Uso de algoritmos de aprendizaje automático para la clasificación de la marcha de enfermedades neurodegenerativas

Las enfermedades neurodegenerativas afectan el sistema neuromusculoesquelético generando trastornos del movimiento. La detección de los síntomas suele producirse en las últimas fases de la enfermedad, por lo que una detección temprana ayudaría a introducir terapias para reducir los efectos de las en...

Full description

Autores:: Cárdenas Torres, Andrés Mauricio
Ealo Otero, Luis Carlos
Uribe Perez, Juliana
Gomez Gomez, Beatriz Liliana

Tipo de recurso:: Article of journal

Fecha de publicación:: 2023

Institución:: Universidad de San Buenaventura

Repositorio:: Repositorio USB

Idioma:: eng

id	SANBUENAV2_66402a4455891937e7278a8030de808d
oai_identifier_str	oai:bibliotecadigital.usb.edu.co:10819/29025
network_acronym_str	SANBUENAV2
network_name_str	Repositorio USB
repository_id_str
dc.title.spa.fl_str_mv	Uso de algoritmos de aprendizaje automático para la clasificación de la marcha de enfermedades neurodegenerativas
dc.title.translated.eng.fl_str_mv	Using Machine Learning Algorithms for Neurodegenerative Disease Gait Classification
title	Uso de algoritmos de aprendizaje automático para la clasificación de la marcha de enfermedades neurodegenerativas
spellingShingle	Uso de algoritmos de aprendizaje automático para la clasificación de la marcha de enfermedades neurodegenerativas Enfermedades Neurodegenerativas Redes Neuronales Fuzzy C-means Análisis de datos multivariantes Aprendizaje automático
title_short	Uso de algoritmos de aprendizaje automático para la clasificación de la marcha de enfermedades neurodegenerativas
title_full	Uso de algoritmos de aprendizaje automático para la clasificación de la marcha de enfermedades neurodegenerativas
title_fullStr	Uso de algoritmos de aprendizaje automático para la clasificación de la marcha de enfermedades neurodegenerativas
title_full_unstemmed	Uso de algoritmos de aprendizaje automático para la clasificación de la marcha de enfermedades neurodegenerativas
title_sort	Uso de algoritmos de aprendizaje automático para la clasificación de la marcha de enfermedades neurodegenerativas
dc.creator.fl_str_mv	Cárdenas Torres, Andrés Mauricio Ealo Otero, Luis Carlos Uribe Perez, Juliana Gomez Gomez, Beatriz Liliana
dc.contributor.author.spa.fl_str_mv	Cárdenas Torres, Andrés Mauricio Ealo Otero, Luis Carlos Uribe Perez, Juliana Gomez Gomez, Beatriz Liliana
dc.subject.eng.fl_str_mv	Enfermedades Neurodegenerativas Redes Neuronales Fuzzy C-means Análisis de datos multivariantes Aprendizaje automático
topic	Enfermedades Neurodegenerativas Redes Neuronales Fuzzy C-means Análisis de datos multivariantes Aprendizaje automático
description	Las enfermedades neurodegenerativas afectan el sistema neuromusculoesquelético generando trastornos del movimiento. La detección de los síntomas suele producirse en las últimas fases de la enfermedad, por lo que una detección temprana ayudaría a introducir terapias para reducir los efectos de las enfermedades y retrasar el deterioro. La base de datos PhysioNet proporciona información sobre la biomecánica de la marcha de voluntarios sanos y de pacientes de Parkinson (PD), esclerosis lateral amiotrófica (ALS) y Huntington (HD). En este trabajo se utilizan datos espacio-temporales para medir el coste energético y la densidad espectral de potencia en esas patologías. Estos parámetros se analizaron estadísticamente para definir descriptores explicativos. Posteriormente, se utilizan la técnica fuzzy c-means, algoritmo de aprendizaje para el análisis de datos multivariados - LAMDA, y redes neuronales para clasificar entre las enfermedades neurodegenerativas y el grupo de control. Se utilizó el método de validación cruzada para evaluar los resultados del algoritmo de clasificación. El análisis estadístico mostró que el coste de la energía aumentaba en la fase de apoyo, la velocidad de la marcha disminuía en condiciones críticas de la enfermedad y la cadencia era diferente según el tipo de enfermedad.
publishDate	2023
dc.date.accessioned.none.fl_str_mv	2023-09-18T11:40:58Z 2025-08-22T17:04:24Z
dc.date.available.none.fl_str_mv	2023-09-18T11:40:58Z 2025-08-22T17:04:24Z
dc.date.issued.none.fl_str_mv	2023-09-18
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coar.eng.fl_str_mv	http://purl.org/coar/resource_type/c_6501
dc.type.coarversion.eng.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.content.eng.fl_str_mv	Text
dc.type.driver.eng.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.version.eng.fl_str_mv	info:eu-repo/semantics/publishedVersion
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.doi.none.fl_str_mv	10.21500/20275846.6081
dc.identifier.eissn.none.fl_str_mv	2027-5846
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/10819/29025
dc.identifier.url.none.fl_str_mv	https://doi.org/10.21500/20275846.6081
identifier_str_mv	10.21500/20275846.6081 2027-5846
url	https://hdl.handle.net/10819/29025 https://doi.org/10.21500/20275846.6081
dc.language.iso.eng.fl_str_mv	eng
language	eng
dc.relation.bitstream.none.fl_str_mv	https://revistas.usb.edu.co/index.php/IngUSBmed/article/download/6081/5204
dc.relation.citationedition.spa.fl_str_mv	Núm. 2 , Año 2023 : Ingenierías USBMed
dc.relation.citationendpage.none.fl_str_mv	14
dc.relation.citationissue.spa.fl_str_mv	2
dc.relation.citationstartpage.none.fl_str_mv	8
dc.relation.citationvolume.spa.fl_str_mv	14
dc.relation.ispartofjournal.spa.fl_str_mv	Ingenierías USBMed
dc.relation.references.eng.fl_str_mv	S. Tabrizi, Neurodegenerative diseases neurobiology pathogenesis and therapeutics, vol. 77, no. 2. 2006. [2] D. R. Peterson and J. D. Bronzino, Biomechanics Principles and Applications, Second. Boca Raton: CRC Press, 2008. [3] P. M. Thompson and H. V Vinters, “Chapter 1 - Pathologic Lesions in Neurodegenerative Diseases,” in Molecular Biology of Neurodegenerative Diseases, vol. 107, D. B. B. T.-P. in M. B. and T. S. Teplow, Ed. Academic Press, 2012, pp. 1–40. [4] F. E. Micheli, Enfermedad de Parkinson y trastornos relacionados, 2nd ed. Buenos Aires: Editorial Médica Panamericana s.a., 2006. [5] S. M. Albert, “Amyotrophic Lateral Sclerosis: A Patient Care Guide for Clinicians,” Neurology, vol. 82, no. 9, pp. 820 LP – 820, Mar. 2014, [Online]. Available: http://n.neurology.org/content/82/9/820.abstract. [6] V. Medved, Measurement of Human Locomotion. Boca Raton: CRC Press, 2000. [7] S. Mandeep, S. Mooninder, and S. Paramjeet, “Neuro-Degenerative Disease Diagnosis using Human Gait: A Review,” Int. J. Interact. Multimed. Artif. Intell., vol. 7, no. 1, pp. 16–20, 2013, [Online]. Available: http://www.csjournals.com/IJITKM/PDF 7-1/4.pdf. [8] R. de M. Roiz, E. W. A. Cacho, M. M. Pazinatto, J. G. Reis, A. Cliquet Jr, and E. M. A. Barasnevicius-Quagliato, “Gait analysis comparing Parkinson’s disease with healthy elderly subjects,” Arq. Neuropsiquiatr., vol. 68, pp. 81–86, 2010, [Online]. Available: http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0004-282X2010000100018&nrm=iso. [9] O. Sofuwa, A. Nieuwboer, K. Desloovere, A.