Evaluación automática de la enfermedad de Parkinson a partir de señales de escritura online considerando arquitecturas de aprendizaje profundo como las CNNs

RESUMEN : La enfermedad de Parkinson es una enfermedad neurodegenerativa caracterizada por la aparición de diversos trastornos cognitivos y motores, provocados por la degeneración de las neuronas dopaminérgicas. Es una de las enfermedades neurodegenerativas más comunes y su diagnóstico es generalmente costoso en tiempo y dinero. Entre los síntomas motores más destacados está el deterioro en la calidad de la escritura donde síntomas como la micrografía y la disgrafia empiezan a manifestarse en etapas tempranas de la enfermedad, debido a esto es posible evaluar automáticamente la enfermedad de Parkinson analizando la perdida de habilidades grafomotoras cuando el paciente escribe en una tableta digitalizadora que captura seis señales diferentes en forma de series temporales que son las coordenadas cartesianas (x, y, z), ángulo azimut, ángulo de altitud y presión. En este trabajo se consideran las tareas de escritura online de 55 pacientes con la enfermedad de Parkinson y 55 personas sanas. Particularmente se trabajó con dibujos de la espiral de Arquímedes con el fin de analizar las diferentes señales extraídas cuando un sujeto escribe, dichas señales fueron utilizadas para ajustar arquitecturas de aprendizaje profundo basadas en redes neuronales convolucionales unidimensionales, donde cada señal es analizada de forma independiente usando un enfoque monocanal con el fin de identificar las señales que mejor discriminan la escritura de los pacientes con enfermedad de Parkinson. Además, se evalúa la combinación de las señales usando un enfoque multicanal, donde se busca determinar si se obtiene un modelo más robusto al analizar todas o algunas de las señales de manera conjunta. La generalización de los modelos desarrollados fue verificada mediante una estrategia de validación cruzada donde los mejores resultados se obtienen usando la señal de altitud para el enfoque monocanal y combinando las señales x, z y altitud en el enfoque multicanal. El modelo monocanal presenta un mejor balance en la clasificación de ambas clases. Finalmente, el multicanal presenta un desempeño inferior esto puede deberse a que algunas señales no aportan más información para detectar la enfermedad de Parkinson por medio del deterioro de las habilidades grafomotoras.

• Autores: Zapata Ortiz, Julio César
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/33356
• Acceso en línea: https://hdl.handle.net/10495/33356
• Palabra clave: Enfermedad de Parkinson; Parkinson's Disease; Aprendizaje profundo; Deep Learning; Análisis por series temporales; Escritura online; Online Handwriting; Redes Neuronales Convolucionales Unidimensionales; One-Dimensional Convolutional Neural Networks; Señales Dinámicas; Dynamic Signals
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-nd/2.5/co/