Una arquitectura volumétrica profunda para discriminar patrones parkinsonianos desde representaciones de poses intermedias
  La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo común a nivel mundial, con más de 6.2 millones de casos registrados. El análisis de la marcha desempeña un papel fundamental en la evaluación de las anomalías motoras asociadas con esta enfermedad. Sin embargo, los méto...
- Autores:
-
Portilla , Jean
Rangel, Edgar
Guayacán, Luis
Martínez, Fabio
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2024
- Institución:
- Universidad de San Buenaventura
- Repositorio:
- Repositorio USB
- Idioma:
- eng
- OAI Identifier:
- oai:bibliotecadigital.usb.edu.co:10819/29001
- Acceso en línea:
- https://hdl.handle.net/10819/29001
https://doi.org/10.21500/20112084.7405
- Palabra clave:
- Parkinson’s disease
posture
artificial neural networks
gait
Enfermedad de Parkinson
postura
redes neuronales artificiales
marcha
- Rights
- openAccess
- License
- http://purl.org/coar/access_right/c_abf2
| id |
SANBUENAV2_d9e4b463d124903b431d3e9935cb4f33 |
|---|---|
| oai_identifier_str |
oai:bibliotecadigital.usb.edu.co:10819/29001 |
| network_acronym_str |
SANBUENAV2 |
| network_name_str |
Repositorio USB |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Una arquitectura volumétrica profunda para discriminar patrones parkinsonianos desde representaciones de poses intermedias |
| dc.title.translated.spa.fl_str_mv |
Una arquitectura volumétrica profunda para discriminar patrones parkinsonianos desde representaciones de poses intermedias |
| title |
Una arquitectura volumétrica profunda para discriminar patrones parkinsonianos desde representaciones de poses intermedias |
| spellingShingle |
Una arquitectura volumétrica profunda para discriminar patrones parkinsonianos desde representaciones de poses intermedias Parkinson’s disease posture artificial neural networks gait Enfermedad de Parkinson postura redes neuronales artificiales marcha |
| title_short |
Una arquitectura volumétrica profunda para discriminar patrones parkinsonianos desde representaciones de poses intermedias |
| title_full |
Una arquitectura volumétrica profunda para discriminar patrones parkinsonianos desde representaciones de poses intermedias |
| title_fullStr |
Una arquitectura volumétrica profunda para discriminar patrones parkinsonianos desde representaciones de poses intermedias |
| title_full_unstemmed |
Una arquitectura volumétrica profunda para discriminar patrones parkinsonianos desde representaciones de poses intermedias |
| title_sort |
Una arquitectura volumétrica profunda para discriminar patrones parkinsonianos desde representaciones de poses intermedias |
| dc.creator.fl_str_mv |
Portilla , Jean Rangel, Edgar Guayacán, Luis Martínez, Fabio |
| dc.contributor.author.eng.fl_str_mv |
Portilla , Jean Rangel, Edgar Guayacán, Luis Martínez, Fabio |
| dc.subject.eng.fl_str_mv |
Parkinson’s disease posture artificial neural networks gait |
| topic |
Parkinson’s disease posture artificial neural networks gait Enfermedad de Parkinson postura redes neuronales artificiales marcha |
| dc.subject.spa.fl_str_mv |
Enfermedad de Parkinson postura redes neuronales artificiales marcha |
| description |
