1. DSpace en ESPOL
2. Unidades Académicas
3. Facultad de Ingeniería en Electricidad y Computación
4. Tesis de Computación

Title:	Análisis de la escritura para el diagnóstico de la enfermedad de Parkinson, utilizando técnicas de Inteligencia Artificial
Authors:	Meneses Murillo,Carlos Humberto , Director Arteaga Chávez, Diego Eduardo
Keywords:	Enfermedad de Parkinson Inteligencia artificial Aprendizaje poco profundo Micrografía
Issue Date:	2023
Publisher:	ESPOL.FIEC
Citation:	Arteaga Chávez, D. E. (2023). Análisis de la escritura para el diagnóstico de la enfermedad de Parkinson, utilizando técnicas de Inteligencia Artificial. [Proyecto Integrador]. ESPOL.FIEC .
Description:	En la actualidad, la enfermedad de Parkinson ocupa el segundo lugar como la enfermedad neurodegenerativa más común, después del Alzheimer, afectando a aproximadamente 10 millones de personas en todo el mundo. A pesar de no existir una cura definitiva, existen tratamientos disponibles para aliviar los síntomas y mejorar la calidad de vida de los pacientes. Por esto, es esencial una detección temprano de la enfermedad para ralentizar su progresión. Uno de los síntomas característicos de esta afección es la dificultad en la escritura, lo que a menudo motiva a los pacientes a buscar atención médica. Basándose en esta premisa, se propone la utilización de técnicas de aprendizaje poco profundo y aprendizaje profundo para identificar estos cambios en la escritura como patrones asociados a la enfermedad y calcular la probabilidad de que una persona tenga Parkinson. Para el desarrollo de este proyecto, se utilizó un conjunto de datos que incluía registros de tres grupos diferentes: personas sanas, personas con Parkinson en el hemisferio derecho y personas con Parkinson en el hemisferio izquierdo. Estos registros comprendían la escritura en cuatro experimentos distintos: la firma, la escritura de una palabra en español, polca y griego. A partir de estas escrituras, se extrajeron características matemáticas que se utilizaron como datos de entrenamiento para un modelo SVM, el cual obtuvo los mejores resultados en comparación con otras arquitecturas evaluadas, logrando una tasa de clasificación binaria del 88.06% y un 74% para la clasificación multiclase. Este modelo se implementó en una aplicación web que permite a los usuarios cargar archivos de escrituras de pacientes y obtener un diagnóstico de la enfermedad de Parkinson. Palabras Clave: Enfermedad de Parkinson, inteligencia artificial, aprendizaje poco profundo, micrografía.
metadata.dc.description.abstractenglish:	Currently, Parkinson's disease ranks as the second most common neurodegenerative disease, following Alzheimer's, affecting approximately 10 million people worldwide. Despite the absence of a definitive cure, there are available treatments to alleviate symptoms and enhance patients' quality of life. Therefore, early detection of the disease is crucial to slow its progression. One of its characteristic symptoms is handwriting difficulty, often prompting patients to seek medical attention. Building on this premise, the use of shallow and deep learning techniques is proposed to identify these handwriting changes as disease-associated patterns and calculate the likelihood of a person having Parkinson's. To develop this project, a dataset was used, including records from three different groups: healthy individuals, individuals with Parkinson's in the right hemisphere, and individuals with Parkinson's in the left hemisphere. These records encompassed handwriting in four distinct experiments: signature, writing a word in Spanish, polka, and Greek. Mathematical features were extracted from these writings and employed as training data for an SVM model, which outperformed other evaluated architectures, achieving an 88.06% binary classification rate and 74% for multiclass classification. This model was implemented in a web application that enables users to upload patient handwriting files and obtain a Parkinson's disease diagnosis. Keywords: Parkinson's Disease, artificial intelligence, shallow learning, micrographia.
URI:	http://www.dspace.espol.edu.ec/handle/123456789/60583
metadata.dc.identifier.codigoproyectointegrador:	TECH-333
Appears in Collections:	Tesis de Computación

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.