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.