Publicação: DeepLabCut Applied to the assessment of spiral and sinusoidal patterns in individuals with Parkinson's disease
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
A doença de Parkinson (DP) é um distúrbio neurodegenerativo que afeta funções mo-
toras e não motoras. É causada pela deficiência de dopamina no cérebro, particularmente
na substantia nigra. Essa deficiência leva a sintomas como bradicinesia, tremores e rigidez,
além de sintomas não motores, como perda de memória, ansiedade e depressão. Um dos
principais desafios no diagnóstico da DP é a ausência de um método diagnóstico preciso,
objetivo e em estágio precoce. Os métodos atualmente disponíveis são, em sua maio-
ria, subjetivos e caros, e exames de imagem, como a ressonância magnética, geralmente
só apresentam alterações em estágios mais avançados da doença. Este estudo propõe
um protocolo de baixo custo e fácil replicação, apoiado por algoritmos de aprendizado
de máquina (ML), com o objetivo de auxiliar no diagnóstico da DP. O método con-
siste na realização de tarefas gráficas (espirais e ondas senoidais) gravadas por vídeo com
smartphone. As gravações foram processadas com o uso do DeepLabCut (ferramenta de
deeplearning para treinar uma rede neural específica) para extração de dados posicionais,
que foram posteriormente analisados por meio da biblioteca PyCaret, utilizando difer-
entes algoritmos de ML para a classificação dos indivíduos. Foram realizados diversos
testes variando o número de pastas e combinando técnicas de seleção de atributos (FS)
e função de otimização de hiperparâmetros (TF). O protocolo desenvolvido foi capaz de
avaliar sinais motores relevantes para o diagnóstico da DP de forma simples e acessível.
O DeepLabCut, quando treinado, alcançou uma média de precisão de 99%, apresentando
dificuldades apenas em movimentos abruptos, devido ao desfoque de imagem decorrente
de movimento. Os 14 algoritmos de ML treinados apresentaram bom desempenho, com
os melhores resultados obtidos nos testes com 3, 7 e 9 pastas, sendo o de 7 pastas o mais
equilibrado. Os três melhores classificadores — Extra Trees (ET), K-Nearest Neighbors
(KNN) e Gradient Boosting Classifier (GBC) — atingiram taxas de acurácia superiores
a 90%. As técnicas de FS e TF geralmente contribuíram para a melhora do desempenho,
embora alguns cenários apresentassem compensações entre os parâmetros. Os modelos
ET e GBC apresentaram sobreajuste devido ao tamanho reduzido do conjunto de dados,
enquanto o KNN, embora com desempenho ligeiramente inferior, foi o mais equilibrado
dos três. Em suma, o estudo apresenta uma abordagem promissora, de baixo custo e re-
produtível, para auxiliar o diagnóstico da doença de Parkinson com o uso de ferramentas
simples e técnicas de ML low-code (plataformas de baixo código).
Abstract
Parkinson’s disease (PD) is a neurodegenerative disorder that affects both motor and
non-motor functions. It is caused by dopamine deficiency in the brain, particularly in
the substantia nigra. This shortage leads to symptoms such as bradykinesia, tremor, and
rigidity, as well as non-motor symptoms like memory loss, anxiety, and depression. One of
the major challenges in diagnosing PD is the lack of a precise, objective, and early-stage
diagnostic method. Most current diagnostic techniques are subjective and expensive,
and imaging methods such as magnetic resonance imaging only become informative at
later disease stages. This study proposes a low-cost and replicable protocol supported
by Machine Learning (ML) to aid in the diagnosis of PD. The method involves drawing
tasks (spirals and sinusoidal waves) recorded via smartphone video. These recordings were
processed using DeepLabCut (DLC) (Deep learning tool to train a specific neural network
to extract positional data), which was then analyzed using PyCaret to classify individuals
with different ML algorithms. Multiple tests were conducted, varying the number of folds
and combining feature selection (FS) and tune function (TF) techniques. The protocol
successfully simulated symptoms relevant to PD diagnosis in a simple, accessible format.
DeepLabCut, when trained, achieved an average detection precision of 99%, struggling
only with abrupt movements due to motion blur. The ML models performed well, with
the best results occurring in 3, 7, and 9-fold trials. The 7-fold setup was found to be the
most balanced. The top three classifiers — Extra Trees, Gradient Boosting Classifier,
and K-Nearest Neighbors — each achieved accuracy rates above 90%. FS and tf generally
improved model performance, although some trade-offs were observed. Extra Trees and
Gradient Boosting Classifier experienced overfitting due to the small dataset, whereas K
Nearest Neighbors, despite having slightly lower performance, remained more balanced.
Overall, the study presents a promising, low-cost, and reproducible approach to assist PD
diagnosis using simple tools and low-code ML pipelines.
Palavras-chave
Parkinson's disease, doença de Parkinson, machine learning, aprendizado de máquina, DeepLabCut, DeepLabCut, computer vision, visão computacional, classification algorithms, algoritimos de classificação
Citação
NARDO, José Renato Munari. DeepLabCut applied to the assessment of spiral and sinusoidal
patterns in individuals with Parkinson's disease. 2025. 99 f. Dissertação (Mestrado em Engenharia biomédica) - Universidade Federal de Uberlândia, Uberlândia, 2025. DOI http://doi.org/10.14393/ufu.di.2025.644.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto