REPRESENTACIONES AUTO-SUPERVISADAS DE MATRICES SPD PARA LA CUANTIFICACIÓN DE PATRONES DE FIJACIÓN OCULAR EN PACIENTES CON PARKINSON
No Thumbnail Available
Date
2023-08-09
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 común en el mundo, afectando entre el 2 y 3 % de la población mayor a 65 años. Esta enfermedad no tiene cura y hasta ahora no se conoce un biomarcador definitivo para la detección y cuantificación de la enfermedad. Recientemente las alteraciones oculomotoras durante tareas de fijación ocular han demostrado evidencias prometedoras como descriptor de la enfermedad, con suficiente sensibilidad para discriminar entre estadios de la enfermedad, incluso en etapas tempranas. No obstante, los métodos computacionales para soportar el diagnóstico y apoyar la cuantificación son basados en procesos estrictamente supervisados, requiriendo grandes volúmenes de datos e incluyendo un sesgo asociado a la subjetividad de las observaciones de expertos. En este trabajo se propone una arquitectura auto-supervisada de caracter Riemanniano que puede aprender patrones de fijación oculomotor sin supervisión. Los descriptores embebidos resultantes de esta representación tiene la capacidad de discriminar secuencias de video de personas afectadas con la EP con respecto a una población control. Las observaciones de fijación son proyectadas a una red convolucional pre-entrenada para obtener una descripción en términos de características profundas de nivel intermedio. Estas características son a su vez codificadas en matrices simétricas definidas positivas (SPD), que sirven como entrada a la representación la arquitectura auto-supervisada. Entonces, la representación propuesta es capaz de aprovechar la estructura geométrica de los datos, considerando al variedad de Riemann, para obteners descriptores embebidos geométricos y compactos. Estos vectores en una tarea de clasificación, en un estudio con 13 pacientes control y 13 pacientes diagnósticados con la EP, logró una exactitud de 92.3% y un AUC de 0.97$
Description
Keywords
Matrices SPD, Aprendizaje Riemanniano, Representación auto-supervisada, Enfermedad de Parkinson, Patrones oculomotores