  La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo común a nivel mundial, con más de 6.2 millones de casos registrados. El análisis de la marcha desempeña un papel fundamental en la evaluación de las anomalías motoras asociadas con esta enfermedad. Sin embargo, los métodos actuales, como sistemas basados en marcadores, son intrusivos y dependientes de expertos. Se han propuesto alternativas sin marcadores, como el análisis de secuencias de video, que tienden a proporcionar puntajes de clasificación globales y carecen de la capacidad de interpretar la cinemática articular detalladamente. Se presenta una técnica innovadora utilizando redes convolucionales volumétricas que pueden aprender patrones posturales intermedios y distinguir entre pacientes con Parkinson y sujetos control. Este enfoque utiliza activaciones de OpenPose, y luego aplica una convolución jerárquica para minimizar la clasificación. En pruebas realizadas con 14 pacientes Parkinson y 16 sujetos control, este método alcanzó una precisión del 98% en clasificación. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-09-03T00:00:00Z 2025-08-22T16:59:36Z |
| dc.date.available.none.fl_str_mv |
2024-09-03T00:00:00Z 2025-08-22T16:59:36Z |
| dc.date.issued.none.fl_str_mv |
2024-09-03 |
| 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 |
10.21500/20112084.7405 |
| dc.identifier.eissn.none.fl_str_mv |
2011-7922 |
| dc.identifier.issn.none.fl_str_mv |
2011-2084 |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10819/29001 |
| dc.identifier.url.none.fl_str_mv |
https://doi.org/10.21500/20112084.7405 |
| identifier_str_mv |
10.21500/20112084.7405 2011-7922 2011-2084 |
| url |
https://hdl.handle.net/10819/29001 https://doi.org/10.21500/20112084.7405 |
| dc.language.iso.eng.fl_str_mv |
eng |
| language |
eng |
| dc.relation.bitstream.none.fl_str_mv |
https://revistas.usb.edu.co/index.php/IJPR/article/download/7405/5522 |
| dc.relation.citationedition.eng.fl_str_mv |
Núm. 2 , Año 2024 : Interdisciplinary Approaches for Human Cognition: Expanding Perspectives on the Mind |
| dc.relation.citationendpage.none.fl_str_mv |
90 |
| dc.relation.citationissue.eng.fl_str_mv |
2 |
| dc.relation.citationstartpage.none.fl_str_mv |
84 |
| dc.relation.citationvolume.eng.fl_str_mv |
17 |
| dc.relation.ispartofjournal.eng.fl_str_mv |
International Journal of Psychological Research |
| dc.relation.references.eng.fl_str_mv |
Baker, R. (2006). Gait analysis methods in rehabilitation. Journal of NeuroEngineering and Reha-bilitation, 3(1), 1–10. https://doi.org/10.1186/1743-0003-3-1 Cao, Z., Hidalgo, G., Simon, T., Wei, S.-E., & Sheikh, Y. (2021). OpenPose: Realtime multi-person 2D pose estimation using part affinity fields. IEEE Transactions on Pattern Analysis and Machine Intelligence, 43(1), 172–186. https://doi.org/10.1109/TPAMI.2019.2929257 Dorsey, E., Sherer, T., Okun, M. S., & Bloem, B. R. (2018). The emerging evidence of the Parkin-son pandemic. Journal of Parkinson’s Disease, 8(s1), S3–S8. https://doi.org/10.3233/JPD-181474 Feigin, V. L., Vos, T., Alahdab, F., Amit, A. M. L., Bärnighausen, T. W., Beghi, E., Beheshti, M., Chavan, P. P., Criqui, M. H., Desai, R., Dhamminda Dharmaratne, S., Dorsey, E. R., Wilder Eagan, A., Elgendy, I. Y., Filip, I., Giampaoli, S., Giussani, G., Hafezi-Nejad, N., Hole, M. K., … Murray, C. J. L. (2021). Burden of neurological disorders across the US from 1990–2017: A global burden of disease study. JAMA Neurology, 78(2), 165–176. https://doi.org/10.1001/jamaneurol.2020.4152 Guayacán, L. C., & Martínez, F. (2021). Visualising and quantifying relevant Parkinsonian gait patterns using 3D convolutional network. Journal of Biomedical Informatics, 123, 103935. https://doi.org/10.1016/j.jbi.2021.103935 The Lancet. (2017). Artificial intelligence in health care: Within touching distance. The Lancet, 390(10114), 2739. https://doi.org/10.1016/S0140-6736(17)32846-5 Rovini, E., Maremmani, C., & Cavallo, F. (2017). How wearable sensors can support Parkinson’s disease diagnosis and treatment: A systematic review. Frontiers in Neuroscience, 11, 555. https://doi.org/10.3389/fnins.2017.00555 Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556. https://doi.org/10.48550/arXiv.1409.1556 Tolosa, E., Garrido, A., Scholz, S. W., & Poewe, W. (2021). Challenges in the diagnosis of Par-kinson’s disease. The Lancet Neurology, 20(5), 385–397. https://doi.org/10.1016/S1474-4422(21)00030-2 Varol, G., Laptev, I., & Schmid, C. (2017). Long-term temporal convolutions for action recogni-tion. IEEE Transactions on Pattern Analysis and Machine Intelligence, 40(6), 1510–1517. https://doi.org/10.1109/TPAMI.2017.272304 |
| 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 |
http://creativecommons.org/licenses/by-nc-nd/4.0 |
| eu_rights_str_mv |
openAccess |
| rights_invalid_str_mv |
http://purl.org/coar/access_right/c_abf2 http://creativecommons.org/licenses/by-nc-nd/4.0 |
| dc.format.mimetype.eng.fl_str_mv |
application/pdf |
| dc.publisher.eng.fl_str_mv |
Universidad San Buenaventura - USB (Colombia) |
| dc.source.eng.fl_str_mv |
https://revistas.usb.edu.co/index.php/IJPR/article/view/7405 |
| institution |
Universidad de San Buenaventura |
| bitstream.url.fl_str_mv |
https://bibliotecadigital.usb.edu.co/bitstreams/b0ae0721-5214-4aaf-a276-62f3b4539613/download |
| bitstream.checksum.fl_str_mv |
6977ecc7ccaf393ea8a0270e333a0d8f |
| 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_ |
1851053595510702080 |
| spelling |
Portilla , JeanRangel, EdgarGuayacán, LuisMartínez, Fabio2024-09-03T00:00:00Z2025-08-22T16:59:36Z2024-09-03T00:00:00Z2025-08-22T16:59:36Z2024-09-03  La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo común a nivel mundial, con más de 6.2 millones de casos registrados. El análisis de la marcha desempeña un papel fundamental en la evaluación de las anomalías motoras asociadas con esta enfermedad. Sin embargo, los métodos actuales, como sistemas basados en marcadores, son intrusivos y dependientes de expertos. Se han propuesto alternativas sin marcadores, como el análisis de secuencias de video, que tienden a proporcionar puntajes de clasificación globales y carecen de la capacidad de interpretar la cinemática articular detalladamente. Se presenta una técnica innovadora utilizando redes convolucionales volumétricas que pueden aprender patrones posturales intermedios y distinguir entre pacientes con Parkinson y sujetos control. Este enfoque utiliza activaciones de OpenPose, y luego aplica una convolución jerárquica para minimizar la clasificación. En pruebas realizadas con 14 pacientes Parkinson y 16 sujetos control, este método alcanzó una precisión del 98% en clasificación.Parkinson’s disease (PD) is a common neurodegenerative disorder worldwide, with over 6.2 million registered cases. Gait analysis plays a fundamental role in evaluating motor abnormalities associated with this disease. However, current methods, such as marker-based systems, are intrusive and expert-dependent. Markerless alternatives, like video sequence analysis, have been proposed, but they tend to provide overall classification scores and lack the ability to interpret joint kinematics in detail. An innovative technique is presented using volumetric convolutional networks that can learn intermediate postural patterns and distinguish between Parkinson’s patients and control subjects. This approach utilizes OpenPose activations and then applies hierarchical convolution to minimize classification. In tests conducted with 14 Parkinson’s patients and 16 control subjects, this method achieved a classification accuracy of 