Caracterización de patrones de la enfermedad de Parkinson usando modelos de aprendizaje de máquina

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.authorGuayacán Chaparro, Luis Carlos
dc.contributor.evaluatorVanegas Arroyave, Marta Isabel
dc.contributor.evaluatorCifuentes de la Portilla, Christian J.
dc.date.accessioned2022-04-01T04:07:19Z
dc.date.available2022-04-01T04:07:19Z
dc.date.created2021
dc.date.issued2021
dc.description.abstractLa 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%.
dc.description.abstractenglishParkinson’s disease (PD) lacks a definitive diagnosis, being the observation of movement patterns the main analysis to characterize disease progression and design patients’ treatments. Among PD observations, gait movement patterns, such as step length and postural control, support disease characterization. However, this analysis is usually performed with marker-based protocols, reducing the description of gait and missing local patterns during locomotion. This work introduces: 1) A markerless computational method based on a complete kinematic characterization of body segments related to PD motor impairments. 2) A 3D convolutional representation of gait in an automatic PD classification context, highlighting spatio-temporal patterns learned for this task. These approaches obtain models that classify markerless sequences and describe the main spatiotemporal regions associated with abnormal PD-related patterns. These methods were evaluated on a set of 11 control subjects and 11 PD patients. The kinematic representation was validated in a classification scheme using different pretrained models, achieving a mean accuracy of 99,62% for the lower limb and head regions. Meanwhile, for the convolutional representation the obtained saliency maps highlighted the patterns of the lower limbs of PD patients, and the head and trunk of control subjects, achieving an accuracy of 94,89%.
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Matemática Aplicada
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/20.500.14071/9521
dc.language.isospa
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.subjectRepresentación de patrones
dc.subjectAnálisis de marcha
dc.subjectMarcadores clínicos
dc.subject.keywordParkinson’s Disease
dc.subject.keywordPattern Representation
dc.subject.keywordGait Analysis
dc.subject.keywordClinical Markers
dc.titleCaracterización de patrones de la enfermedad de Parkinson usando modelos de aprendizaje de máquina
dc.title.englishParkinson’s disease pattern characterization using Machine Learning models
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:
183340_licence.pdf
Size:
121.32 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
183340_nota.pdf
Size:
331.6 KB
Format:
Adobe Portable Document Format
Download
Thumbnail Image
Name:
183340_trabajo.pdf
Size:
7.38 MB
Format:
Adobe Portable Document Format
Download
Collections
Maestría en Matemática Aplicada