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

Title:	Diagnóstico de la enfermedad de Parkinson mediante el análisis de videos de la expresión facial espontánea utilizando técnicas de aprendizaje profundo
Authors:	Peláez Jarrín, Colón Enrique,, Director Holguin Wong, Erick Weyling Ortega Mautong, Milen Yarli
Keywords:	Aprendizaje profundo Reconocimiento de emociones Aprendizaje de máquina Parkinson
Issue Date:	2023
Publisher:	ESPOL
Citation:	Holguin Wong, E. W. y Ortega Mautong, M. Y. (2023). Diagnóstico de la enfermedad de Parkinson mediante el análisis de videos de la expresión facial espontánea utilizando técnicas de aprendizaje profundo. [Proyecto integrador]. ESPOL. FIEC. .
Description:	Este trabajo consiste en el desarrollo de un modelo de aprendizaje profundo y de aprendizaje poco profundo para el reconocimiento de expresiones faciales asociadas a la enfermedad de Parkinson; y de su integración en una aplicación web para crear una herramienta que ayude al diagnóstico temprano y al tratamiento oportuno de la enfermedad. La metodología consistió, primeramente, en el uso de la herramienta OpenFace para analizar videos de pacientes con la enfermedad de Parkinson y extraer imágenes y un archivo CSV con datos con referentes al rostro de la persona; luego se usaron las imágenes para entrenar una red de aprendizaje profundo, y el archivo CSV para entrenar varios modelos de aprendizaje poco profundo, para que puedan predecir si una persona tiene la enfermedad de Parkinson o no. Debido a la escasa cantidad de datos para el entrenamiento de los modelos de predicción de Parkinson y los pobres resultados que obtuvimos del entrenamiento, se optó por reentrenar los modelos para poder reconocer emociones en general; debido a que, según nuestra hipótesis, si los modelos pueden reconocer la emoción que expresa una persona por medio de sus expresiones fáciles, estos modelos podrían ser re-entrenados con más datos de pacientes de Parkinson y poder detectar la presencia de la enfermedad. Finalmente, se desarrolló un prototipo web en el que un médico puede subir un video de un paciente, especificar el intervalo de tiempo que desea que el prototipo web analice, y obtener una respuesta del modelo sobre cuál es la emoción que el paciente está expresando en el intervalo de tiempo especificado por el doctor.
metadata.dc.description.abstractenglish:	This work involves the development of a deep learning and shallow learning model for the recognition of facial expressions associated with Parkinson's disease, and its integration into a web application to create a tool that aids in early diagnosis and timely treatment of the disease. The methodology consisted, firstly, of using the OpenFace tool to analyze videos of Parkinson's disease patients and extract images and a CSV file with data related to the person's face. Then, the images were used to train a deep learning network, and the CSV file was used to train several shallow learning models to predict whether a person has Parkinson's disease or not. Due to the limited amount of data for training the Parkinson's prediction models and the poor results obtained from training, it was decided to retrain the models to recognize emotions in general. This was because, according to our hypothesis, if the models can recognize the emotion expressed by a person through their facial expressions, these models could be retrained with more data from Parkinson's patients to detect the presence of the disease. Finally, a web prototype was developed in which a doctor can upload a video of a patient, specify the time interval they want the web prototype to analyze, and receive a response from the model regarding the emotion the patient is expressing in the specified time interval as determined by the doctor.
URI:	http://www.dspace.espol.edu.ec/handle/123456789/58181
metadata.dc.identifier.codigoproyectointegrador:	TECH-297
Appears in Collections:	Tesis de Computación

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