-M. Willems, F. Chavret, and I. Jonkers, “Quantitative Gait Analysis in Parkinson’s Disease: Comparison With a Healthy Control Group,” Arch. Phys. Med. Rehabil., vol. 86, no. 5, pp. 1007–1013, 2005, doi: https://doi.org/10.1016/j.apmr.2004.08.012. [10] A. Delval et al., “A biomechanical study of gait initiation in Huntington’s disease,” Gait Posture, vol. 25, no. 2, pp. 279–288, 2007, doi: https://doi.org/10.1016/j.gaitpost.2006.04.001. [11] M. Tinelli, P. Kanavos, and F. Grimaccia, “The value of early diagnosis and treatment in Parkinson’s disease: a literature review of the potential clinical and socioeconomic impact of targeting unmet needs in Parkinson’s disease,” The London School of Economics and Political Science, London, 2016. Accessed: Oct. 17, 2018. [Online]. Available: http://eprints.lse.ac.uk/id/eprint/68479. [12] S. Bilgin, “The impact of feature extraction for the classification of amyotrophic lateral sclerosis among neurodegenerative diseases and healthy subjects,” Biomed. Signal Process. Control, vol. 31, no. Supplement C, pp. 288–294, 2017, doi: https://doi.org/10.1016/j.bspc.2016.08.016. [13] Y. Xia, Q. Gao, and Q. Ye, “Classification of gait rhythm signals between patients with neuro-degenerative diseases and normal subjects: Experiments with statistical features and different classification models,” Biomed. Signal Process. Control, vol. 18, no. Complete, pp. 254–262, 2015, doi: 10.1016/j.bspc.2015.02.002. [14] W. Zeng and C. Wang, “Classification of Neurodegenerative Diseases Using Gait Dynamics via Deterministic Learning,” Inf. Sci., vol. 317, no. C, pp. 246–258, 2015, doi: 10.1016/j.ins.2015.04.047. [15] R. Martins, C. Figueira, H. Gamboa, A. Veloso, and R. Matias, “Automatising gait kinematics classification with fast and accurate machine learning algorithms,” Gait Posture, vol. 42, p. S101, 2015, doi: https://doi.org/10.1016/j.gaitpost.2015.06.184. [16] R. Matias, R. Martins, J. Magarreiro, A. L. Gomes, C. Cavaco, and H. Gamboa, “A reliable classification system for neuromusculoskeletal gait disorders,” Gait Posture, vol. 42, p. S78, 2015, doi: https://doi.org/10.1016/j.gaitpost.2015.03.132. [17] J. Aguilar-Martin and R. Lopez de Mantaras, “The process of classification and learning the meaning of linguistic descriptors of concepts,” in Approximate Reasoning in Decision Analysis, M. M. Gupta and E. Sánchez, Eds. Amsterdam: North-Holland Pub. Co, 1982, pp. 165–175. [18] J. M. Hausdorff, A. Lertratanakul, M. E. Cudkowicz, A. L. Peterson, D. Kaliton, and A. L. Goldberger, “Gait Dynamics in Neuro-Degenerative Disease Data Base,” 2015. . [19] J. M. Hausdorff, Z. Ladin, and J. Y. Wei, “Footswitch system for measurement of the temporal parameters of gait,” J. Biomech., vol. 28, no. 3, pp. 347–351, 1995, doi: https://doi.org/10.1016/0021-9290(94)00074-E. [20] J. M. Hausdorff, A. Lertratanakul, M. E. Cudkowicz, A. L. Peterson, D. Kaliton, and A. L. Goldberger, “Dynamic markers of altered gait rhythm in amyotrophic lateral sclerosis,” J. Appl. Physiol., vol. 88, no. 6, pp. 2045–2053, 2000, [Online]. Available: http://jap.physiology.org/content/88/6/2045. [21] S. Bandyopadhyay and S. Saha, Unsupervised Classification. Berlin, Heidelberg: Springer Berlin Heidelberg, 2013. [22] J. C. Dunn, “A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters,” J. Cybern., vol. 3, no. 3, pp. 32–57, Jan. 1973, doi: 10.1080/01969727308546046. [23] A. C. Rencher, Methods of Multivariate Analysis, 2nd ed. United States of America: Wiley-Interscience, 2002. [24] S. E. Maxwell, H. D. Delaney, and K. Kelley, Designing Experiments and Analyzing Data: A Model Comparison Perspective, 3rd ed. New York, NY, USA: Routledge, 2017. [25] K. M. Beavers et al., “Associations between body composition and gait-speed decline: results from the Health, Aging, and Body Composition study,” Am. J. Clin. Nutr., vol. 97, no. 3, pp. 552–560, Mar. 2013, doi: 10.3945/ajcn.112.047860. [26] J. A. Schrack, E. M. Simonsick, and L. Ferrucci, “The Relationship of the Energetic Cost of Slow Walking and Peak Energy Expenditure to Gait Speed in Mid-to-Late Life,” Am. J. Phys. Med. Rehabil., vol. 92, no. 1, pp. 28–35, Jan. 2013, doi: 10.1097/PHM.0b013e3182644165. [27] F. Merrikh-Bayat, “Time series analysis of parkinson’s disease, huntington’s disease and amyotrophic lateral sclerosis,” Procedia Comput. Sci., vol. 3, no. Supplement C, pp. 210–215, 2011, doi: https://doi.org/10.1016/j.procs.2010.12.035. [28] A. Reeve, E. Simcox, and D. Turnbull, “Ageing and Parkinson’s disease: why is advancing age the biggest risk factor?,” Ageing Res. Rev., vol. 14, no. 100, pp. 19–30, Mar. 2014, doi: 10.1016/j.arr.2014.01.004. [29] A. Eisen, M. Schulzer, M. MacNeil, B. Pant, and E. Mak, “Duration of amyotrophic lateral sclerosis is age dependent.,” Muscle Nerve, vol. 16, no. 1, pp. 27–32, Jan. 1993, doi: 10.1002/mus.880160107.
dc.rights.eng.fl_str_mv	Ingenierías USBMed - 2023
dc.rights.accessrights.eng.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.eng.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.eng.fl_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0
rights_invalid_str_mv	Ingenierías USBMed - 2023 http://purl.org/coar/access_right/c_abf2 https://creativecommons.org/licenses/by-nc-nd/4.0
eu_rights_str_mv	openAccess
dc.format.mimetype.eng.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Universidad San Buenaventura - USB (Colombia)
dc.source.eng.fl_str_mv	https://revistas.usb.edu.co/index.php/IngUSBmed/article/view/6081
institution	Universidad de San Buenaventura
bitstream.url.fl_str_mv	https://bibliotecadigital.usb.edu.co/bitstreams/ebf56457-1f62-4333-af32-4d1b30b8ee1b/download
bitstream.checksum.fl_str_mv	ce7a129a3c32fc1afb87f7ee377c8793
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Repositorio Institucional Universidad de San Buenaventura Colombia
repository.mail.fl_str_mv	bdigital@metabiblioteca.com
_version_	1851053506142666752
spelling	Cárdenas Torres, Andrés MauricioEalo Otero, Luis CarlosUribe Perez, JulianaGomez Gomez, Beatriz Liliana2023-09-18T11:40:58Z2025-08-22T17:04:24Z2023-09-18T11:40:58Z2025-08-22T17:04:24Z2023-09-18Las enfermedades neurodegenerativas afectan el sistema neuromusculoesquelético generando trastornos del movimiento. La detección de los síntomas suele producirse en las últimas fases de la enfermedad, por lo que una detección temprana ayudaría a introducir terapias para reducir los efectos de las enfermedades y retrasar el deterioro. La base de datos PhysioNet proporciona información sobre la biomecánica de la marcha de voluntarios sanos y de pacientes de Parkinson (PD), esclerosis lateral amiotrófica (ALS) y Huntington (HD). En este trabajo se utilizan datos espacio-temporales para medir el coste energético y la densidad espectral de potencia