Logotipo del repositorio

Publicación:
Representación geométrica Riemanniana con mecanismos de atención para la clasificación de patrones oculomotores parkinsonianos

dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.authorCelis Mantilla, Luis Fernando
dc.contributor.evaluatorOtálora Montenegro, Juan Sebastián
dc.contributor.evaluatorMartínez Riaño, Darwin Eduardo
dc.date.accessioned2026-04-14T11:11:14Z
dc.date.available2026-04-14T11:11:14Z
dc.date.created2026-04-10
dc.date.issued2026-04-10
dc.description.abstractLa enfermedad de Parkinson (EP) es el segundo trastorno neurodegenerativo más prevalente a nivel mundial, caracterizado por la pérdida progresiva de neurotransmisores dopaminérgicos que provoca alteraciones motoras. La caracterización y el análisis de los trastornos del movimiento desempeñan un papel crucial en el diagnóstico clínico; sin embargo, la ausencia de un biomarcador definitivo plantea desafíos en la caracterización de la enfermedad. El análisis del movimiento ocular de persecución suave (SPEM) ha surgido como un posible biomarcador de la EP e incluso se ha evaluado para detectar anormalidades motoras en etapas tempranas. No obstante, las metodologías tradicionales de videos de SPEM suelen requerir procedimientos intrusivos y protocolos especializados, lo que limita la descripción dinámica a trayectorias oculares de baja resolución. Hipotetizamos que los patrones de SPEM abarcan una amplia gama de movimientos caracterizados por complejas relaciones espaciotemporales, potencialmente asociadas con la EP incluso en sus etapas iniciales. Este trabajo introduce una arquitectura de atención geométrica capaz de aprender patrones discriminativos de SPEM para la clasificación de pacientes con EP. Se realizó un análisis detallado de las variaciones de autoatención y atención cruzada para codificar los patrones oculomotores de SPEM. El enfoque propuesto sigue un protocolo no invasivo y flexible para registrar secuencias oculomotoras, que se resumen en matrices definidas positivas simétricas (SPD). A partir de esta representación SPD compacta, el modelo aprende las características de segundo orden más significativas que sustentan las arquitecturas de autoatención y atención cruzada propuestas. El enfoque propuesto fue validado en un estudio que incluyó a 25 pacientes con EP y 25 sujetos control, alcanzando un AUC-ROC de 97.0±4.0 y 98.4±3.2 para las estrategias de autoatención y atención cruzada, respectivamente.
dc.description.abstractenglishParkinson’s disease (PD) is the second most prevalent neurodegenerative disorder worldwide, expressed by the progressive loss of dopaminergic neurotransmitters, resulting in motor disturbances. Characterization and analysis of movement disorders play a crucial role in clinical diagnosis, yet the absence of a definitive biomarker poses challenges in disease characterization. Smooth pursuit eye movement (SPEM) analysis has emerged as a potential PD biomarker, even evaluated to detect motor abnormalities at early stages. However, traditional SPEM recording methodologies often require intrusive procedures and specialized protocols, limiting the dynamic description to coarse eye trajectories. We hypothesize that SPEM patterns encompass a diverse range of movement, characterized by intricate spatio-temporal relationships, which may be related to PD, even at early stages. This work introduces a geometrical attention architecture that learns SPEM discriminative patterns to classify PD patients. The proposed approach explores self- and cross-attention variations, coded to obtain oculomotor SPEM patterns. The proposed approach follows a non-invasive and flexible protocol to record oculomotor sequences, summarizing patterns in symmetric positive definite (SPD) matrices. From such a compact SPD representation it is possible to learn the second-order most significant for the proposed self-attention and cross-attention architectures, respectively. The proposed approach was validated in a study involving 25 patients with PD and 25 control subjects, achieving an AUC-ROC of 97.0 ± 4.0 and 98.4 ± 3.2 for the self- and cross-attention strategies, respectively.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería de Sistemas e Informática
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/47392
dc.language.isoeng
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programMaestría en Ingeniería de Sistemas e Informática
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectAPRENDIZAJE PROFUNDO GEOMÉTRICO
dc.subjectENFERMEDAD DE PARKINSON
dc.subjectMECANISMO DE ATENCIÓN GEOMÉTRICO
dc.subjectAPRENDIZAJE PROFUNDO RIEMANNIANO
dc.subject.keywordGEOMETRIC DEEP LEARNING
dc.subject.keywordPARKINSON’S DISEASE
dc.subject.keywordGEOMETRIC ATTENTION MECHANISM
dc.subject.keywordRIEMANNIAN DEEP LEARNING
dc.titleRepresentación geométrica Riemanniana con mecanismos de atención para la clasificación de patrones oculomotores parkinsonianos
dc.title.englishRiemannian geometric representation with attention mechanisms for parkinsonian classification of oculomotor patterns.
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
dspace.entity.typePublication

Archivos

Bloque original

Mostrando 1 - 3 de 3
Cargando...
Miniatura
Nombre:
Carta de autorización.pdf
Tamaño:
160.06 KB
Formato:
Adobe Portable Document Format
Cargando...
Miniatura
Nombre:
Nota de proyecto.pdf
Tamaño:
209.09 KB
Formato:
Adobe Portable Document Format
Cargando...
Miniatura
Nombre:
Documento.pdf
Tamaño:
12.49 MB
Formato:
Adobe Portable Document Format

Bloque de licencias

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
license.txt
Tamaño:
2.17 KB
Formato:
Item-specific license agreed to upon submission
Descripción:

VIGILADA MINEDUCACIÓN

Ordenanza No. 83 de 1.944 (junio 22)

Carácter académico: Universidad

Notificaciones judiciales: notjudiciales@uis.edu.co 

.

Código SNIES: 1204   Nit: 890.201.213-4

Línea Anticorrupción:  +57 (601) 562 9300 EXT: 3633

Línea transparente: +57 (607) 630 3031