Publicação: Machine learning applied for the motor pattern classification of pen-and-paper spiral drawings in Parkinson’s disease
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA::BIOENGENHARIA::PROCESSAMENTO DE SINAIS BIOLOGICOS
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Nóbrega, Lígia Reis
Resumo
A doença de Parkinson (DP) é um distúrbio neurodegenerativo progressivo caracterizado por
comprometimento do controle motor voluntário, manifestando-se mais comumente como tremores, bradicinesia
e rigidez muscular. Apesar dos avanços significativos na compreensão da DP, a avaliação clínica continua sendo o principal método para diagnóstico e monitoramento da doença, muitas vezes dependendo de avaliações subjetivas. A análise de espirais surgiu como uma técnica promissora, de baixo custo e não invasiva para a quantificação objetiva dos sintomas motores através do estudo de espirais desenhadas à mão. Ao contrário de estudos anteriores que utilizaram tablets de digitalização e canetas digitais, a presente pesquisa investiga a viabilidade do uso de espirais tradicionais em papel e caneta em um ambiente clínico. Este estudo tem como objetivo desenvolver ferramentas objetivas para auxiliar os profissionais de saúde na tomada de decisões clínicas. Faz parte de um projeto mais amplo chamado PARKINSON BRASIL, que busca desenvolver um banco de dados nacional abrangente contendo aspectos multidimensionais de indivíduos com doença de Parkinson. Quatro arquiteturas de deep learning—VGG16, ResNet50, MobileNetV2 e Xception—foram empregadas para a extração de características, seguidas pela classificação usando códigos de saída de correção de erro (ECOC). Os participantes foram classificados em grupos de PD ou controle, e os participantes com PD foram ainda categorizados em estágios da doença de acordo com a escala de Hoehn e Yahr. O desempenho do modelo foi avaliado usando métricas padrão, incluindo precisão e F1-score. Xception obteve o melhor desempenho geral. ResNet50 e VGG16 também demonstraram alta precisão em seu desempenho. Os resultados demonstram que a análise de espiral em papel e caneta, quando integrada com técnicas de aprendizado de máquina, possui um potencial significativo como uma ferramenta complementar para o diagnóstico e monitoramento da doença de Parkinson em ambientes clínicos.
Abstract
Parkinson’s disease (PD) is a progressive neurodegenerative disorder characterized by
impaired voluntary motor control, most commonly manifesting as tremors, bradykinesia,
and muscle rigidity. Despite significant advancements in the understanding of PD, clinical
evaluation remains the primary method for diagnosis and disease monitoring, often relying
on subjective assessments. Spiral analysis has emerged as a promising, low-cost, and noninvasive
technique for the objective quantification of motor symptoms through the study
of hand-drawn spirals. Unlike previous studies that utilized digitizing tablets and digital
pens, the present research investigates the feasibility of using traditional pen-and-paper
spirals in a clinical setting. This study aims to develop objective tools to assist healthcare
professionals in clinical decision-making. It is part of a broader project called PARKINSON
BRASIL, which seeks to develop a comprehensive national database containing
multidimensional aspects of individuals with Parkinson’s disease. Four deep learning architectures—
VGG16, ResNet50, MobileNetV2, and Xception—were employed for feature
extraction, followed by classification using error-correcting output codes (ECOC). Participants
were classified into either PD or control groups, and PD participants were further
categorized into disease stages according to the Hoehn and Yahr scale. Model performance
was evaluated using standard metrics, including accuracy and F1-score. Xception
achieved the best overall performance. ResNet50 and VGG16 also demonstrated high
precision in their performance.The findings demonstrate that pen-and-paper spiral analysis,
when integrated with machine learning techniques, holds significant potential as a
complementary tool for the diagnosis and monitoring of Parkinson’s disease in clinical
environments.
Palavras-chave
Parkinson’s disease, Deep Learning, Spiral Analysis, Convolutional Neural Network, Machine learning
Citação
MILKEN, Pedro Henrique Bernardes Caetano. Machine learning applied for the motor pattern classification of pen-and-paper spiral drawings in Parkinson’s disease. 2025. 64 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal de Uberlândia, Uberlândia, 2025. DOI http://doi.org/10.14393/ufu.di.2025.488.