DETECCIÓN DE LA ENFERMEDAD DE PARKINSON MEDIANTE LA VOZ USANDO TÉCNICAS DE MACHINE LEARNING

Delgado Moreno, Jouver Fabian; Duque Mantilla, Luzdey Sthefanny

DETECCIÓN DE LA ENFERMEDAD DE PARKINSON MEDIANTE LA VOZ USANDO TÉCNICAS DE MACHINE LEARNING

dc.contributor.advisor	Fajardo Ariza, Carlos Augusto
dc.contributor.author	Delgado Moreno, Jouver Fabian
dc.contributor.author	Duque Mantilla, Luzdey Sthefanny
dc.contributor.evaluator	Sepúlveda Sepúlveda, Franklin Alexander
dc.contributor.evaluator	García Arenas, Hans Yecid
dc.date.accessioned	2025-02-25T17:15:29Z
dc.date.available	2025-02-25T17:15:29Z
dc.date.created	2025-02-23
dc.date.issued	2025-02-23
dc.description.abstract	La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo causado por la disminución de dopamina, afectando funciones motoras y no motoras. Esta deficiencia altera actividades como la generación del habla, que requiere la coordinación de estructuras como la laringe, cuerdas vocales y lengua. En pacientes con EP, esta coordinación se ve comprometida, provocando cambios significativos en las características del habla, afectando tanto la claridad como la fluidez de la comunicación. El objetivo de esta investigación se centró en la detección de la enfermedad de Parkinson a partir del análisis de características vocales usando dos bases de datos: PC-GITA, donde se extrajeron las características mediante el software Praat, y el conjunto de datos Parkinsons, que ya incluía características preprocesadas. Se seleccionaron las diez características más relevantes utilizando los métodos Chi cuadrado, clasificador Extra Tree y Matriz de Correlación. Se evaluaron diversos modelos de aprendizaje automático, incluidos Árbol de decisión o Decision Tree (DT), K- Vecinos Más Cercanos o K-Nearest Neighbors (KNN), Bosque Aleatorio o Random Forest (RF), Bagging, Ada Boosting y Gradient Boost, empleando las métricas de accuracy, precision, recall, F1-score, R2-score y AUC-ROC. Los resultados obtenidos sugieren que el modelo que demostró el mejor rendimiento fue Ada Boost, aplicado al conjunto de datos que combina todas las vocales en PC-GITA, donde alcanzó un AUC-ROC de 0.82 ± 0.04. Estos resultados indican que el modelo Ada Boost proporcionó las estimaciones más precisas y consistentes en nuestro estudio, resaltando su eficacia en la identificación de características asociadas con la enfermedad de Parkinson.
dc.description.abstractenglish	Parkinson's disease (PD) is a neurodegenerative disorder caused by a decrease in dopamine, affecting both motor and non-motor functions. This deficiency alters activities such as speech production, which requires the coordination of structures such as the larynx, vocal cords, and tongue. In patients with PD, this coordination is compromised, leading to significant changes in speech characteristics that affect both clarity and communication fluency. The objective of this research was to detect Parkinson's disease through the analysis of vocal features using two databases: PC-GITA, where the features were extracted using Praat software, and the Parkinsons dataset, which already included preprocessed features. The ten most relevant features were selected using the Chi-square method, Extra Tree classifier, and Correlation Matrix. Various machine learning models were evaluated, including Decision Tree (DT), K-Nearest Neighbors (KNN), Random Forest (RF), Bagging, Ada Boosting, and Gradient Boost, using the metrics of accuracy, precision, recall, F1-score, R2-score, and AUC-ROC. The results suggest that the model demonstrating the best performance was Ada Boost, applied to the dataset that combines all vowels in PC GITA, where it achieved an AUC-ROC of 0.82 ± 0.04. These findings indicate that the Ada Boost model provided the most precise and consistent estimates in our study, highlighting its effectiveness in identifying characteristics associated with Parkinson's disease.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electrónico
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/20.500.14071/45086
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
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	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Enfermedad de Parkinson (EP)
dc.subject	Aprendizaje Automático
dc.subject	Clasificadores
dc.subject.keyword	Machine Learning
dc.subject.keyword	Parkinson's Disease (PD)
dc.subject.keyword	Classifiers
dc.title	DETECCIÓN DE LA ENFERMEDAD DE PARKINSON MEDIANTE LA VOZ USANDO TÉCNICAS DE MACHINE LEARNING
dc.title.english	DETECTION OF PARKINSON'S DISEASE THROUGH VOICE USING MACHINE LEARNING
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado