Reconocimiento y análisis comparativo de movimiento de la mano (finger-tapping) en pacientes con Parkinson y temblor esencial usando técnicas de visión artificial

TRABAJO FINAL DE MÁSTER
TÍTULO: RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO
DE LA MANO (FINGER-TAPPING) EN PACIENTES CON PARKINSON
Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN
ARTIFICIAL.
AUTOR: AGUILAR CHÁVEZ, RONNY ISRAEL
FECHA DE PRESENTACIÓN: FEBRERO 04, 2025
APELLIDOS: AGUILAR CHAVEZ NOMBRE: RONNY ISRAEL
TITULACIÓN: INGENIERÍA EN SISTEMAS AUTOMÁTICOS Y ELECTRÓNICA
INDUSTRIAL
PLAN: 2024-2025
DIRECTOR: HERNÁN ALBERTO GONZÁLEZ ROJAS
DEPARTAMENTO: INGENIERÍA MECÁNICA
CALIFICACIÓN DEL TFM
FECHA DE LECTURA: FEBRERO 04, 2025
Es e P oyec o iene en cuen a aspec os medioambien ales: Sí No
TRIBUNAL
PRESIDENTE
SIVATTE ADROER,
MAURICIO
SECRETARIO
RAMOS LARA, RAFAEL
RAMON
VOCAL
RODRÍGUEZ BERNUZ,
JOAN MARC
RESUMEN
Es e abajo p esen a el desa ollo de un sis ema au oma izado basado en
écnicas de isión a i icial pa a el econocimien o y análisis compa a i o del
mo imien o de inge - apping en pacien es con En e medad de Pa kinson
(EP), Temblo Esencial (TE) y pe sonas sin pa ologías neu ológicas.
U ilizando he amien as como OpenCV y MediaPipe, se p ocesa on ídeos
pa a ex ae pa áme os cla e, incluyendo ecuencia, ampli ud, i mo,
egula idad, a iga mo o a y ca ac e ís icas espec ales del mo imien o.
Es os da os pe mi ie on iden i ica pa ones dis in i os en cada g upo: los
pacien es con EP mos a on mo imien os i egula es, al a a iabilidad en los
in e alos en e picos y emblo es en eposo con ecuencias en e 3-5 Hz;
los pacien es con TE p esen a on emblo es in encionales de mayo
ecuencia (4-6 Hz) y a iaciones de ampli ud signi ica i as; mien as que los
suje os sanos e idencia on mo imien os consis en es y uni o mes.
Se implemen ó un modelo de clasi icación, que alcanzó una p ecisión del
88%, demos ando su capacidad pa a di e encia en e los es g upos. No
obs an e, el modelo p esen ó limi aciones al dis ingui en e EP y TE debido
a simili udes en sus ca ac e ís icas mo o as. El es udio des aca la u ilidad de
la isión a i icial como una he amien a no in asi a y obje i a pa a el
diagnós ico inicial y seguimien o de as o nos neu ológicos, p oponiendo
mejo as como la ampliación del da ase , la inco po ación de cáma as de
mayo p ecisión pa a análisis en iempo eal y la es anda ización de
p o ocolos de cap u a. Es os a ances pod ían op imiza la de ección
emp ana de en e medades neu odegene a i as, especialmen e en
en o nos con ecu sos limi ados.
Palab as cla e (máximo 10):
Visión a i icial
Finge - apping
En e medad de
Pa kinson
Temblo esencial
Análisis de
mo imien o
Clasi icación
Machine lea ning
Random Fo es
P ocesamien o de
imágenes
Diagnós ico
inicial
ABSTRACT
This s udy p esen s he de elopmen o an au oma ed sys em based on
compu e ision echniques o ecognize and analyze inge - apping
mo emen s in pa ien s wi h Pa kinson’s Disease (PD), Essen ial T emo
(ET), and heal hy indi iduals. Using ools such as OpenCV and MediaPipe,
ideos we e p ocessed o ex ac key pa ame e s including equency,
ampli ude, hy hm, egula i y, mo o a igue, and spec al cha ac e is ics o
he mo emen s. The analysis e ealed dis inc i e pa e ns ac oss g oups:
PD pa ien s exhibi ed i egula mo emen s, high a iabili y in peak in e als,
and es ing emo s wi h equencies anging om 3-5 Hz. ET pa ien s
displayed in en ional emo s wi h highe equencies (4-6 Hz) and signi ican
ampli ude a ia ions, while heal hy subjec s demons a ed consis en and
uni o m mo emen s.
