Clasificación del grado de afectación de Parkinson usando la señal de vibración de pacientes diagnosticados con la enfermedad de Parkinson
DOI:
https://doi.org/10.30973/progmat/2020.12.3/5Palabras clave:
Enfermedad de Parkinson, señales digitales, algoritmos de clasificación, filtrado de señalesResumen
En este artículo se presenta un estudio de la clasificación del grado de afectación en pacientes diagnosticados con la enfermedad de Parkinson. La captura de las señales de vibración de vibración se realiza usando un acelerómetro de una pulsera bluetooth. El procesamiento de las señales de vibración se realiza procesando el valor rms y valores pico de las señales de los pacientes. Finalmente se utilizan diferentes clasificadores para evaluar el grado de afectación de la vibración en pacientes con Parkinson.
Citas
Laci, S. E. (2018). Using echo state networks for classification: A case study in parkinson’s disease diagnosis. Artificial Intelligence in Medicine, 86:53 – 59. https://doi.org/10.1016/j.artmed.2018.02.002
Barranco Quintana, J. L. (2016). Enfermedad de alzhéimer, parkinson y cafe: Revisión sistemática.
Breiman, L. (2001). Random forest. Machine Learning, 45(5):5 –32. https://doi.org/10.1023/A:1010933404324
Cai, G., Lin, Z., Dai, H., Xia, X., Xiong, Y., Horng, S.-J., and Lueth, T. C. (2018). Quantitative assessment of parkinsonian tremor based on a linear acceleration extraction algorithm. Biomedical Signal Processing and Control, 42:53 – 62. https://doi.org/10.1016/j.bspc.2018.01.008
Camara, C., Isasi, P., Warwick, K., Ruiz, V., Aziz, T., Stein, J., and Bakˇstein, E. (2015). Resting tremor classification and detection in parkinson’s disease patients. Biomedical Signal Processing and Control, 16:88 – 97. https://doi.org/10.1016/j.bspc.2014.09.006
Chapra, S. C. and Canale, R. P. (2007). Aproximación de Fourier, pages 539 – 575. 5 editions.
Clifton, D. A. (2016). Discrete-time Signals and Systems (Chapter 1), pages 59 – 199.
Cruz, Carlos Aviles; Rodriguez, E. R. (2003). Teoría de muestreo, pages 109–122. 1 edition.
del Carmen Ojeda López, M., Weber, F. R., and Sánchez, L. E. A. (2009). Diagnóstico diferencial del temblor. Acta Médica Grupo Angeles, 7:143 – 149.
Fernando de Carvalho Gomes, J. G. R. M. (2016). Learning optimal decision list as a metaheuristic search for diagnosis of parkinson’s disease. Springer International Publishing AG, 10122:391 – 401.
Forouzan, J. A. (2013). Data Communications and networking.
Fraiwan, L., Khnouf, R., and Mashagbeh, A. R. (2016). Parkinson’s disease hand tremor detection system for mobile application. Journal of Medical Engineering & Technology, 40(3):127–134. PMID: 26977823. https://doi.org/10.3109/03091902.2016.1148792
González García, Paloma; Gutiérrez Rodríguez, J. V. B. C.
Guerrero Díaz, Ma. Teresa; Macías Montero, M. C. P. E. F. M. P. A. H. J. M. V. D. G.-L. J. (2006). Enfermedad de Parkinson, chapter 49, pages 507 – 517.
Gupta, D., Sundaram, S., Khanna, A., Hassanien, A. E., and de Albuquerque, V. H. C. (2018). Improved diagnosis of parkinson’s disease using optimized crow search algorithm. Computers Electrical Engineering, 68:412 – 424. https://doi.org/10.1016/j.compeleceng.2018.04.014
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2020 Programación Matemática y Software
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |