Tesis:
Detección automática de síntomas motores asociados a la enfermedad de Parkinson mediante relojes y teléfonos móviles inteligentes aplicando técnicas de inteligencia artificial
- Autor: Sigcha Guachamin, Luis Francisco
- Título: Detección automática de síntomas motores asociados a la enfermedad de Parkinson mediante relojes y teléfonos móviles inteligentes aplicando técnicas de inteligencia artificial
- Fecha: 2021
- Materia: Sin materia definida
- Escuela: E.T.S. DE INGENIEROS INDUSTRIALES
- Departamentos: INGENIERIA MECANICA
- Acceso electrónico: https://oa.upm.es/68904/
- Director/a 1º: Pavón García, Ignacio
- Director/a 2º: Martins Marques da Costa, Nélson Bruno
- Resumen: La enfermedad de Parkinson (EP) es una enfermedad neurológica degenerativa de los centros nerviosos del cerebro que son responsables del control del movimiento. La EP es la segunda enfermedad neurodegenerativa más común y se caracteriza por la presencia de síntomas relacionados principalmente con la competencia motora y con la salud mental como la demencia. La EP es una enfermedad que en la actualidad no tiene cura y los tratamientos se utilizan únicamente para controlar con los síntomas. Los enfoques de tradicionales para el diagnóstico y seguimiento de los síntomas de la EP pueden presentar desventajas importantes como la discontinuidad y la subjetividad al ser dependientes del criterio de un evaluador, situación que dificulta la realización de un seguimiento continuo y objetivo que permita mejorar la gestión y los tratamientos para esta enfermedad. En la actualidad es posible realizar un seguimiento continuado que refleje un espectro más completo de la sintomatología a través de las tecnologías de la información y la comunicación. La utilización estas herramientas tecnológicas puede ayudar a mejorar el conocimiento de esta enfermedad y pueden servir para el desarrollo de biomarcadores digitales que permitan analizar objetivamente la progresión de la EP. Esta tesis se enfoca en desarrollar, implementar y evaluar la capacidad de un sistema para el análisis de la competencia motora basado en una metodología que emplea una batería de ejercicios estandarizados que son realizados por un grupo de pacientes con EP. En esta metodología se emplearon tecnologías de salud móvil (m-health) como relojes y teléfonos inteligentes, dispositivos que fueron utilizados como mecanismo para la recolección de datos de movimiento en una etapa experimental realizada de manera remota. A partir de los datos de movimiento adquiridos en la etapa experimental, se extrajo información relevante para el seguimiento de los síntomas motores en la EP mediante la aplicación de diversas técnicas de inteligencia artificial. Con los resultados obtenidos al implementar la aproximación propuesta se evaluó la capacidad de los dispositivos vestibles (wearables) para la implementación de un sistema automatizado enfocado en la detección objetiva de síntomas motores asociados a la EP como la lentitud del movimiento (bradicinesia), los temblores de reposo y el congelamiento de la marcha. Los principales resultados obtenidos de este trabajo de tesis son una revisión del estado del arte sobre la técnicas empleadas para la detección automática de los síntomas motores cardinales mediante sensores vestibles, el desarrollo, la implementación y la validación de una herramienta especifica para la recolección de datos de movimiento denominada Monipar, y la propuesta y evaluación de diversas aproximaciones basadas en técnicas de aprendizaje profundo que han mostrado ser capaces de superar el estado el arte en la detección de síntomas específicos. ----------ABSTRACT---------- Parkinson's disease (PD) is a neurodegenerative disease of the central nervous of the brain that are responsible for the movement control. PD is the second most common neurodegenerative disease and is characterized by the presence of symptoms related primarily to motor competence and mental health such as dementia. PD is a disease that currently has no cure and treatments are used only for symptom control. Traditional approaches to the diagnosis and monitoring of PD symptoms can exhibit significant disadvantages such as discontinuity and subjectivity as they are dependent on the judgment of an evaluator, situation that makes it difficult to perform continuous and objective monitoring to improve management and treatments for this disease. Currently it is possible to perform a continuous tracking that reflects a more complete spectrum of the symptomatology through the use of the information and communication technologies. The use of this technological tools can help to improve the knowledge of this disease and can lead to the development of digital biomarkers that allow an objective analysis of the progression of PD. This thesis focuses on developing, implementing and evaluating the capability of a system for the analysis of motor competence based on a methodology that employs a battery of standardized exercises that are performed by a group of PD patients. In this methodology, mobile health technologies (m-health) were used such as smart watches and smart phones, devices that were used as a mechanism for the collection of movement data in an experimental stage performed remotely. From the movement data acquired in the experimental stage, relevant information was extracted for the monitoring of motor symptoms in PD through the application of several artificial intelligence techniques. With the results obtained by implementing the proposed approach, it was evaluated the capacity of wearable devices (wearables) for the implementation of an automated system focused on the objective detection of motor symptoms associated with PD such as slowness of movement (bradykinesia), resting tremors and freezing of gait. The main results obtained from this thesis work are a review of the state-of-the-art about the techniques used for the automatic detection of cardinal motor symptoms using wearable sensors, the development, implementation and validation of a specific tool for the collection of movement data named Monipar, and the proposal and evaluation of several approaches based on deep learning techniques that have been shown to be able to surpass the state of the art in the detection of specific symptoms.