A classi ica ion model achie ed 88% accu acy, showcasing i s capabili y o
di e en ia e among he h ee g oups. Howe e , challenges a ose in
dis inguishing PD om ET due o simila i ies in mo o cha ac e is ics. The
s udy unde sco es he po en ial o compu e ision as a non-in asi e and
objec i e ool o ini ial diagnosis and moni o ing o neu ological diso de s.
P oposed imp o emen s include da ase expansion, in eg a ion o high-
p ecision came as o eal- ime analysis, and s anda dized da a cap u e
p o ocols. These ad ancemen s could enhance ea ly de ec ion o
neu odegene a i e diseases, pa icula ly in esou ce-limi ed se ings.
Keywo ds (10 maximum):
Compu e ision
Finge - apping
Pa kinson's Disease
Essen ial T emo
Mo emen analysis
Classi ica ion
Machine lea ning
Random Fo es
Image p ocessing
Ini ial diagnosis
SUMARIO
INTRODUCCIÓN ............................................................................................... 8
1. ESTADO DEL ARTE ................................................................................. 12
1.1. FUNDAMENTOS DE LA ENFERMEDAD DE PARKINSON ............................ 12
1.1.1. PRÁCTICAS MOTRICES DE LA MANO ................................................................ 12
1.1.2. ESCALA DE VALORACIÓN DE LA ENFERMEDAD DE PARKINSON ............... 14
1.2. EL TEMBLOR ESENCIAL ............................................................................... 16
1.2.1. CARACTERÍSTICAS CLÍNICAS ............................................................................ 16
1.2.2. ESCALA DE VALORACIÓN DE LA ENFERMEDAD DEL TEMBLOR ESENCIAL
………………………………………………………………………………………………………….17
1.3. DIFERENCIAS QUE SE PUEDEN ENCONTRAR ENTRE LA ENFERMEDAD
DE PARKINSON Y TEMBLOR ESENCIAL ................................................................ 19
1.4. TECNOLOGÍA DEL MOVIMIENTO DE MANOS (FINGER-TAPPING) EN
PERSONAS CON EP Y TE ........................................................................................ 20
1.5. VISIÓN ARTIFICIAL ........................................................................................ 20
2. INDICADORES FUNDAMENTALES EN EL ANÁLISIS DEL FINGER-
TAPPING ......................................................................................................... 22
2.1. FRECUENCIA DE TAPPING ........................................................................... 24
2.2. VARIACIÓN EN LA AMPLITUD ...................................................................... 24
2.3. RITMO (REGULARIDAD DEL INTERVALO ENTRE TAPS) ........................... 25
2.4. FATIGA MOTORA ........................................................................................... 25
2.5. FRECUENCIA DE TEMBLOR ......................................................................... 26
2.6. ENTROPÍA ...................................................................................................... 26
2.7. KURTOSIS Y SKEWNESS .............................................................................. 27
2.8. VARIANZA DE INTERVALO ENTRE PICOS .................................................. 27
3. DISEÑO INFORMÁTICO ........................................................................... 28
3.1. USO DE MEDIA PIPE PARA DETECCIÓN DE PUNTOS DE REFERENCIA .. 28
3.2. EJEMPLIFICACIÓN DEL CÓDIGO ................................................................. 28
3.3. DETECCIÓN DE PUNTOS DE REFERENCIA EN LA MANO ......................... 29
3.4. RANDOM FOREST.......................................................................................... 30
3.4.1. VENTAJAS DEL RANDOM FOREST .................................................................... 30
3.4.2. DESVENTAJAS DEL RANDOM FOREST ............................................................. 31

3.4.3. JUSTIFICACIÓN DEL USO DEL RANDOM FOREST ........................................... 31
4. PROCESO DE PROGRAMACIÓN ............................................................ 31
4.1. ANÁLISIS DE VIDEO Y GENERACIÓN DE ARCHIVO DE TEXTO CON
VALORES DE TIEMPO Y DISTANCIA ...................................................................... 32
4.2. ANÁLISIS DE ARCHIVO DE TEXTO Y CÁLCULO DE PARÁMETROS
CARACTERÍSTICOS ................................................................................................. 38
4.3. EXTRACCIÓN DE CARACTERÍSTICAS DEL MOVIMIENTO Y
CLASIFICACIÓN AUTOMÁTICA EN EL ESTUDIO DE TRASTORNOS DEL
MOVIMIENTO............................................................................................................. 44
5. RESULTADOS .......................................................................................... 50
5.1. COMPARATIVA DE PARÁMETROS DE MOVIMIENTO ENTRE PACIENTES
CON PARKINSON, SUJETOS SANOS Y TEMBLOR ESENCIAL ............................. 50
5.1.1. DISCUSIÓN DE RESULTADOS ............................................................................. 52
5.2. ANÁLISIS COMPARATIVO DEL MOVIMIENTO Y GRÁFICAS OBTENIDAS A
PARTIR DEL ESTUDIO DE VIDEOS POR MEDIO DE VISIÓN ARTIFICIAL EN
PACIENTES CON PARKINSON, SUJETOS SANOS Y TEMBLOR ESENCIAL ........ 52
5.2.1. RESULTADOS DEL ANÁLISIS DE MOVIMIENTO EN UN PACIENTE CON
PARKINSON ........................................................................................................................... 52
5.2.2. RESULTADOS DEL ANÁLISIS DE MOVIMIENTO EN UN PACIENTE SANO .... 54
5.2.3. RESULTADOS DEL ANÁLISIS DE MOVIMIENTO EN UN PACIENTE CON
TEMBLOR ESENCIAL ........................................................................................................... 55
5.2.4. COMPARACIÓN Y DIFERENCIAS MOTORAS MEDIANTE UN ENFOQUE
CUANTITATIVO EN PACIENTES CON PARKINSON, TEMBLOR ESENCIAL Y SUJETOS
SANOS 56
5.2.5. DISCUSIÓN DE RESULTADOS ............................................................................. 58
5.3. MATRIZ DE CONFUSIÓN ............................................................................... 59
5.4. INTERPRETACIÓN DEL REPORTE DE CLASIFICACIÓN ............................. 61
5.5. INTERPRETACIÓN DE LOS RESULTADOS OBTENIDOS CON DIFERENTES
VALORES DE N_ESTIMATORS ................................................................................ 63
ANÁLISIS DE SOSTENIBILIDAD E IMPLICACIONES ÉTICAS ..................... 65
CONCLUSIONES ............................................................................................ 66
TRABAJO A FUTURO Y RECOMENDACIONES ........................................... 67
AGRADECIMIENTOS ...................................................................................... 68
BIBLIOGRAFÍA ............................................................................................... 69
ANEXOS .......................................................................................................... 73
SUMARIO DE FIGURAS
FIGURA 1. GOLPETEO DE DEDOS ENTRE PULGAR E ÍNDICE. FUENTE: ELABORACIÓN PROPIA .................. 13
FIGURA 2. GOLPETEO DE DEDOS ENTRE PULGAR E ÍNDICE. [10] ............................................................... 14
FIGURA 3. TEMBLOR ESSENCIAL. [24] ........................................................................................................ 16
FIGURA 4. DIAGRAMA DE BLOQUE DE ETAPAS DE UN SISTEMA DE VISIÓN ARTIFICIAL. [38] .................... 21
FIGURA 5. CLASIFICACIÓN, DETECCIÓN DEL OBJETO Y SEGMENTACIÓN DE ELEMENTOS. [40]................ 21
FIGURA 6. APLICACIÓN DE VISIÓN ARTIFICIAL EN APLICACIONS DE BIOMECÀNICA DE LA MANO. [41] ... 22
FIGURA 7. PUNTOS DE REFERENCIA PARA MODELO HANDLANDMARKER. [47] ........................................ 29
FIGURA 8. SELECCIÓN DE ARCHIVOS. FUENTE: ELABORACIÓN PROPIA .................................................... 33
FIGURA 9. VENTANA PARA INTRODUIR INICIALES DEL PACIENTE. FUENTE: ELABORACIÓN PROPIA ......... 34
FIGURA 10. PROCESO DE FINGIR-TAPPING UNIDO PULGAR E INDICE. FUENTE: ELABORACIÓN PROPIA .. 37
FIGURA 11. PROCESO DE FINGIR-TAPPING ABIERTO PULGAR E INDICE. FUENTE: ELABORACIÓN PROPIA 37
FIGURA 12. SELECCIÓN DE ARCHIVO DE DATOS. FUENTE: ELABORACIÓN PROPIA ................................... 40
FIGURA 13. CARACTERÍSTICAS AVANZADAS DE EVALUACIÓN DE FINGIR TAPPING MEDIANTE
PROGRAMACIÓN. FUENTE: ELABORACIÓN PROPIA ......................................................................... 42
FIGURA 14. GRÁFICAS CARACTERÍSTICAS DE DISTANCIA VS TIEMPO, VELOCIDAD VS TIEMPO, INTERVALO
ENTRE PICOS Y LA APLICACIÓN DE LA TRANSFORMADA RÁPIDA DE FOURIER. FUENTE:
ELABORACIÓN PROPIA....................................................................................................................... 44
FIGURA 15. RESULTADOS DE LA DATA SET Y LA CLASIFICACIÓN CORRESPONDIENTE RESPECTO A LAS
CARACTERÍSTICAS AVANZADAS DEL FINGIR-TAPPING. FUENTE: ELABORACIÓN PROPIA ................. 48
FIGURA 16. VENTANA DE PREDICCIÓN DE PACIENTES CON EP, TE Y SANOS. FUENTE: ELABORACIÓN
PROPIA. .............................................................................................................................................. 49
FIGURA 17. CUADRO DE DIALOGO QUE MUESTRA LA PREDICCIÓN DEL PACIENTE DE ACUERDO A SUS
INICIALES. FUENTE: ELABORACIÓN PROPIA....................................................................................... 49
FIGURA 18. VENTANA DE ADVERTENCIA QUE INDICA QUE LAS INICIALES INGRESADAS NO SE
ENCUENTRAN REGISTRADES EN EL DATASET. FUENTE: ELABORACIÓN PROPIA .............................. 50
FIGURA 19. GRAFICA DE LA DISTANCIA, VELOCIDAD, RITMO, ENTROPÍA PARA UN PACIENTE CON
PARKINSON. FUENTE: ELABORACIÓN PROPIA ................................................................................... 52
FIGURA 20. GRAFICA DE LA DISTANCIA, VELOCIDAD, RITMO, ENTROPÍA PARA UN PACIENTE SANO.
FUENTE: ELABORACIÓN PROPIA ........................................................................................................ 54
FIGURA 21. GRAFICA DE LA DISTANCIA, VELOCIDAD, RITMO, ENTROPÍA PARA UN PACIENTE CON
TEMBLOR ESENCIAL. FUENTE: ELABORACIÓN PROPIA ...................................................................... 55
FIGURA 22. MATRIZ DE CONFUSIÓN -RANDOM FOREST. FUENTE: ELABORACIÓN PROPIA ...................... 59
FIGURA 23. REPORTE DE CLASIFICACIÓN ACORDE A SU CONDICIÓN. FUENTE: ELABORACIÓN PROPIA ... 61
FIGURA 24. RESULTADOS CON DIFERENTES VALORES DE NÚMEROS DE ESTIMADORES VS SU PRECISIÓN.
FUENTE: ELABORACIÓN PROPIA ........................................................................................................ 63
FIGURA 25. PRUEBA CON DIFERENTES VALORES DE ESTIMADORES. FUENTE: ELABORACIÓN PROPIA..... 63
SUMARIO DE TABLAS
TABLA 1. ÍTEMS QUE SON EVALUADOS EN LOS 4 DOMINIOS DE LA ESCALA UPDRS. [20] ......................... 16
TABLA 2. ESCALA DE EVALUACIÓN DEL TEMBLOR ESENCIAL. [30] ............................................................. 18
TABLA 3. DIFERENCIAS PRINCIPALES ENTRE PARKINSON Y TEMBLOR ESENCIAL. [31] .............................. 19
TABLA 4. ESCALA DIFERENCIAS CLAVE ENTRE CLASES. FUENTE: ELABORACIÓN PROPIA .......................... 24
TABLA 5. DIFERENCIAS RELEVANTES ENTRE GRUPOS DE PACIENTES. FUENTE: ELABORACIÓN PROPIA ... 50
TABLA 6. CARACTERÍSTICAS ESENCIALES Y DESCRIPCIONES PARA CADA GRUPO DE PACIENTES. FUENTE:
ELABORACIÓN PROPIA....................................................................................................................... 58
GLOSARIO DE SIGNOS, SÍMBOLOS, ABREVIATURAS, ACRÓNIMOS Y
TÉRMINOS
apping
: F ecuencia del apping o golpe eos ealizados cada segundo
peaks
N
: Núme o o al de picos de ec ados
o al
T
: Du ación o al de la señal, que es la di e encia en e el iempo inal y el iempo
inicial
ampli ud

: Va iación debido a la dispe sión en la ampli ud de los mo imien os en unción
del iempo
N
: Núme o o al de alo es (mues as)
i
A
: Ampli udes de los picos
A
: Ampli ud p omedio
in e alo

: Ri mo (Regula idad del in e alo en e los golpe eos)
i
I
: In e alos en e el pico inal y el inicial
I
: In e alo p omedio
ampli ud
F
: Fa iga en ampli ud medida en cambio po cen ual
inal inicial
AA−
: Di e encia en e las ampli udes de los p ime os y úl imos picos,
espec i amen e
ecuencia
F
: Fa iga en ecuencia calculado en la p ime a y segunda mi ad del eje cicio
apping
: F ecuencia del apping
 
Xk
: Es el alo ans o mado de la señal en la ecuencia k. Rep esen a la magni ud
y la ase de la componen e de ecuencia co espondien e.
