Cuantificación de patrones de Parkinson modelados como eventos anormales utilizando una estrategia de aprendizaje profundo generativo
dc.contributor.advisor | Martínez Carrillo, Fabio | |
dc.contributor.author | Rangel Pieschacón, Édgar | |
dc.contributor.evaluator | Vanegas, Martha Isabel | |
dc.contributor.evaluator | Rueda Olarte, Andrea del Pilar | |
dc.date.accessioned | 2023-06-20T21:36:21Z | |
dc.date.available | 2023-06-20T21:36:21Z | |
dc.date.created | 2023-05-23 | |
dc.date.issued | 2023-05-23 | |
dc.description.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. | |
dc.description.abstractenglish | Parkinson'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.cvlac | https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001713495 | |
dc.description.degreelevel | Maestría | |
dc.description.degreename | Magíster en Ingeniería de Sistemas e Informática | |
dc.description.googlescholar | https://scholar.google.com/citations?user=MvLk9pAAAAAJ&hl=es | |
dc.description.orcid | https://orcid.org/0000-0002-9228-7226 | |
dc.format.mimetype | application/pdf | |
dc.identifier.instname | Universidad Industrial de Santander | |
dc.identifier.reponame | Universidad Industrial de Santander | |
dc.identifier.repourl | https://noesis.uis.edu.co | |
dc.identifier.uri | https://noesis.uis.edu.co/handle/20.500.14071/14583 | |
dc.language.iso | eng | |
dc.publisher | Universidad Industrial de Santander | |
dc.publisher.faculty | Facultad de Ingeníerias Fisicomecánicas | |
dc.publisher.program | Maestría en Ingeniería de Sistemas e Informática | |
dc.publisher.school | Escuela de Ingeniería de Sistemas e Informática | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | |
dc.rights.coar | http://purl.org/coar/access_right/c_abf2 | |
dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | |
dc.rights.license | Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.subject | Detección anómala | |
dc.subject | Aprendizaje profundo | |
dc.subject | Marcha parkinsoniana | |
dc.subject | Representaciones generativas | |
dc.subject | Representaciones embebidas | |
dc.subject | Enfermedad del Parkinson | |
dc.subject.keyword | Anomaly Detection | |
dc.subject.keyword | Deep Learning | |
dc.subject.keyword | Parkinson Gait | |
dc.subject.keyword | Generative Representations | |
dc.subject.keyword | Embedded Representations | |
dc.subject.keyword | Parkinson Disease | |
dc.title | Cuantificación de patrones de Parkinson modelados como eventos anormales utilizando una estrategia de aprendizaje profundo generativo | |
dc.title.english | Parkinson Patterns Quantification Modeled as Abnormal Events Using a Generative Deep Learning Strategy | |
dc.type.coar | http://purl.org/coar/resource_type/c_bdcc | |
dc.type.hasversion | http://purl.org/coar/version/c_b1a7d7d4d402bcce | |
dc.type.local | Tesis/Trabajo de grado - Monografía - Maestría | |
dspace.entity.type |
Files
Original bundle
1 - 3 of 3
No Thumbnail Available
- Name:
- Nota de proyecto.pdf
- Size:
- 228.26 KB
- Format:
- Adobe Portable Document Format
No Thumbnail Available
- Name:
- Carta de autorización.pdf
- Size:
- 114.57 KB
- Format:
- Adobe Portable Document Format
No Thumbnail Available
- Name:
- Documento.pdf
- Size:
- 392.83 KB
- Format:
- Adobe Portable Document Format
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 2.18 KB
- Format:
- Item-specific license agreed to upon submission
- Description: