frontal del hígado generado por 3D Slicer®

Justificación

En México, las enfermedades laborales más comunes son musculoesqueléticas, principalmente dolor lumbar y cervical, ocasionadas por esfuerzos repetitivos y posturas prolongadas. Estas afectan la salud, el rendimiento y generan altos costos económicos, representando hasta el 12% del PIB en América Latina. Los exoesqueletos existentes son costosos y poco adaptables, por lo que este proyecto busca desarrollar un diseño ligero, ergonómico y ajustable a cualquier operario y estación de trabajo.

Objetivo

Optimizar el diseño de un sistema postural de estructura ligera para su aplicación en operaciones industriales capaz de soportar una carga de operador de hasta 120 kg, el cual dé soporte al operador y permita descansar sus extremidades inferiores en los tiempos de espera o incluso poder realizar su operación sentado si es que la tarea a realizar lo permite, haciendo su tarea más cómoda y reduciendo el impacto de los esfuerzos musculoesqueléticos.

Desarrollo de la Red Neuronal

El Modelo incorpora una arquitectura optimizada que sí incluye proceso de entrenamiento.

En primer lugar, se define un número de épocas para que el modelo entrene de forma iterativa sobre los datos. Se aplican transformaciones básicas, como la normalización y conversión de tensores, para que las imágenes puedan ser correctamente procesadas por la red.

Este modelo emplea Batch Normalization, lo que permite estabilizar la salida de cada capa y acelerar el aprendizaje. También se utiliza Dropout, una técnica que desconecta aleatoriamente algunas neuronas durante el entrenamiento, ayudando a evitar el sobreajuste.

La carga de los datos se realiza con un DataLoader personalizado, lo que permite dividir el conjunto de imágenes en lotes para reducir el uso de memoria y mejorar el procesamiento.

La red base utilizada es una ResNet18 preentrenada, en la que se congelaron las capas iniciales, permitiendo únicamente el ajuste fino de la capa final para esta tarea específica

Procesamiento y codificación del programa

M.C. Kenia Madeleyn Ortíz Morales

AUTORA

Dr. Juan Alfonso Beltrán Fernández

DIRECCIÓN

Ing. Ricardo González Romano

PROTOTIPAJE

Referencias

[1] Sayiner, M., Koenig, A., Henry, L., & Younossi, Z. M. (2016). Epidemiology of nonalcoholic fatty liver disease and nonalcoholic steatohepatitis in the United States and the rest of the world. Clinics in liver disease, 20(2), 205-214.

[2] Méndez Sánchez, N., Gutiérrez Grobe, Y., Chávez Tapia, C., Kobashi Margain, R. A., & Uribe, M. (2010). Hígado graso no alcohólico y esteatohepatitis no alcohólica: conceptos actuales. Rev Gastroenterol Méx, 75(2), 143-8.

[3] Revista Mexicana de Gastroenterología. (n.d.). Enfermedad por hígado graso no alcohólico (Ehgna). ABC Salud. Recuperado el 18 de julio de 2023, de https://www.abcsalud.mx/enfermedad-por-higado-graso-no-alcoholico-ehgna/