Cuantificación de patrones de Parkinson modelados como eventos anormales utilizando una estrategia de aprendizaje profundo generativo
No Thumbnail Available
Date
2023-05-23
Authors
Advisors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
La enfermedad de Parkinson (EP) es el segundo trastorno neurodegenerativo más frecuente del mundo y afecta a más de 6,2 millones de personas. Esta enfermedad se asocia a la deficiencia del neurotransmisor dopamina, relacionado con el control de los movimientos voluntarios. En consecuencia, la EP se asocia a trastornos del movimiento de la marcha, como bradicinesia, rigidez, temblores e inestabilidad postural, causados por la deficiencia progresiva de dopamina. En la actualidad, algunos enfoques han implementado representaciones de aprendizaje para cuantificar los patrones cinemáticos durante la locomoción, apoyando procedimientos clínicos como el diagnóstico y la planificación del tratamiento. Estos enfoques asumen una gran cantidad de datos estratificados y etiquetados para optimizar las representaciones discriminativas. Sin embargo, estas consideraciones pueden restringir los enfoques para ser operables en escenarios reales durante la práctica clínica. Este trabajo introduce una representación generativa autosupervisada para aprender patrones relacionados con el movimiento de la marcha, con el pretexto de la reconstrucción de vídeo y un marco de detección de anomalías. Esta arquitectura se entrena siguiendo un aprendizaje débilmente supervisado de una clase para evitar la varianza interclase y aproximarse a las múltiples relaciones que representan la locomoción. El enfoque propuesto se validó con dos conjuntos de datos que contenían un total de 133 pacientes con diagnóstico de control, parkinson y artrosis de rodilla, alcanzando AUC de 80,6% y 75%, nivel de homocedasticidad de 80% y 66,7%; y nivel de conformación de 70% y 66,7% respectivamente. Estos resultados evalúan el modelo en su tarea de discriminación considerando su generalización para muestras no vistas.
Description
Keywords
Detección anómala, Aprendizaje profundo, Marcha parkinsoniana, Representaciones generativas, Representaciones embebidas, Enfermedad del Parkinson