 
xn
: Es la señal en el dominio del iempo, es deci , los alo es disc e os de la señal.
2j kn
N
e

−
: Es el núcleo complejo de la T ans o mada disc e a de Fou ie (DFT)
H
: En opía
i
P
: P obabilidad asociada al alo i en el his og ama de la señal
i
xx−
: dis ibución de las ampli udes de la señal
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
14
mo o a suplemen a ia, la co eza senso iomo o a del lado izquie do, los ganglios
basales, el álamo, el ce ebelo de echo, la co eza empo al supe io y la co eza
p emo o a la e al. En cambio, pa a ac i idades que supe an un segundo, se ac i an
es uc u as como la co eza p e on al, el lóbulo pa ie al de echo y la egión mo o a
suplemen a ia, lo cual ocu e debido a las mayo es exigencias en los p ocesos de
a ención y la memo ia de abajo imp escindibles pa a sos ene la concen ación [7].
Las ac i idades de golpe eo con los dedos esul an bene iciosas pa a alo a la
exci abilidad cen al y la conduc i idad en pacien es con as o nos ce eb o ascula es y
en pe sonas saludables. Además, uncionan como indicado es de e olución en
pa ologías como la escle osis múl iple (EM), siendo un ins umen o ap opiado pa a
in es igaciones ans e sales y longi udinales que e alúan la e olución de
en e medades y el e ec o de á macos [8, 9].
Figu a 2. Golpe eo de dedos en e pulga e índice. [10]
Va ios elemen os a ec an la egula idad del apping en adul os saludables y pacien es
neu ológicos. El sexo y la edad in luyen en el desempeño, siendo la educción más
no able en muje es de edad a anzada, mien as que la dominancia manual ambién
iene un papel [11]. Adicionalmen e, el es udio de la a ea y ac i idades ales como
depo es, ideojuegos, manualidades o música pueden inc emen a la egula idad de
golpe eo [12]. Newsome e al., [13] descub ie on que las ecuencias más bajas de
apping es án inculadas con pun uaciones ele adas (> 4,0) en la escala EDSS.
Po consiguien e, ue encon ada una co elación en e la ecuencia de apping y la
ue za de aga e, aunque no con la EDSS de mane a ans e sal, lo que sugie e un
de e io o musculoso elacionado con el es ilo de ida. Gulde y colabo ado es
co obo a on un ínculo sólido en e la ecuencia de aping y la EDSS [14]. Finalmen e,
ambién la ho a del día iene un impac o, ya sea debido al ago amien o acumulado, los
i mos ci cadianos o la empe a u a co po al después de la ac i idad ísica.
1.1.2. ESCALA DE VALORACIÓN DE LA ENFERMEDAD DE
PARKINSON
A lo la go de décadas, los expe os han desa ollado a ias escalas pa a ayuda a
diagnos ica y con ola la en e medad de Pa kinson (EP). Ac ualmen e exis e una
amplia gama de es os ins umen os, en e los que se incluyen la escala de Hoehn y
Yah , Ziegle -Ble on, NUDS, Webs e , CURS, la escala PD Gai , la escala King's College

RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
15
Hospi al y la escala ISAPD [15]. Sin emba go, la más u ilizada en la p ác ica clínica es
la Escala Uni icada de Cali icación de la En e medad de Pa kinson (UPDRS), lo que la
hace especialmen e ú il pa a el seguimien o longi udinal de la en e medad debido a su
p o ocolo de e aluación in eg al [16].
