REPRESENTACIONES AUTO-SUPERVISADAS DE MATRICES SPD PARA LA CUANTIFICACIÓN DE PATRONES DE FIJACIÓN OCULAR EN PACIENTES CON PARKINSON

Sandoval Pineda, Edward Andres

REPRESENTACIONES AUTO-SUPERVISADAS DE MATRICES SPD PARA LA CUANTIFICACIÓN DE PATRONES DE FIJACIÓN OCULAR EN PACIENTES CON PARKINSON

dc.contributor.advisor	Martinez Carrillo, Fabio
dc.contributor.author	Sandoval Pineda, Edward Andres
dc.contributor.evaluator	Moreno Tarazona, Alejandra
dc.contributor.evaluator	Correa Pugliese, Claudia Victoria
dc.date.accessioned	2023-08-09T19:13:53Z
dc.date.available	2023-08-09T19:13:53Z
dc.date.created	2023-08-09
dc.date.issued	2023-08-09
dc.description.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$
dc.description.abstractenglish	Parkinson's disease (PD) is the second most common neurodegenerative disorder in the world, affecting between 2 and 3% of the population over 65 years old. This disease has no cure, and so far, a definitive biomarker for the detection and quantification of the disease is not known. Recently, oculomotor alterations during eye fixation tasks have shown promising evidence as a disease descriptor, with sufficient sensitivity to discriminate between disease stages, even in the early stages. However, computational methods to support diagnosis and aid in quantification are based on strictly supervised processes, requiring large volumes of data and including a bias associated with the subjectivity of expert observations. In this work, a self-supervised architecture based on Riemannian features is proposed, which can learn oculomotor fixation patterns without supervision. The resulting embedded descriptors from this representation have the ability to discriminate video sequences of individuals affected by PD compared to a control population. The fixation observations are projected onto a pre-trained convolutional network to obtain a description in terms of deep intermediate features. These features are then encoded into symmetric positive definite (SPD) matrices, which serve as input to the self-supervised architecture representation. Thus, the proposed representation is capable of leveraging the geometric structure of the data, considering the Riemannian manifold, to obtain geometric and compact embedded descriptors. During a classification task, in a study with 13 control patients and 13 patients diagnosed with PD, these embeddeds achieved an accuracy of 92.3% and an AUC of 0.9
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero de Sistemas
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/20.500.14071/14762
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería de Sistemas
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	Matrices SPD
dc.subject	Aprendizaje Riemanniano
dc.subject	Representación auto-supervisada
dc.subject	Enfermedad de Parkinson
dc.subject	Patrones oculomotores
dc.subject.keyword	SPD Matrices
dc.subject.keyword	Riemannian learning
dc.subject.keyword	Self-supervised representation
dc.subject.keyword	Parkinson disease
dc.subject.keyword	Oculomotor patterns
dc.title	REPRESENTACIONES AUTO-SUPERVISADAS DE MATRICES SPD PARA LA CUANTIFICACIÓN DE PATRONES DE FIJACIÓN OCULAR EN PACIENTES CON PARKINSON
dc.title.english	SELF-SUPERVISED REPRESENTATIONS OF SPD MATRICES FOR THE QUANTIFICATION OF OCULAR FIXATION PATTERNS IN PARKINSON PATIENTS
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