en esas patologías. Estos parámetros se analizaron estadísticamente para definir descriptores explicativos. Posteriormente, se utilizan la técnica fuzzy c-means, algoritmo de aprendizaje para el análisis de datos multivariados - LAMDA, y redes neuronales para clasificar entre las enfermedades neurodegenerativas y el grupo de control. Se utilizó el método de validación cruzada para evaluar los resultados del algoritmo de clasificación. El análisis estadístico mostró que el coste de la energía aumentaba en la fase de apoyo, la velocidad de la marcha disminuía en condiciones críticas de la enfermedad y la cadencia era diferente según el tipo de enfermedad.La detección de los síntomas de las enfermedades neurodegenerativas suele producirse en las últimas fases de la enfermedad, por lo que una detección temprana ayudaría a mejorar la calidad de vida del paciente. La base de datos PhysioNet proporciona información sobre la biomecánica de pacientes con la enfermedad de Parkinson (EP), la esclerosis lateral amiotrófica (ELA) y la enfermedad de Huntington (EH). En este trabajo se utilizan datos espacio-temporales para medir el coste energético y la densidad espectral de potencia en estas patologías. Se utilizan técnicas de c-medias difusas, algoritmo de aprendizaje para el análisis de datos multivariados - LAMDA, y redes neuronales para clasificar datos de marcha de voluntarios con enfermedades neurodegenerativas y un grupo de control. Se entrenaron clasificadores de dos clases: Ctrl+PD, Ctrl+PD y Ctrl+HD. El emparejamiento mejoró el ajuste de LAMDA con un 98,3%, el de la red neuronal con un 97,0% y el de Fuzzy C-means con un 90,2%. El uso potencial de estas técnicas de clasificación permitirá la detección temprana de enfermedades neurodegenerativas, incluyendo nuevos dispositivos que permitan el análisis de la marcha fuera del laboratorio.application/pdf10.21500/20275846.60812027-5846https://hdl.handle.net/10819/29025https://doi.org/10.21500/20275846.6081engUniversidad San Buenaventura - USB (Colombia)https://revistas.usb.edu.co/index.php/IngUSBmed/article/download/6081/5204Núm. 2 , Año 2023 : Ingenierías USBMed142814Ingenierías USBMedS. Tabrizi, Neurodegenerative diseases neurobiology pathogenesis and therapeutics, vol. 77, no. 2. 2006. [2] D. R. Peterson and J. D. Bronzino, Biomechanics Principles and Applications, Second. Boca Raton: CRC Press, 2008. [3] P. M. Thompson and H. V Vinters, “Chapter 1 - Pathologic Lesions in Neurodegenerative Diseases,” in Molecular Biology of Neurodegenerative Diseases, vol. 107, D. B. B. T.-P. in M. B. and T. S. Teplow, Ed. Academic Press, 2012, pp. 1–40. [4] F. E. Micheli, Enfermedad de Parkinson y trastornos relacionados, 2nd ed. Buenos Aires: Editorial Médica Panamericana s.a., 2006. [5] S. M. Albert, “Amyotrophic Lateral Sclerosis: A Patient Care Guide for Clinicians,” Neurology, vol. 82, no. 9, pp. 820 LP – 820, Mar. 2014, [Online]. Available: http://n.neurology.org/content/82/9/820.abstract. [6] V. Medved, Measurement of Human Locomotion. Boca Raton: CRC Press, 2000. [7] S. Mandeep, S. Mooninder, and S. Paramjeet, “Neuro-Degenerative Disease Diagnosis using Human Gait: A Review,” Int. J. Interact. Multimed. Artif. Intell., vol. 7, no. 1, pp. 16–20, 2013, [Online]. Available: http://www.csjournals.com/IJITKM/PDF 7-1/4.pdf. [8] R. de M. Roiz, E. W. A. Cacho, M. M. Pazinatto, J. G. Reis, A. Cliquet Jr, and E. M. A. Barasnevicius-Quagliato, “Gait analysis comparing Parkinson’s disease with healthy elderly subjects,” Arq. Neuropsiquiatr., vol. 68, pp. 81–86, 2010, [Online]. Available: http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0004-282X2010000100018&nrm=iso. [9] O. Sofuwa, A. Nieuwboer, K. Desloovere, A.