Caracterización de patrones locomotores anormales relacionados con la enfermedad de Parkinson a partir de arquitecturas de aprendizaje profundo dedicadas a la estimación de poses.

Portilla Mora, Jean Carlos

Caracterización de patrones locomotores anormales relacionados con la enfermedad de Parkinson a partir de arquitecturas de aprendizaje profundo dedicadas a la estimación de poses.

dc.contributor.advisor	Martinez Carrillo, Fabio
dc.contributor.author	Portilla Mora, Jean Carlos
dc.contributor.evaluator	Arguello Fuentes, Henry
dc.contributor.evaluator	Galvis Carreño, Laura Viviana
dc.date.accessioned	2023-11-01T12:47:45Z
dc.date.available	2023-11-01T12:47:45Z
dc.date.created	2023-10-31
dc.date.issued	2023-10-31
dc.description.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.
dc.description.abstractenglish	Parkinson’s disease (PD) is one of the most prevalent neurodegenerative disorders worldwide, with over 6.2 million cases reported globally. Gait analysis is crucial for quantifying and understanding motor abnormalities associated with this disease. In this regard, technologies integrating specialized devices are used to process posture and motion data. However, marker-based systems are limited by their cost, complexity, and the need for specialized personnel to locate points of interest. On the other hand, in the literature, video-based approaches have been explored, but they are currently limited to performing global classification processes, losing detail in kinematic analysis during locomotion. In this study, a markerless strategy was developed to quantify motor patterns associated with Parkinson’s disease, using a deep learning architecture as the basis for representation. In this work, deep features learned during pose estimation were leveraged. The set of these activations was projected into volumetric convolutional representations and adapted for a discrimination task with respect to control subjects. In a second characterization of gait, postural movements were encoded into covariance matrices, which offer an explanatory advantage in terms of correlational relationships between relevant joints. Furthermore, these covariances were projected to classifiers to verify their discriminative nature with respect to control subjects. The proposed approaches achieved the classification of Parkinson’s patients with an accuracy of 99% using volumetric activation maps and an accuracy of 76.1% using covariance matrices.
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/20.500.14071/15071
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	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
dc.subject	Aprendizaje profundo
dc.subject	Análisis de la marcha
dc.subject	Estimación de la postura
dc.subject	Matriz de covarianza
dc.subject.keyword	Parkinson’s Disease
dc.subject.keyword	Deep learning
dc.subject.keyword	Gait analysis
dc.subject.keyword	Posture estimation
dc.subject.keyword	Covariance matrix
dc.title	Caracterización de patrones locomotores anormales relacionados con la enfermedad de Parkinson a partir de arquitecturas de aprendizaje profundo dedicadas a la estimación de poses.
dc.title.english	Characterization of abnormal locomotor patterns related to Parkinson’s disease from deep learning architectures dedicated to pose estimation.
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