Representaciones profundas en variedades riemannianas para la cuantificación de patrones oculomotores parkinsonianos

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.authorOlmos Rojas, Juan Andrés
dc.contributor.evaluatorCaicedo, Juan Carlos
dc.contributor.evaluatorGómez Jaramillo, Francisco Albeiro
dc.date.accessioned2023-05-28T16:46:36Z
dc.date.available2023-05-28T16:46:36Z
dc.date.created2023-05-17
dc.date.issued2023-05-17
dc.description.abstractLa enfermedad de Parkinson (PD) es el segundo trastorno neurodegenerativo más común, caracterizado principalmente por alteraciones motoras debido a la degeneración no controlada de los neurotransmisores de la dopamina. En la actualidad, no existe un biomarcador definitivo para el diagnóstico precoz y la caracterización de la progresión. Recientemente, los anomalías de patrones oculomotoras han mostrado evidencias prometedoras para cuantificar la PD, incluso en etapas tempranas. Sin embargo, las configuraciones de captura actuales requieren protocolos sofisticados, limitando el análisis a medidas gruesas que explotan pobremente las alteraciones y restringen su uso estándar en ambientes clínicos. Aunque las estrategias de aprendizaje profundo basadas en computación aportan hoy una alternativa robusta al descubrir en las secuencias de vídeo patrones ocultos asociados a la enfermedad, estos enfoques dependen de grandes volúmenes de datos de entrenamiento para cubrir la variabilidad. Este trabajo introduce una estrategia novedosa que explota la geometría de los datos en una variedad profunda Riemanniana, cuantificando y descubriendo patrones oculomotores de la PD. A partir de una tarea oculomotora de fijación, realizamos un análisis no invasivo utilizando únicamente secuencias de vídeo. La información oculomotora se codifica como matrices simétricas positivas (SPD) que capturan estadísticas de segundo orden a partir de representaciones profundas computadas por esquemas convolucionales. Estas matrices simétricas forman entonces una representación embebida, que es decodificada por un esquema de aprendizaje profundo Riemanniano que preserva la estructura geométrica SPD y discrimina a los pacientes con Parkinson con respecto a una población de control. La estrategia propuesta fue evaluada en grabaciones de fijación ocular en una población de 13 pacientes de Parkinson y 13 controles, logrando una precisión superior al 98%. La estrategia propuesta fue capaz de diferenciar la enfermedad en diferentes etapas y también demuestra resultados coherentes de mapas de explicabilidad propagados a partir de las probabilidades de salida.
dc.description.abstractenglishParkinson’s disease (PD) is the second most common neurodegenerative disorder, mainly characterized by motor alterations because of the non-controlled degeneration of dopamine neurotransmitters. Today, there is no definitive biomarker for an early diagnosis and progression characterization. Recently, anomaly oculomotor patterns have shown promising evidence to quantify PD, even at early stages. However, current capture setups require sophisticated protocols, limiting the analysis to coarse measures that poorly exploit alterations and restrict their standard use in clinical environments. Although computational-based deep learning strategies today bring a robust alternative by discovering in video sequences hidden patterns associated to the disease, these approaches depend on large training data volumes to cover the variability. This work introduces a novel strategy that exploits data geometry within a deep Riemannian manifold, quantifying and discovering oculomotor PD patterns. From a fixational oculomotor task, we perform non-invasive analysis using only video sequences. Oculomotor information is encoded as symmetric positive (SPD) matrices that capture second-order statistics from deep representations computed by convolutional schemes. These symmetric matrices then form an embedded representation, which is decoded by a deep Riemannian learning scheme that preserves the SPD geometrical structure and discriminates Parkinsonian patients w.r.t a control population. The proposed strategy was evaluated on eye fixational recordings in a population of 13 Parkinson’s patients and 13 controls, achieving an accuracy above 98%. The proposed strategy was able to differentiate the disease at different stages and also demonstrates coherent results from explainable maps propagated from output probabilities.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Matemática Aplicada
dc.description.googlescholarhttps://scholar.google.com/citations?user=JJJjQMcAAAAJ&hl=es&oi=sra
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/20.500.14071/14406
dc.language.isoeng
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ciencias
dc.publisher.programMaestría en Matemática Aplicada
dc.publisher.schoolEscuela de Física
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.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectEnfermedad de Parkinson
dc.subjectPatrones oculomotores
dc.subjectMatrices SPD
dc.subjectAprendizaje profundo no-lineal
dc.subjectVariedad riemanniana
dc.subject.keywordParkinson’s Disease
dc.subject.keywordOculomotor Patterns
dc.subject.keywordSPD Matrices
dc.subject.keywordRiemannian Non-Linear Learning
dc.subject.keywordRiemannian Manifold
dc.titleRepresentaciones profundas en variedades riemannianas para la cuantificación de patrones oculomotores parkinsonianos
dc.title.englishDeep Representations in Riemannian Manifolds for the Quantification of Parkinsonian Oculomotor Patterns
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
136.04 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
234.46 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
5.94 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
Maestría en Matemática Aplicada