Caracterización de patrones locomotores anormales relacionados con la enfermedad de Parkinson a partir de arquitecturas de aprendizaje profundo dedicadas a la estimación de poses.
No Thumbnail Available
Date
2023-10-31
Authors
Advisors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
La enfermedad de Parkinson (EP) es uno de los trastornos neurodegenerativos más prevalentes en todo el mundo, con más de 6,2 millones de casos registrados a nivel mundial. El análisis de la marcha es crucial para cuantificar y comprender las anomalías motoras relacionadas con esta enfermedad. En este sentido, se utilizan tecnologías que integran dispositivos especializados que procesan datos de postura y movimiento. Sin embargo, estos sistemas basados en marcadores están limitados por su coste, complejidad y la necesidad de personal especializado para la localización de los sensores. Por otro lado, en la literatura se han explorado enfoques basados en el análisis de vídeo, los cuales están hoy en día limitados a realizar procesos globales de clasificación, perdiendo detalle en el análisis cinemático, durante la locomoción. En este trabajo, se desarrolló una estrategia sin marcadores para cuantificar patrones locomotores asociados al párkinson, teniendo como línea base una arquitectura de aprendizaje profundo dedicada a la estimación de poses. Para ello, en este trabajo se recuperan las características profundas aprendidas durante la estimación de poses. El conjunto de estas activaciones fue proyectado en representaciones convolucionales volumétricas y ajustadas de acuerdo a una tarea de discriminación con respecto a sujetos control. Adicionalmente, una caracterización de la marcha respecto a los movimientos posturales fue codificados en matrices de covarianza, las cuales proporcionan una ventaja explicativa entre articulaciones de interés. Además, estas covarianzas fueron proyectadas en clasificadores para validar el desempeño discriminativo con respecto a sujetos control. Las aproximaciones propuestas lograron clasificar pacientes con párkinson con una exactitud de 98% usando los mapas volumétricos de activación y una exactitud de 71.5% usando las matrices de covarianza.
Description
Keywords
Enfermedad de Parkinson, Aprendizaje profundo, Análisis de la marcha, Estimación de la postura, Matriz de covarianza