Detección temprana de la enfermedad de parkinson mediante análisis multimodal de escritura a mano utilizando aprendizaje profundo

Constantine Macías, Alisson Asunción; Peláez Jarrín, Colon Enrique, Director

DSpace Principal
→
Unidades Académicas
→
Facultad de Ingeniería en Electricidad y Computación
→
Tesis de Maestría en Ciencias de la Computación
→
Ver ítem

dc.contributor.author	Constantine Macías, Alisson Asunción
dc.contributor.author	Peláez Jarrín, Colon Enrique, Director
dc.date.accessioned	2026-01-21T17:39:36Z
dc.date.available	2026-01-21T17:39:36Z
dc.date.issued	2025
dc.identifier.citation	Constantine Macías A.A. (2025). Detección temprana de la enfermedad de parkinson mediante análisis multimodal de escritura a mano utilizando aprendizaje profundo [Proyecto de Titulación]. Escuela Superior Politécnica del Litoral	es_EC
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/67384
dc.description	CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. Este estudio propone un marco metodológico para la detección temprana de la enfermedad de Parkinson (EP) mediante un análisis multimodal basado en tareas de escritura registradas mediante una tableta de dibujo, comparando la eficacia de modelos de aprendizaje profundo (Deep Learning, DL) y no profundo (Machine Learning tradicional, ML) así cómo la explicabilidad de modelos de ML. Se utilizaron dos conjuntos de datos provenientes de regiones culturalmente diversas: PaHaW (República Checa) y una base de datos propietaria recolectada en Ecuador. Estos conjuntos integran señales motoras tales como presión, azimut, altitud y coordenadas espaciales capturadas durante tareas de dibujo de espirales. El análisis comparativo reveló que los modelos de aprendizaje automático no profundo, específicamente Extra Trees y Gradient Boosting, obtuvieron precisiones destacables de hasta el 93,27% y 94,20% respectivamente, superando a las redes neuronales convolucionales (CNN) y a las redes neuronales de picos (SNN). Adicionalmente, mediante técnicas de explicabilidad basadas en SHapley Additive exPlanations (SHAP), se identificaron biomarcadores clave para la detección de la enfermedad, destacando principalmente la presión máxima ejercida por el lápiz, la repetición angular (azimut) y bajos valores de altitud. La investigación demuestra la generalización potencial de los biomarcadores identificados a través de poblaciones con características lingüísticas diferentes. Además, proporciona herramientas interpretables que facilitan el entendimiento clínico de los resultados generados por modelos predictivos complejos. Sin embargo, también se identificaron limitaciones relevantes, tales como los altos requerimientos computacionales y limitaciones en escalabilidad asociadas a las SNN, lo cual abre futuras líneas de investigación hacia la optimización de recursos y mejora en la eficiencia computacional.	es_EC
dc.description.abstract	CONDITION FOR PUBLICATION OF PROJECT.	es_EC
dc.publisher	ESPOL.FIEC	es_EC
dc.subject	Detección	es_EC
dc.subject	Temprana	es_EC
dc.subject	Enfermedad de Parkinson	es_EC
dc.subject	Mediante Análisis	es_EC
dc.subject	Multimodal de Escritura	es_EC
dc.subject	Mano Utilizando	es_EC
dc.subject	Aprendizaje Profundo	es_EC
dc.title	Detección temprana de la enfermedad de parkinson mediante análisis multimodal de escritura a mano utilizando aprendizaje profundo	es_EC
dc.type	Thesis	es_EC