1. DSpace en ESPOL
  2. Unidades Académicas
  3. Facultad de Ingeniería en Electricidad y Computación
  4. Tesis de Maestría en Ciencias de la Computación
Por favor, use este identificador para citar o enlazar este ítem: http://www.dspace.espol.edu.ec/handle/123456789/67384
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.authorConstantine Macías, Alisson Asunción-
dc.contributor.authorPeláez Jarrín, Colon Enrique, Director-
dc.date.accessioned2026-01-21T17:39:36Z-
dc.date.available2026-01-21T17:39:36Z-
dc.date.issued2025-
dc.identifier.citationConstantine 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 Litorales_EC
dc.identifier.urihttp://www.dspace.espol.edu.ec/handle/123456789/67384-
dc.descriptionCONDICIONAMIENTO 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.abstractCONDITION FOR PUBLICATION OF PROJECT.es_EC
dc.publisherESPOL.FIECes_EC
dc.subjectDetecciónes_EC
dc.subjectTempranaes_EC
dc.subjectEnfermedad de Parkinsones_EC
dc.subjectMediante Análisises_EC
dc.subjectMultimodal de Escrituraes_EC
dc.subjectMano Utilizandoes_EC
dc.subjectAprendizaje Profundoes_EC
dc.titleDetección temprana de la enfermedad de parkinson mediante análisis multimodal de escritura a mano utilizando aprendizaje profundoes_EC
dc.typeThesises_EC
dc.identifier.codigoespolT-115507-
dc.identifier.codigoproyectointegradorPOSTG160-
Aparece en las colecciones: Tesis de Maestría en Ciencias de la Computación

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
T-115507 POSTG160 CONSTANTINE ALISSON.pdf3.8 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.