Construction of a temporal latent representation for early-stage Parkinson’s disease classification
Cargando...
Autores
Director
Tipo de contenido
Editor
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La identificación de estadios tempranos de la Enfermedad de Parkinson (EP) sigue siendo un desafío importante en la evaluación clínica. Las escalas de diagnóstico dependen de la experiencia de neurólogos, pruebas observacionales y factores clínicos asociados para determinar un diagnóstico final. Un factor que influye en el diagnóstico temprano es la heterogeneidad de la enfermedad, aportando variabilidad a los análisis e investigaciones en el proceso de valoración. Esta tesis introduce un modelo de aprendizaje profundo espaciotemporal para reconocer estadios tempranos de la enfermedad de Parkinson. Este modelo posee una arquitectura convolucional de tres bloques, en el cual comprime patrones correlacionados de múltiples articulaciones en una única representación de baja dimensionalidad que describe el acoplamiento de miembros inferiores mediante la identificación de correlaciones temporales locales y globales. La arquitectura propuesta alcanzó una precisión del 81,11%, un F1-score de 0,80 y un Recall de 0,79, superando modelos alternativos, incluyendo LSTM, BiGRU, Transformer y Random Forest. El método discriminó dependencias temporales locales entre las series de tiempo de los grupos experimentales. La representación latente temporal aprendida de la CNN, mostró distinción parcial entre EP temprana y sujetos control, validando que las proyecciones de las series temporales de las articulaciones pueden revelar características motoras discriminativas. (Texto tomado de la fuente)
Abstract
Identification of early stages of Parkinson's Disease (PD) is still an important evaluation issue. Assessments and diagnostic scales rely on neurologists' expertise, observational tests, and associated clinical factors to reach a final diagnosis. A factor that influences early diagnosis is the disease's heterogeneity, which adds variability to the assessment process. This thesis introduces a custom spatiotemporal deep learning model to recognize early stages of Parkinson's disease. The model consists of a three-block convolutional architecture, that compresses multi-joint correlated patterns into a single low-dimensional embedding, which characterizes lower limb coupling by capturing both local and global temporal correlations. The proposed architecture achieved Accuracy of 81.11\%, F1-score of 0.80 and Recall of 0.79, outperforming alternative models, including LSTM, BiGRU, Transformer, and Random Forest. The method identified local temporal dependencies among the time series of the experimental groups. The learned temporal latent representation from the CNN architecture, showed partial distinction between early PD from control subjects, validating that multi-joint trajectory projections could reveal discriminative motor features.
Descripción
ilustraciones a color, diagramas
Términos Normalizados
Enfermedad de Parkinson; Parkinson Disease; Enfermedades del Sistema Nervioso Central; Central Nervous System Diseases; Diagnóstico Precoz; Early Diagnosis; Técnicas y Procedimientos Diagnósticos; Diagnostic Techniques and Procedures; Modelos de Aprendizaje Predictivo; Predictive Learning Models; Biología Computacional; Computational Biology; 610 - Medicina y salud::616 - Enfermedades; 620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería