Skip navigation
Please use this identifier to cite or link to this item: https://repositorio.unb.br/handle/10482/42968
Files in This Item:
File Description SizeFormat 
2021_SamuelEstevamVidal.pdf2,97 MBAdobe PDFView/Open
Title: O uso do aprendizado de máquina no auxílio da classificação da doença de Parkinson por meio de testes funcionais
Authors: Vidal, Samuel Estevam
Orientador(es):: Oliveira, Ricardo Jacó de
Assunto:: Testes funcionais
Aprendizagem de máquina
Parkinson, Doença de
Issue Date: 24-Feb-2022
Citation: VIDAL, Samuel Estevam. O uso do aprendizado de máquina no auxílio da classificação da doença de Parkinson por meio de testes funcionais. 2021. 77 f., il. Tese (Doutorado em Educação Física) — Universidade de Brasília, Brasília, 2021.
Abstract: A doença de Parkinson (DP) é um distúrbio motor com alta prevalência entre pessoas idosas; afeta aspectos cognitivos, sociais e psicológicos, além dos prejuízos físico- motores inerentes da doença (POEWE, 2017). Tanto o diagnóstico quanto o monitoramento da progressão da doença se dão através da combinação de exames motores que quantificam o acometimento da DP (BRASIL, 2010). Neste sentido, os testes funcionais vêm sendo amplamente aplicados para auxiliar no tratamento administrado (OPARA, 2017), bem como o uso de tecnologias avançadas, como é o caso do aprendizado de máquina (ZHAN, 2018). Assim, o objetivo desta tese foi verificar a possibilidade do auxílio na predição de classificação da doença de Parkinson a partir de aspectos funcionais de pessoas acometidas, utilizando técnicas do aprendizado de máquina. Foram considerados os dados provenientes do Programa de Atividades Físicas para Pessoas com Doenças Neurodegenerativas (PAFPDN) da Faculdade de Educação Física da Universidade de Brasília. A amostra foi composta por 82 homens e 31 mulheres, com idade média de 64,80 (± 10,18) anos. Os aspectos funcionais foram quantificados através dos escores do Timed Up and Go Test (TUG), do 30s Chair-Stand Test (T30), do Ten Meters Walk Test (TMW), e da seção II da UPDRS. As características individuais analisadas foram idade, massa e estatura; e como aspectos clínicos, a seção III da UPDRS, além da escala de Hoehn e Yahr e do tempo de diagnóstico. Quatro classificadores de aprendizado supervisionado de máquina foram testados: SVM, SVM com data augmentation, RUSBoost e RUSBoost com data augmentation. Os aspectos funcionais, clínicos e as características individuais foram combinados e testados com diferentes valores de referência da UPDRS III para verificar a acurácia da máquina em classificar a progressão da doença. O TESTE 2 (TUG, TMW, T30 e Hohen e Yahr) e o TESTE 4 (TUG, TMW, T30, idade e tempo de diagnóstico) apresentaram a melhor avaliação de classificação considerando as métricas de Fawcett (2006), ambas utilizando a pontuação 15 na UPDRS III como valor de referência. Conclui-se, então, que é possível que aspectos funcionais possam auxiliar na predição da classificação da doença de Parkinson, utilizando técnicas do aprendizado de máquina.
Abstract: Parkinson's disease (PD) is a motor disorder with a high prevalence among elderly people; it affects cognitive, social and psychological aspects, in addition to the physical-motor damage inherent to the disease (POEWE, 2017). Both diagnosis and monitoring of disease progression occur through a combination of motor tests that quantify the involvement of PD (BRASIL, 2010). In this sense, functional tests have been widely applied to assist in administered treatment (OPARA, 2017), as well as the use of advanced technologies, such as machine learning (ZHAN, 2018). Thus, the objective of this thesis was to verify the possibility of helping to predict the classification of Parkinson's disease from functional aspects of affected people, using machine learning techniques. Data from the Physical Activities Program for People with Neurodegenerative Diseases (PAFPDN) of the Faculty of Physical Education of the University of Brasília were considered. The sample consisted of 82 men and 31 women, with a mean age of 64.80 (± 10.18) years. Functional aspects were quantified through the scores of the Timed Up and Go Test (TUG), the 30s Chair-Stand Test (T30), the Ten Meters Walk Test (TMW), and section II of the UPDRS. The individual characteristics analyzed were age, mass, and height; and as clinical aspects, section III of the UPDRS, in addition to the Hoehn and Yahr scale and time of diagnosis. Four supervised machine learning classifiers were tested: SVM, SVM with data augmentation, RUSBoost and RUSBoost with data augmentation. Functional, clinical and individual characteristics were combined and tested with different UPDRS III reference values to verify the machine's accuracy in classifying disease progression. TEST 2 (TUG, TMW, T30 and Hohen and Yahr) and TEST 4 (TUG, TMW, T30, age and time since diagnosis) presented the best classification assessment considering the metrics of Fawcett (2006), both using the score 15 in UPDRS III as a reference value. We conclude, then, that it is possible that functional aspects can help predict the classification of Parkinson's disease, using machine learning techniques.
Description: Tese (doutorado) — Universidade de Brasília, Faculdade de Educação Física, Programa de Pós-Graduação em Educação Física, 2021.
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Appears in Collections:FEF - Doutorado em Educação Física (Teses)

Show full item record Recommend this item " class="statisticsLink btn btn-primary" href="/handle/10482/42968/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.