La UPDRS se c eó en los años 80 po un g upo di igido po el p o eso S anley Phan y
ac ualmen e es una he amien a econocida a ni el global pa a analiza la e olución de
la en e medad de Pa kinson y la eacción del pacien e a los a amien os. Es a escala
aba ca di e en es á eas, no malmen e con pun uaciones de 0 (sin daño) a 4 (daño
g a e): El P ime Dominio examina el es ado cogni i o, el compo amien o y el ánimo
del pacien e. El Segundo Dominio se concen a en las ac i idades co idianas. Se
p esen an complicaciones en es e dominio asociadas a las p uebas y al a amien o po
ía in a enosa [17, 18].
Es a á ea a a aspec os elacionados con el es ado men al, el compo amien o y el
es ado de ánimo. El dominio II se cen a en las ac i idades de la ida dia ia y el dominio
IV incluye complicaciones elacionadas con el a amien o [19].La UPDRS e alúa un
o al de 44 í ems, de los cuales 37 u ilizan una escala de 0 a 4, y los 7 es an es se
esponden con “sí” o “no”, como se mues a en la Tabla 1.
DOMINIO I: Es ado men al, conduc a y Humo
A ec ación In elec ual
Dep esión
T as o nos del Pensamien o
Mo i ación - Inicia i a
DOMINIO II: Ac i idades de la ida Dia ia
Lenguaje
Vol e se en la cama/ Ajus a las
sábanas
Sali ación
Caídas
Deglución
Congelación al camina
Esc i u a
Camina
Co a Alimen os/ Maneja U ensilios
Temblo
Ves i
Sín omas senso iales elacionados
con el Pa kinsonismo
Higiene
DOMINIO III: Examen Mo o
Lenguaje
P onación - supinación de las manos
Exp esión Facial
Agilidad de las pie nas
Temblo de Reposo en MMSS y MMII
Le an a se de la silla
Temblo Pos u al o de acción de
las manos
Pos u al
Rigidez (Axial, MMSS y MMII)
Ma cha Es abilidad Pos u al
Golpe eo de dedos de las manos
Es abilidad Pos u al
Mo imien os al e nan es con las
manos
B adicinesia e Hipocinesia
DOMINIO IV: Complicaciones del T a amien o
Du ación de Discinesias
Fluc uaciones (pe iodos o de
ins au ación)
Incapacidad de Discinesias
Fluc uaciones (p opo ción del día igil
- o )
Discinesias dolo osas
P esen a (Ano exia, náuseas o
ómi os)
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
16
P esencia de Dis onia Ma u ina
P esen a as o no del sueño
Fluc uaciones (pe iodos o
p edecibles)
Tiene os os a ismo sin omá ico
Fluc uaciones (pe iodos o
imp edecibles)
Tabla 1. Í ems que son e aluados en los 4 dominios de la escala UPDRS. [20]
Apa e de la en e medad de Pa kinson, exis en o os as o nos del mo imien o que
ienen ca ac e ís icas clínicas únicas pe o que pueden compa i sín omas como los
emblo es. En e ellos, el emblo esencial es un as o no neu ológico des acado que,
aunque más común que la en e medad de Pa kinson, iene una isiopa ología y un
impac o uncional di e en es. Una inme sión más p o unda en su análisis compa a i o
es esencial pa a dis ingui en e es as dos condiciones, especialmen e cuando se
u ilizan he amien as de e aluación como la escala UPDRS y ecnologías a anzadas
como Mic oso Kinec V2 pa a es udia pa ones de mo imien o especí icos [21].
1.2. EL TEMBLOR ESENCIAL
El emblo esencial (TE) es el as o no del mo imien o más común en adul os y, aunque
gene almen e se conside a una a ección benigna po que no aco a la espe anza de ida
ni causa mani es aciones adicionales de emblo , puede causa discapacidad ísica y
psicosocial g a e. Aunque la TE es un ema de deba e en la li e a u a médica, se
conside a un as o no mul isin omá ico que puede es a asociado con cambios
cogni i os, al e aciones psicopa ológicas y p oblemas elacionados con el sueño [22].
Se es ima que su p e alencia eal es diez eces mayo que la p e alencia eó ica y
ap oximadamen e ein e eces mayo que la de la en e medad de Pa kinson, con un
ango global del 0,32% al 1,33% y un aumen o signi ica i o con la edad [23].
Figu a 3. Temblo essencial. [24]
1.2.1. CARACTERÍSTICAS CLÍNICAS
El emblo esencial se ca ac e iza po a ec a p incipalmen e a las ex emidades
supe io es, especialmen e a las manos, pe o ambién puede a ec a a o as zonas de la
muscula u a es iada, y es simé ico y bila e al [25]. Las mani es aciones clínicas son
he e ogéneas, po lo que es di ícil iden i ica un único mecanismo isiopa ológico. Sin
emba go, se c ee que impo an es componen es gené icos y cambios en los ci cui os
ce ebelo- álamoco icales son los p incipales ac o es de su o igen [26].
A ni el del ce ebelo se ha encon ado una disminución en la iden idad de los axones de
las células de Pu kinje y del neu o ansmiso GABA, mien as que en el álamo se asocia
con una dis unción en el in e núcleo en al, p incipal zona ecep o a de señales del
ce eb o [27]. Clínicamen e, el emblo es pos u al, simé ico y a ec a p incipalmen e a
manos y b azos, pe o ambién puede a ec a a los miemb os in e io es, la cabeza o la
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
17
oz. Además, suele ene an eceden es amilia es y, en algunos casos, la a ección
mejo a después de bebe alcohol, lo que aumen a la especi icidad de su diagnós ico y
a amien o [28].
1.2.2. ESCALA DE VALORACIÓN DE LA ENFERMEDAD DEL
TEMBLOR ESENCIAL
La siguien e abla desc ibe los c i e ios de e aluación u ilizados pa a de e mina la
g a edad y el impac o uncional del emblo esencial en di e sos aspec os de la ida
dia ia. Cada ac i idad se cali ica en una escala de 0 a 4, donde 0 ep esen a una
ac i idad no mal y sin de e io o y 4 ep esen a un de e io o se e o o incapacidad pa a
ealiza la a ea. Es as ca ego ías cub en aspec os como edacción, p esen ación,
habilidades nu icionales, higiene pe sonal, es imen a y desempeño labo al [29]. Es a
clasi icación pe mi e de e mina la ampli ud del emblo y su e ec o en a eas
especí icas, p opo ciona una comp ensión in eg al del g ado de pa icipación y acili a
la compa ación de pacien es o el seguimien o de su e olución clínica.
1-9 Temblo
0 = Nada.
3 = Ma cada ampli ud (1-2 cm).
1 = Le e (ampli ud < 0,5 cm). Puede se
in e mi en e.
4 = Se e a (ampli ud > 3 cm).
2 = Mode ada ampli ud (0,5-1 cm). Puede
se in e mi en e.
10. Esc i u a
0 = No mal.
3 = Ma cadamen e ano mal. Ilegible.
1 = Mínimamen e ano mal. Le emen e
emblo oso.
4 = Se e amen e ano mal. Incapaz de
pone la pluma o bolíg a o en el papel sin
suje a la mano con la o a mano.
2 = Mode adamen e ano mal. Legible,
pe o con conside able emblo .
11-13. Delinea
0 = No mal.
3 = Realiza la a ea con g an di icul ad.
Muchos e o es.
1 = Le emen e emblo osa. Puede c uza
las líneas ocasionalmen e.
4 = Incapaz de comple a la.
2 = Mode adamen e emblo osa o c uza
las líneas ecuen emen e.
14. Ve e
0 = No mal.
3 = De ama bas an e agua (10-50%).
1 = Más cuidadosa que una pe sona sin
emblo , pe o sin de ama agua.
4 = Incapaz de e e la sin de ama casi
oda el agua.
2 = De ama una pequeña can idad de
agua. (Al ededo del 10%).
15. Habla
0 = No mal.
3 = Mode ado emblo de oz.
1 = Le emen e emblo osa sólo cuando
es á ne iosa.
4 = Se e o emblo de oz. Algunas
palab as di íciles de en ende .
2 = Le emen e emblo osa siemp e.
16. Come
0 = No mal.
3 = Ma cadamen e ano mal. Incapaz de
co a o no usa las dos manos pa a
come .
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
18
1 = Le emen e ano mal. Puede lle a los
alimen os a la boca, de amándolos sólo
a amen e.
4 = Se e amen e ano mal. