CLASIFICACIÓN DE PATRONES PARKINSONIANOS DESDE UNA REPRESENTACIÓN MULTIMODAL QUE INCLUYE PUNTOS DE REFERENCIA DE MARCHA Y ROSTRO

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.advisorArchila Valderrama, John Edinson
dc.contributor.authorAngarita Mendoza, Faiber Stiven
dc.contributor.evaluatorArguello Fuentes, Henry
dc.contributor.evaluatorRondon Villareal, Nydia Paola
dc.date.accessioned2025-05-27T15:22:13Z
dc.date.available2025-05-27T15:22:13Z
dc.date.created2025-05-25
dc.date.issued2025-05-25
dc.description.abstractEl Parkinson es una enfermedad multifactorial neurodegenerativa que es caracterizada por afecciones motoras como la bradicinesia (lentitud de los movimientos), inestabilidad postural, hipomimia, desordenes del habla y rigidez, como consecuencia del creciente déficit de dopamina. Estos síntomas son variables en intensidad y frecuencia, por lo que representan un desafío para el diagnóstico, estratificación y seguimiento de la enfermedad. De hecho, se han reportado errores diagnósticos del 47% para un médico general y hasta un 8% para especialistas en desordenes de movimiento. Recientemente, se han propuesto métodos computacionales para soportar la cuantificación y análisis de patrones durante la marcha y la expresión facial, pero abordados de forma independiente, perdiendo el carácter de análisis multimodal. En este trabajo de investigación se desarrolló una estrategia multimodal que, desde un conjunto de puntos de referencia, tanto posturales (en marcha), como de referencia de gestos de rostros, permite dar soporte al diagnóstico del Parkinson, bajo una tarea de clasificación. El método extrajo puntos de interés desde una red profunda, que permite hacer estimaciones sin marcadores. Luego estos puntos de interés fueron utilizados para construir descriptores correlativos, que permitan una discriminación entre una población de Parkinson y una población control. La metodología propuesta fue ajustada y validada con conjuntos de 580 videos, registrados desde 11 pacientes diagnosticados con la enfermedad y 18 pacientes control. El método desarrollado, bajo un esquema de validación cruzada ( k=5), logró obtener una exactitud de 92% ± 0.02, sensibilidad de 84% ± 0.05, precisión de 94% ± 0.06, F1-score de 89% ± 0.03 y AUC de 90% ± 0.03, logrando superar esquemas unimodales.
dc.description.abstractenglishParkinson’s disease is a multifactorial neurodegenerative disorder characterized by motor impairments such as bradykinesia (slowness of movement), postural instability, hypomimia, speech disorders, and rigidity, all resulting from the progressive depletion of dopamine. These symptoms vary in intensity and frequency, which makes them a challenge for the diagnosis, stratification, and monitoring of the disease. In fact, diagnostic errors have been reported as high as 47% for general practitioners and up to 8% for specialists in movement disorders. Recently, computational methods have been proposed to support the quantification and analysis of gait and facial expression patterns, but these have been addressed independently, losing the multimodal analysis aspect. This work proposes the extraction of both postural reference points and facial gesture reference points to build correlational descriptors, which enable discrimination between a Parkinson’s population and a control group. The low-dimensional representation of these reference points, both for gait and facial expressions, will be used to extract dynamic information for each motion trajectory. These trajectories will then be grouped and summarized into covariance representations, which will allow the determination of patterns such as coordination and instability associated with the disease. The proposed methodology will be fine-tuned and validated using video datasets recorded in an experimental scheme with control participants and Parkinson’s patients. The results obtained were promising, achieving an accuracy of 92% ± 0.02, a recall of 84% ± 0.05, a precision of 94% ± 0.06, an F1-score of 89% ± 0.03 and AUC of 90% ± 0.03 for the fusion methodology with the best classification metrics, demonstrating the effectiveness of the method in discriminating patterns related to Parkinson’s disease.
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/20.500.14071/45686
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.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.subjectEnfermedad de Parkinson
dc.subjectclasificación
dc.subjectmultimodal
dc.subjectpuntos de referencia
dc.subject.keywordParkinson’s disease
dc.subject.keywordclassification
dc.subject.keywordmultimodal
dc.subject.keywordlandmarks
dc.titleCLASIFICACIÓN DE PATRONES PARKINSONIANOS DESDE UNA REPRESENTACIÓN MULTIMODAL QUE INCLUYE PUNTOS DE REFERENCIA DE MARCHA Y ROSTRO
dc.title.englishClassification of Parkinsonian patterns from a multimodal representation that includes gait and facial landmarks
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
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
89.13 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
358.73 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
14.57 MB
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