-M. Willems, F. Chavret, and I. Jonkers, “Quantitative Gait Analysis in Parkinson’s Disease: Comparison With a Healthy Control Group,” Arch. Phys. Med. Rehabil., vol. 86, no. 5, pp. 1007–1013, 2005, doi: https://doi.org/10.1016/j.apmr.2004.08.012. [10] A. Delval et al., “A biomechanical study of gait initiation in Huntington’s disease,” Gait Posture, vol. 25, no. 2, pp. 279–288, 2007, doi: https://doi.org/10.1016/j.gaitpost.2006.04.001. [11] M. Tinelli, P. Kanavos, and F. Grimaccia, “The value of early diagnosis and treatment in Parkinson’s disease: a literature review of the potential clinical and socioeconomic impact of targeting unmet needs in Parkinson’s disease,” The London School of Economics and Political Science, London, 2016. Accessed: Oct. 17, 2018. [Online]. Available: http://eprints.lse.ac.uk/id/eprint/68479. [12] S. Bilgin, “The impact of feature extraction for the classification of amyotrophic lateral sclerosis among neurodegenerative diseases and healthy subjects,” Biomed. Signal Process. Control, vol. 31, no. Supplement C, pp. 288–294, 2017, doi: https://doi.org/10.1016/j.bspc.2016.08.016. [13] Y. Xia, Q. Gao, and Q. Ye, “Classification of gait rhythm signals between patients with neuro-degenerative diseases and normal subjects: Experiments with statistical features and different classification models,” Biomed. Signal Process. Control, vol. 18, no. Complete, pp. 254–262, 2015, doi: 10.1016/j.bspc.2015.02.002. [14] W. Zeng and C. Wang, “Classification of Neurodegenerative Diseases Using Gait Dynamics via Deterministic Learning,” Inf. Sci., vol. 317, no. C, pp. 246–258, 2015, doi: 10.1016/j.ins.2015.04.047. [15] R. Martins, C. Figueira, H. Gamboa, A. Veloso, and R. Matias, “Automatising gait kinematics classification with fast and accurate machine learning algorithms,” Gait Posture, vol. 42, p. S101, 2015, doi: https://doi.org/10.1016/j.gaitpost.2015.06.184. [16] R. Matias, R. Martins, J. Magarreiro, A. L. Gomes, C. Cavaco, and H. Gamboa, “A reliable classification system for neuromusculoskeletal gait disorders,” Gait Posture, vol. 42, p. S78, 2015, doi: https://doi.org/10.1016/j.gaitpost.2015.03.132. [17] J. Aguilar-Martin and R. Lopez de Mantaras, “The process of classification and learning the meaning of linguistic descriptors of concepts,” in Approximate Reasoning in Decision Analysis, M. M. Gupta and E. Sánchez, Eds. Amsterdam: North-Holland Pub. Co, 1982, pp. 165–175. [18] J. M. Hausdorff, A. Lertratanakul, M. E. Cudkowicz, A. L. Peterson, D. Kaliton, and A. L. Goldberger, “Gait Dynamics in Neuro-Degenerative Disease Data Base,” 2015. . [19] J. M. Hausdorff, Z. Ladin, and J. Y. Wei, “Footswitch system for measurement of the temporal parameters of gait,” J. Biomech., vol. 28, no. 3, pp. 347–351, 1995, doi: