CARACTERIZACIÓN DEL TEMBLOR DE MANOS EN PACIENTES CON PARKINSON UTILIZANDO UN ESQUEMA DE APRENDIZAJE CONVOLUCIONAL PROFUNDO

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.authorPedraza Cadena, Jessica Fernanda
dc.contributor.evaluatorRomo Bucheli, David Edmundo
dc.contributor.evaluatorBacca Quintero, Jorge Luis
dc.date.accessioned2022-09-14T18:40:46Z
dc.date.available2022-09-14T18:40:46Z
dc.date.created2022-09-08
dc.date.issued2022-09-08
dc.description.abstractActualmente, más de 6 millones de personas alrededor del mundo padecen la enfermedad de Parkinson (EP) y se estima que para el año 2040 el número de personas diagnosticadas ascienda a 17 millones. Este trastorno neurodegenerativo está relacionado con el déficit de dopamina, afectando principalmente condiciones motoras, tales como: lentitud de los movimientos, inestabilidad postural, temblor en las extremidades, rigidez, disminución en la amplitud del movimiento, afectaciones en la expresión facial y en la voz. El temblor siendo un movimiento rítmico y no controlado es el síntoma de mayor prevalencia en la EP afectando principalmente las extremidades. En la rutina clínica, la valoración y cuantificación de la enfermedad se puede lograr mediante la detección y caracterización del temblor en las manos siguiendo esquemas posturales y de reposo. En la configuración de reposo, las manos descansan sobre una superficie, limitando la percepción del temblor, especialmente en estadios tempranos. Por otra parte, en la configuración postural el paciente mantiene perpendicularmente sus brazos respecto al tronco, de esta manera, la amplitud del temblor se amplifica debido a la fuerza gravitacional. Este tipo de configuración, sin embargo, añade contracciones musculares voluntarias, resultando en señales ruidosas respecto a la caracterización motora propia del temblor. Estas valoraciones son además subjetivas y dependen de la experticia de los profesionales para determinar si el temblor está asociado a la EP. Hoy en día, en la literatura se reportan alternativas para la cuantificación del temblor, siendo un soporte para la caracterización de este patrón. Sin embargo, estas herramientas por lo general son invasivas y reportan una descripción limitada de los patrones motores del temblor. En este trabajo se presenta una representación profunda volumétrica para la caracterización de los patrones de temblor asociados a la EP, registrados en secuencias de video bajo esquemas de reposo y postural. La estrategia incluye un esquema convolucional que extrae patrones espacio-temporales, correlacionados con el temblor, los cuales son propagados a través de una arquitectura jerárquica que se ajusta respecto a una regla de discriminación entre pacientes con la EP y sujetos control. Además, se logró extraer características aprendidas en la representación profunda, permitiendo generar mapas de atención que permiten establecer las principales regiones temporales que se destacan en el video para realizar la clasificación y servir como soporte en la caracterización de la enfermedad. El método fue evaluado sobre un conjunto total de 80 videos (5 pacientes con la EP y 5 sujetos control), utilizando un esquema de validacion cruzada de tipo "leave one patient out", es decir, dejando un paciente fuera para evaluación y el resto para entrenamiento. En está validación se reporto una exactitud promedio de 92.5 % y una sensibilidad de 100 % en un esquema de reposo. En cuanto a un esquema postural, el método propuesto logra una exactitud promedio de 90 % y una sensibilidad de 80 %.
dc.description.abstractenglishCurrently, more than 6 million people around the world suffer from Parkinson’s disease (PD) and it is estimated that by the year 2040 the number of diagnosed people will reach 17 million. This neurodegenerative disorder is related to dopamine deficiency, affecting mainly motor conditions, such as: slowness of movement, postural instability, tremor in the limbs, rigidity, decreased range of motion, and impairment of facial expression and voice. Tremor, being a rhythmic and uncontrolled movement, is the most prevalent symptom in PD, affecting mainly the extremities. In routine clinical practice, assessment and quantification of the disease can be achieved by detecting and characterizing tremor in the hands following postural and resting patterns. In the resting configuration, the hands rest on a surface, limiting tremor perception, especially in early stages. On the other hand, in the postural configuration the patient keeps his arms perpendicular to the trunk, thus, the amplitude of the tremor is amplified due to the gravitational force. This type of configuration, however, adds voluntary muscle contractions, resulting in noisy signals with respect to the proper motor characterization of the tremor. These assessments are also subjective and depend on the expertise of professionals to determine whether the tremor is associated with PD. Nowadays, alternatives for the quantification of tremor are reported in the literature, being a support for the characterization of this pattern. However, these tools are generally invasive and report a limited description of tremor motor patterns. In this work we present a volumetric deep representation for the characterization of tremor patterns associated with PD, recorded in video sequences under resting and postural schemes. The strategy includes a convolutional scheme that extracts spatio-temporal patterns, correlated with tremor, which are propagated through a hierarchical architecture that is adjusted with respect to a discrimination rule between PD patients and control subjects. In addition, it was possible to extract features learned in the deep representation, allowing to generate attention maps that allow to establish the main temporal regions that stand out in the video to perform the classification and serve as a support in the characterization of the disease. The method was evaluated on a total set of 80 videos (5 PD patients and 5 control subjects), using a cross-validation scheme of the "leave a patient out" type, that is, leaving one patient out for evaluation and the rest for training. In this validation, an average accuracy of 92.5 % and a sensitivity of 100 % in a resting scheme. As for a postural scheme, the proposed method achieves an average accuracy of 90 % and a sensitivity of 80 %.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero de Sistemas
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/20.500.14071/11397
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programIngeniería de Sistemas
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.subjectEnfermedad de Parkinson
dc.subjectTemblor postural
dc.subjectTemblor en reposo
dc.subjectAnálisis de video
dc.subjectRepresentaciones profundas
dc.subjectRedes convolucionales
dc.subject.keywordParkinson's disease
dc.subject.keywordPostural tremor
dc.subject.keywordResting tremor
dc.subject.keywordVideo analysis
dc.subject.keywordDeep representations
dc.subject.keywordConvolutional networks
dc.titleCARACTERIZACIÓN DEL TEMBLOR DE MANOS EN PACIENTES CON PARKINSON UTILIZANDO UN ESQUEMA DE APRENDIZAJE CONVOLUCIONAL PROFUNDO
dc.title.englishCHARACTERIZATION OF HAND TREMOR IN PARKINSON’S PATIENTS USING A DEEP CONVOLUTIONAL LEARNING SCHEME
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
Documento.pdf
Size:
3.08 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
84.85 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
64.96 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
Ingeniería de Sistemas