Evaluación automática de la enfermedad de Parkinson a partir de señales de escritura online considerando arquitecturas de aprendizaje profundo como las CNNs

Abstract

RESUMEN : La enfermedad de Parkinson es una enfermedad neurodegenerativa caracterizada por la aparición de diversos trastornos cognitivos y motores, provocados por la degeneración de las neuronas dopaminérgicas. Es una de las enfermedades neurodegenerativas más comunes y su diagnóstico es generalmente costoso en tiempo y dinero. Entre los síntomas motores más destacados está el deterioro en la calidad de la escritura donde síntomas como la micrografía y la disgrafia empiezan a manifestarse en etapas tempranas de la enfermedad, debido a esto es posible evaluar automáticamente la enfermedad de Parkinson analizando la perdida de habilidades grafomotoras cuando el paciente escribe en una tableta digitalizadora que captura seis señales diferentes en forma de series temporales que son las coordenadas cartesianas (x, y, z), ángulo azimut, ángulo de altitud y presión.

En este trabajo se consideran las tareas de escritura online de 55 pacientes con la enfermedad de Parkinson y 55 personas sanas. Particularmente se trabajó con dibujos de la espiral de Arquímedes con el fin de analizar las diferentes señales extraídas cuando un sujeto escribe, dichas señales fueron utilizadas para ajustar arquitecturas de aprendizaje profundo basadas en redes neuronales convolucionales unidimensionales, donde cada señal es analizada de forma independiente usando un enfoque monocanal con el fin de identificar las señales que mejor discriminan la escritura de los pacientes con enfermedad de Parkinson. Además, se evalúa la combinación de las señales usando un enfoque multicanal, donde se busca determinar si se obtiene un modelo más robusto al analizar todas o algunas de las señales de manera conjunta. La generalización de los modelos desarrollados fue verificada mediante una estrategia de validación cruzada donde los mejores resultados se obtienen usando la señal de altitud para el enfoque monocanal y combinando las señales x, z y altitud en el enfoque multicanal. El modelo monocanal presenta un mejor balance en la clasificación de ambas clases. Finalmente, el multicanal presenta un desempeño inferior esto puede deberse a que algunas señales no aportan más información para detectar la enfermedad de Parkinson por medio del deterioro de las habilidades grafomotoras.

ABSTRACT : Parkinson's disease is a neurodegenerative disease characterized by the appearance of various cognitive and motor disorders caused by the degeneration of dopaminergic neurons. It is one of the most common neurodegenerative diseases and its diagnosis is often expensive in time and money. Among the most prominent motor symptoms is the decline in the quality of handwriting where symptoms such as micrographia and dysgraphia appear in early stages of the disease, due to this it is possible to automatically evaluate Parkinson's disease by analyzing the loss of skills graphomotor when the patient writes on a digital tablet that captures six different signals in the form of time series which are Cartesian coordinates (x, y, z), azimuth angle, altitude angle and pressure.

In this work, the online handwriting tasks of 55 patients with Parkinson's disease and 55 healthy people are considered. Archimedean spiral drawings were used to analyze the different signals extracted when a subject draws, these is used to adjust deep learning architectures based on one-dimensional convolutional neural networks, where each signal is analyzed independently using a single-channel approach to identify the signals that best discriminate the handwriting of Parkinson's disease patients. In addition, the combination of the signals is evaluated using a multichannel approach, the objective to determine whether a more robust model is obtained by analyzing all or some of the signals together. The generalization of the developed models was verified by a cross-validation strategy where the best results are obtained by using the altitude signal for the single-channel approach and combining the x, z and altitude signals in the multi-channel approach. The single-channel model yields a better balance in the classification of both classes. Finally, the multichannel presents an inferior performance this may be because some signals do not provide more information to detect Parkinson's disease through the impairment of graphomotor skills.