Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Martínez Carrillo, FabioOlmos Rojas, Juan Andrés2023-05-282023-05-282023-05-172023-05-17https://noesis.uis.edu.co/handle/20.500.14071/14406La 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.application/pdfenginfo:eu-repo/semantics/openAccessEnfermedad de ParkinsonPatrones oculomotoresMatrices SPDAprendizaje profundo no-linealVariedad riemannianaUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - MaestríaUniversidad Industrial de Santanderhttps://noesis.uis.edu.coParkinson’s DiseaseOculomotor PatternsSPD MatricesRiemannian Non-Linear LearningRiemannian Manifoldhttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)