98%.application/pdf10.21500/20112084.74052011-79222011-2084https://hdl.handle.net/10819/29001https://doi.org/10.21500/20112084.7405engUniversidad San Buenaventura - USB (Colombia)https://revistas.usb.edu.co/index.php/IJPR/article/download/7405/5522Núm. 2 , Año 2024 : Interdisciplinary Approaches for Human Cognition: Expanding Perspectives on the Mind9028417International Journal of Psychological ResearchBaker, R. (2006). Gait analysis methods in rehabilitation. Journal of NeuroEngineering and Reha-bilitation, 3(1), 1–10. https://doi.org/10.1186/1743-0003-3-1 Cao, Z., Hidalgo, G., Simon, T., Wei, S.-E., & Sheikh, Y. (2021). OpenPose: Realtime multi-person 2D pose estimation using part affinity fields. IEEE Transactions on Pattern Analysis and Machine Intelligence, 43(1), 172–186. https://doi.org/10.1109/TPAMI.2019.2929257 Dorsey, E., Sherer, T., Okun, M. S., & Bloem, B. R. (2018). The emerging evidence of the Parkin-son pandemic. Journal of Parkinson’s Disease, 8(s1), S3–S8. https://doi.org/10.3233/JPD-181474 Feigin, V. L., Vos, T., Alahdab, F., Amit, A. M. L., Bärnighausen, T. W., Beghi, E., Beheshti, M., Chavan, P. P., Criqui, M. H., Desai, R., Dhamminda Dharmaratne, S., Dorsey, E. R., Wilder Eagan, A., Elgendy, I. Y., Filip, I., Giampaoli, S., Giussani, G., Hafezi-Nejad, N., Hole, M. K., … Murray, C. J. L. (2021). Burden of neurological disorders across the US from 1990–2017: A global burden of disease study. JAMA Neurology, 78(2), 165–176. https://doi.org/10.1001/jamaneurol.2020.4152 Guayacán, L. C., & Martínez, F. (2021). Visualising and quantifying relevant Parkinsonian gait patterns using 3D convolutional network. Journal of Biomedical Informatics, 123, 103935. https://doi.org/10.1016/j.jbi.2021.103935 The Lancet. (2017). Artificial intelligence in health care: Within touching distance. The Lancet, 390(10114), 2739. https://doi.org/10.1016/S0140-6736(17)32846-5 Rovini, E., Maremmani, C., & Cavallo, F. (2017). How wearable sensors can support Parkinson’s disease diagnosis and treatment: A systematic review. Frontiers in Neuroscience, 11, 555. https://doi.org/10.3389/fnins.2017.00555 Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556. https://doi.org/10.48550/arXiv.1409.1556 Tolosa, E., Garrido, A., Scholz, S. W., & Poewe, W. (2021). Challenges in the diagnosis of Par-kinson’s disease. The Lancet Neurology, 20(5), 385–397. https://doi.org/10.1016/S1474-4422(21)00030-2 Varol, G., Laptev, I., & Schmid, C. (2017). Long-term temporal convolutions for action recogni-tion. IEEE Transactions on Pattern Analysis and Machine Intelligence, 40(6), 1510–1517. https://doi.org/10.1109/TPAMI.2017.272304info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.http://creativecommons.org/licenses/by-nc-nd/4.0https://revistas.usb.edu.co/index.php/IJPR/article/view/7405Parkinson’s diseasepostureartificial neural networksgaitEnfermedad de Parkinsonposturaredes neuronales artificialesmarchaUna arquitectura volumétrica profunda para discriminar patrones parkinsonianos desde representaciones de poses intermediasUna arquitectura volumétrica profunda para discriminar patrones parkinsonianos desde representaciones de poses intermediasArtículo 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/xml2724https://bibliotecadigital.usb.edu.co/bitstreams/b0ae0721-5214-4aaf-a276-62f3b4539613/download6977ecc7ccaf393ea8a0270e333a0d8fMD5110819/29001oai:bibliotecadigital.usb.edu.co:10819/290012025-08-22 11:59:36.916http://creativecommons.org/licenses/by-nc-nd/4.0https://bibliotecadigital.usb.edu.coRepositorio Institucional Universidad de San Buenaventura Colombiabdigital@metabiblioteca.com |