Reconocimiento de patrones de la marcha en pacientes con las enfermedades de Huntington y Ataxias Hereditarias basado en sensores de movimiento

Abstract

Las técnicas del reconocimiento de patrones de marcha han sido objeto de estudio para discriminar a los pacientes enfermos de sanos según sus características comunes. Los algoritmos clasificación han sido capaces de reconocer a los pacientes con la enferme dad de Huntington (HD) con un 88.2 % de exactitud, mientras que los enfermos con Ataxias Hereditarias (HA) sólo han sido clasificados correctamente en un 78.78 %. Es tos resultados se han obtenido en trabajos recientes con diversas técnicas de aprendizaje automático y características de la marcha extraída de diversas fuentes de datos incluyendo sensores de movimiento. Este trabajo de investigación se enfocó en proponer un método para obtener una mayor exactitud en la clasificación de pacientes con estas enfermedades que la obtenida de los trabajos publicados, con la particularidad de enfocarnos en implementar una cantidad mínima de características de la marcha basada en datos recolectados con sensores de movimiento de teléfonos inteligentes. Los datos fueron recolectados usando los sensores de movimiento de teléfonos inteligentes en pacientes con estas enfermedades y personas sanas como controles (HC). Se implementó un método de preparación de los datos y se propuso un algoritmo de segmentación del ciclo de la marcha. Las características de la marcha fueran obtenidas de un segmento de datos equivalente a 10 zancadas, de los cuales se extrajeron un total de 56 características. Diversos algoritmos de selección de atributos mostraron que 11 características de enfermos Huntington y 15 de Ataxias Hereditarias eran suficientes para alcanzar un excelente rendimiento. Los algoritmos LogitBoost & RandomForest permitieron obtener una exactitud del 92.85 % al clasificar HD vs HC; mientras que, al buscar un reducido número de características, KNN alcanzo una precisión de 96 % y MLP obtuvo exactitud del 100 %, usando 2 y 3 características respectivamente, usando datos de pacientes con HA