Anda di halaman 1dari 2

RESUMEN

INTRODUCCIN
El Temblor Esencial y la Enfermedad de Parkinson
son considerados dos trastornos de movimiento
diferentes, el primero asociado a un temblor
cintico/postural y el segundo a un temblor de
reposo. Sin embargo, en la literatura mdica hacen
notoria la potencial relacin que puede existir entre
ambas enfermedades. El hecho de que pacientes con
la EP presenten un temblor postural igual al TE, que
una enfermedad sea un factor de riesgo para el
desarrollo de la otra, que ambas enfermedades
compartan caractersticas neurodegenerativas y el
solapamiento semiolgico del temblor provoca que
el diagnstico clnico no sea fiable y surge la
necesidad de implementar mtodos de Inteligencia
Artificial para analizar y cuantificar el temblor y en
base a su medida, clasificarlo. Brindando a los
mdicos una herramienta prctica y eficaz, para
asegurar un tratamiento adecuada del paciente, y as
mejorar su calidad de vida.
OBJETIVO
Desarrollar una metodologa que permita
automatizar la clasificacin del temblor esencial y
temblor parkinsoniano, utilizando las Mquinas de
Soporte Vectorial, para el apoyo al diagnstico
clnico garantizando al paciente una atencin y
tratamientos adecuados.
METODOLOGA
Se parte de una base de datos conformada por las
series temporales de un conjunto de pruebas, donde

cada prueba est constituida por una serie de


patrones (formas geomtricas) ejecutadas en forma
esttica (manteniendo una postura), cintica
(siguiendo la trayectoria del patrn) y dinmica
(fuerzas generadas artificialmente) sobre la mano
del paciente. Los datos generados en estas pruebas
fueron registrados y almacenados por el sistema
DIMETER, que utiliza un dispositivo hptico llamado
PHAMToN para la adquisicin de los datos. Para la
caracterizacin del temblor se utiliz el PSD y los
Poliespectros; el Anlisis de Componentes
Principales disminuy la dimensionalidad de los
vectores; la distancia de Mahalanobis y el coeficiente
de Curtosis proporcionaron el medio para la
separacin de los valores atpicos. La Mquina de
Soporte Vectorial proporcion el modelo de
clasificador utilizando los vectores caractersticos
previamente analizados.
RESULTADOS
Del anlisis de los resultados obtenidos en las
diferentes hiptesis y ensayos, dan cuenta que las
pruebas estticas y cinticas son suficientes para
caracterizar el temblor y crear un clasificador SVM
con una buena capacidad de generalizacin,
obteniendo en la fase de clasificacin un error del
0%.
PALABRAS CLAVES: Temblor Esencial, Enfermedad
de Parkinson, Temblor Fisiolgico, Mquinas de
Soporte Vectorial, PSD, Poliespectro, Anlisis de
Componentes Principales, Distancia de Mahalanobis,
Coeficiente de Curtosis.

ABSTRACT
INTRODUCTION

patterns (shapes) executed statically (maintaining a

Essential Tremor and Parkinson's disease are


considered two different movement disorders, the
first associated with a kinetic / postural tremor and
the second to a resting tremor. However, in the
medical literature makes evident the potential
relationship that may exist between the two
diseases. The fact that PD patients present a
postural tremor equal to TE, a disease is a risk factor
for the development of the other, both diseases
share

neurodegenerative

characteristics,

and

semiological overlapping of tremor causes the


clinical diagnosis is unreliable and there is a need to
implement Artificial Intelligence methods to analyze
and quantify tremor and based on its measures,
classify. Providing physicians with a practical and
effective tool to ensure appropriate patient care,
and improve their quality of life.
OBJECTIVE
To develop a methodology to automate the

stance), kinetic (following the trajectory pattern) and


dynamic (generated artificially forces) on the
patient's hand. The data generated in these tests
were recorded and stored by the DIMETER system
that uses a haptic device called PHAMToN for data
acquisition. For the characterization of the tremor
was used the PSD and higher order spectra; Principal
Component Analysis reduced the dimensionality of
the

vectors;

Mahalanobis

distance

and

the

coefficient of kurtosis provided the means for


removal of outliers. The Support Vector Machine
classifier provided the model using the feature
vector previously discussed.
RESULTS
Analysis of the results obtained in the different
hypothesis show that the static and kinetic tests are
sufficient to characterize the tremor and create a
SVM classifier with good generalization ability,
getting in qualifying an error of 0%.

classification of essential tremor and parkinsonian

KEYWORDS: Essential Tremor, Parkinson's disease,

tremor, using Support Vector Machines, to support

Physiological Tremor, Support Vector Machines, PSD,

the clinical diagnosis ensuring patient care and

Higher Order Spectra, Principal Component Analysis,

treatments.

Mahalanobis distance, Coefficient of Kurtosis.

METHODOLOGY
We assume a database consists of time series of a
set of tests, where each test consists of a series of