Abstract:
Parkinson's disease (PD) is a currently incurable disease that affects 1.5% of people over the age of 65. Early detection of the disease would improve the quality of life of patients and their families, as it would allow for more timely preventive actions than detection at an advanced stage. One of the symptoms that usually appear in the early stages of PD are modified walking patterns, which alter the movement of arms and legs. Based on this, the analysis of these movements using Artificial Intelligence techniques is proposed to capture patterns to classify patients with PD from healthy subjects. For the development of this solution, data taken with IMU sensors during the walking of healthy subjects and patients with PD, located on the wrists and base of the spine of the subjects, from the ICESI University of Colombia, were used. Features, scalograms and temporal signals were extracted from this data, which were the inputs for ML Shallow and Deep Learning models, of which, the Red MLP model using the feature extraction method gave the best result, having 95% accuracy. This model was integrated into a Web application for medical use, where IMU signal files of patients can be uploaded and the probability of having PD can be predicted according to the model.
Keywords: Parkinson's disease, Machine Learning, Deep Learning, IMU, Walking.
Description:
La Enfermedad de Parkinson (EP) es una enfermedad actualmente incurable, que afecta a 1.5% de personas a partir de los 65 años. La detección temprana de la enfermedad permitiría mejorar la calidad de vida de los pacientes y su familia, ya que permitiría tomar acciones preventivas más oportunas que una detección en una etapa avanzada. Uno de los síntomas que suelen aparecer en etapas tempranas de la EP son los patrones de marcha modificados, que alteran el movimiento de brazos y piernas. Basado en esto, se propone el análisis de estos movimientos mediante técnicas de Inteligencia Artificial que permitan capturar patrones para clasificar pacientes con EP de sujetos sanos. Para el desarrollo de esta solución se usaron datos tomados con sensores IMU durante la marcha de sujetos sanos y pacientes con EP, ubicados en las muñecas y espina base de los sujetos, de la Universidad ICESI de Colombia. Se extrajeron características, escalogramas y señales temporales de estos datos, que fueron las entradas para modelos de ML Shallow y Deep Learning, de los cuales, el modelo Red MLP mediante el método de extracción de características, dio el mejor resultado, teniendo un 95% de exactitud. Se integró este modelo en una aplicación Web para uso médico, donde puedan ser subidos archivos de señales IMU de los pacientes y predecir la probabilidad de tener EP según el modelo.