https://doi.org/10.1016/0021-9290(94)00074-E. [20] J. M. Hausdorff, A. Lertratanakul, M. E. Cudkowicz, A. L. Peterson, D. Kaliton, and A. L. Goldberger, “Dynamic markers of altered gait rhythm in amyotrophic lateral sclerosis,” J. Appl. Physiol., vol. 88, no. 6, pp. 2045–2053, 2000, [Online]. Available: http://jap.physiology.org/content/88/6/2045. [21] S. Bandyopadhyay and S. Saha, Unsupervised Classification. Berlin, Heidelberg: Springer Berlin Heidelberg, 2013. [22] J. C. Dunn, “A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters,” J. Cybern., vol. 3, no. 3, pp. 32–57, Jan. 1973, doi: 10.1080/01969727308546046. [23] A. C. Rencher, Methods of Multivariate Analysis, 2nd ed. United States of America: Wiley-Interscience, 2002. [24] S. E. Maxwell, H. D. Delaney, and K. Kelley, Designing Experiments and Analyzing Data: A Model Comparison Perspective, 3rd ed. New York, NY, USA: Routledge, 2017. [25] K. M. Beavers et al., “Associations between body composition and gait-speed decline: results from the Health, Aging, and Body Composition study,” Am. J. Clin. Nutr., vol. 97, no. 3, pp. 552–560, Mar. 2013, doi: 10.3945/ajcn.112.047860. [26] J. A. Schrack, E. M. Simonsick, and L. Ferrucci, “The Relationship of the Energetic Cost of Slow Walking and Peak Energy Expenditure to Gait Speed in Mid-to-Late Life,” Am. J. Phys. Med. Rehabil., vol. 92, no. 1, pp. 28–35, Jan. 2013, doi: 10.1097/PHM.0b013e3182644165. [27] F. Merrikh-Bayat, “Time series analysis of parkinson’s disease, huntington’s disease and amyotrophic lateral sclerosis,” Procedia Comput. Sci., vol. 3, no. Supplement C, pp. 210–215, 2011, doi: https://doi.org/10.1016/j.procs.2010.12.035. [28] A. Reeve, E. Simcox, and D. Turnbull, “Ageing and Parkinson’s disease: why is advancing age the biggest risk factor?,” Ageing Res. Rev., vol. 14, no. 100, pp. 19–30, Mar. 2014, doi: 10.1016/j.arr.2014.01.004. [29] A. Eisen, M. Schulzer, M. MacNeil, B. Pant, and E. Mak, “Duration of amyotrophic lateral sclerosis is age dependent.,” Muscle Nerve, vol. 16, no. 1, pp. 27–32, Jan. 1993, doi: 10.1002/mus.880160107.Ingenierías USBMed - 2023info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.https://creativecommons.org/licenses/by-nc-nd/4.0https://revistas.usb.edu.co/index.php/IngUSBmed/article/view/6081Enfermedades NeurodegenerativasRedes NeuronalesFuzzy C-meansAnálisis de datos multivariantesAprendizaje automáticoUso de algoritmos de aprendizaje automático para la clasificación de la marcha de enfermedades neurodegenerativasUsing Machine Learning Algorithms for Neurodegenerative Disease Gait ClassificationArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/version/c_970fb48d4fbd8a85Textinfo:eu-repo/semantics/articleJournal articleinfo:eu-repo/semantics/publishedVersionPublicationOREORE.xmltext/xml2784https://bibliotecadigital.usb.edu.co/bitstreams/ebf56457-1f62-4333-af32-4d1b30b8ee1b/downloadce7a129a3c32fc1afb87f7ee377c8793MD5110819/29025oai:bibliotecadigital.usb.edu.co:10819/290252025-08-22 12:04:24.391https://creativecommons.org/licenses/by-nc-nd/4.0https://bibliotecadigital.usb.edu.coRepositorio Institucional Universidad de San Buenaventura Colombiabdigital@metabiblioteca.com

Uso de algoritmos de aprendizaje automático para la clasificación de la marcha de enfermedades neurodegenerativas

Publicaciones similares