Cuantificación de patrones de Parkinson modelados como eventos anormales utilizando una estrategia de aprendizaje profundo generativo

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.authorRangel Pieschacón, Édgar
dc.contributor.evaluatorVanegas, Martha Isabel
dc.contributor.evaluatorRueda Olarte, Andrea del Pilar
dc.date.accessioned2023-06-20T21:36:21Z
dc.date.available2023-06-20T21:36:21Z
dc.date.created2023-05-23
dc.date.issued2023-05-23
dc.description.abstractLa 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.
dc.description.abstractenglishParkinson's Disease (PD) is the world's second most common neurodegenerative disorder, affecting more than 6.2 million people. This disease is associated with the deficiency of the neurotransmitter dopamine, associated with the control of voluntary movements. In consequence, PD is associated with gait movement disorders, such as bradykinesia, stiffness, tremors and postural instability, caused by progressive dopamine deficiency. Today, some approaches have implemented learning representations to quantify kinematic patterns during locomotion, supporting clinical procedures such as diagnosis and treatment planning. These approaches assumes a large amount of stratified and labeled data to optimize discriminative representations. Nonetheless, these considerations may restrict the approaches to be operable in real scenarios during clinical practice. This work introduces a self-supervised generative representation to learn gait-motion-related patterns, under the pretext of video reconstruction and an anomaly detection framework. This architecture is trained following a one-class weakly supervised learning to avoid inter-class variance and approach the multiple relationships that represent locomotion. The proposed approach was validated with two datasets containing a total of 133 patients with control, parkinson and knee-osteoarthritis diagnosis, achieving AUC of 80.6% and 75%, homocedasticity level of 80% and 66.7%; and shapeness level of 70% and 66.7% respectively. These results evaluate the model in its discrimination task considering its generalization for unseen samples.
dc.description.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001713495
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería de Sistemas e Informática
dc.description.googlescholarhttps://scholar.google.com/citations?user=MvLk9pAAAAAJ&hl=es
dc.description.orcidhttps://orcid.org/0000-0002-9228-7226
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/20.500.14071/14583
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.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectDetección anómala
dc.subjectAprendizaje profundo
dc.subjectMarcha parkinsoniana
dc.subjectRepresentaciones generativas
dc.subjectRepresentaciones embebidas
dc.subjectEnfermedad del Parkinson
dc.subject.keywordAnomaly Detection
dc.subject.keywordDeep Learning
dc.subject.keywordParkinson Gait
dc.subject.keywordGenerative Representations
dc.subject.keywordEmbedded Representations
dc.subject.keywordParkinson Disease
dc.titleCuantificación de patrones de Parkinson modelados como eventos anormales utilizando una estrategia de aprendizaje profundo generativo
dc.title.englishParkinson Patterns Quantification Modeled as Abnormal Events Using a Generative Deep Learning Strategy
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.type
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
228.26 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
114.57 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
392.83 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ingeniería de Sistemas e Informática