Modelos de aprendizaje profundo aplicados al reconocimiento del Parkinson en patrones de marcha con sensores inerciales

Abstract

Este Trabajo de Fin de Grado presenta el desarrollo de un sistema automático para la detección de la enfermedad de Parkinson a partir de datos recogidos mediante sensores inerciales durante la realización de distintas tareas motoras. El sistema se basa en redes neuronales bidireccionales de memoria a largo y corto plazo, especialmente eficaces en el análisis de series temporales. El proceso incluye una fase de integración y preprocesamiento de datos, seguida del diseño y entrenamiento del modelo. Además, incorpora una interfaz gráfica que permite cargar nuevos datos y obtener predicciones de forma intuitiva. El rendimiento del sistema se evalúa mediante diversas métricas.

This Final Degree Project presents the development of an automatic system for the detection of Parkinson’s disease based on data collected through inertial sensors during the execution of various motor tasks. The system is built upon bidirectional Long Short-Term Memory neural networks (Bi-LSTM), which are particularly effective in time series analysis. The process involves a phase of data integration and preprocessing, followed by the design and training of the model. Additionally, a graphical user interface is included, allowing new data to be loaded and predictions to be obtained in an intuitive manner. The system’s performance is evaluated using various metrics.