máquina de vectores
TRANSCRIPT
7/23/2019 Máquina de vectores
http://slidepdf.com/reader/full/maquina-de-vectores 1/2
1
RESUMEN
INTRODUCCIÓN
El Temblor Esencial y la Enfermedad de Parkinson
son considerados dos trastornos de movimiento
diferentes, el primero asociado a un temblor
cinético/postural y el segundo a un temblor de
reposo. Sin embargo, en la literatura médica hacen
notoria la potencial relación 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 características neurodegenerativas y el
solapamiento semiológico del temblor provoca que
el diagnóstico clínico no sea fiable y surge la
necesidad de implementar métodos de Inteligencia
Artificial para analizar y cuantificar el temblor y en
base a su medida, clasificarlo. Brindando a los
médicos una herramienta práctica y eficaz, para
asegurar un tratamiento adecuada del paciente, y así
mejorar su calidad de vida.
OBJETIVO
Desarrollar una metodología que permita
automatizar la clasificación del temblor esencial y
temblor parkinsoniano, utilizando las Máquinas de
Soporte Vectorial, para el apoyo al diagnóstico
clínico garantizando al paciente una atención y
tratamientos adecuados.
METODOLOGÍA
Se parte de una base de datos conformada por las
series temporales de un conjunto de pruebas, donde
cada prueba está constituida por una serie de
patrones (formas geométricas) ejecutadas en forma
estática (manteniendo una postura), cinética
(siguiendo la trayectoria del patrón) y dinámica
(fuerzas generadas artificialmente) sobre la manodel paciente. Los datos generados en estas pruebas
fueron registrados y almacenados por el sistema
DIMETER, que utiliza un dispositivo háptico llamado
PHAMToN para la adquisición de los datos. Para la
caracterización del temblor se utilizó el PSD y los
Poliespectros; el Análisis de Componentes
Principales disminuyó la dimensionalidad de los
vectores; la distancia de Mahalanobis y el coeficiente
de Curtosis proporcionaron el medio para la
separación de los valores atípicos. La Máquina de
Soporte Vectorial proporcionó el modelo declasificador utilizando los vectores característicos
previamente analizados.
RESULTADOS
Del análisis de los resultados obtenidos en las
diferentes hipótesis y ensayos, dan cuenta que las
pruebas estáticas y cinéticas son suficientes para
caracterizar el temblor y crear un clasificador SVM
con una buena capacidad de generalización,
obteniendo en la fase de clasificación un error del
0%.
PALABRAS CLAVES: Temblor Esencial, Enfermedad
de Parkinson, Temblor Fisiológico, Máquinas de
Soporte Vectorial, PSD, Poliespectro, Análisis de
Componentes Principales, Distancia de Mahalanobis,
Coeficiente de Curtosis.
7/23/2019 Máquina de vectores
http://slidepdf.com/reader/full/maquina-de-vectores 2/2
2
ABSTRACT
INTRODUCTION
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
classification of essential tremor and parkinsonian
tremor, using Support Vector Machines, to support
the clinical diagnosis ensuring patient care and
treatments.
METHODOLOGY
We assume a database consists of time series of a
set of tests, where each test consists of a series of
patterns (shapes) executed statically (maintaining a
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%.
KEYWORDS: Essential Tremor, Parkinson's disease,
Physiological Tremor, Support Vector Machines, PSD,
Higher Order Spectra, Principal Component Analysis,
Mahalanobis distance, Coefficient of Kurtosis.