Caracterización de patrones de la enfermedad de Parkinson usando modelos de aprendizaje de máquina
Loading...
Date
2021
Authors
Advisors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
La enfermedad de Parkinson (EP) carece de un diagnóstico definitivo, siendo la
observación de los patrones de movimiento el principal análisis para caracterizar el progreso de la
enfermedad y planificar los tratamientos de los pacientes. Entre las observaciones de la EP, los patrones
de movimiento de la marcha, como la longitud de los pasos y el control postural, apoyan la
caracterización de la enfermedad. Sin embargo, este análisis es usualmente cuantificado con protocolos
basados en marcadores, reduciendo la descripción de la marcha y omitiendo patrones locales
durante la locomoción. Este trabajo introduce dos aproximaciones computacionales para el soporte
del análisis y diagnóstico del párkinson. Primero se propuso un método computacional sin marcadores
basado en una caracterización cinemática completa de los segmentos corporales relacionados
con las alteraciones motoras de la EP. En un segundo aporte de este trabajo se obtuvo una representación
convolucional 3D de la marcha en un contexto de clasificación automática de la EP, destacando
patrones espacio-temporales aprendidos para esta tarea. Estos enfoques permiten obtener modelos
que clasifican secuencias sin marcadores y describen las principales regiones espacio-temporales
asociadas a patrones anormales relacionados con la EP. Estos métodos se evaluaron en un conjunto
de 11 sujetos control y 11 pacientes con EP. La representación cinemática fue validada en un esquema
de clasificación utilizando diferentes modelos preentrenados, logrando una precisión media
de 99,62% para las regiones de los miembros inferiores y la cabeza. Mientras, para la representación
convolucional los mapas de saliencia resultantes destacaron los patrones de las extremidades
inferiores de los pacientes con EP, y de la cabeza y el tronco de los sujetos control, logrando una
precisión de 94,89%.
Description
Keywords
Enfermedad de Parkinson, Representación de patrones, Análisis de marcha, Marcadores clínicos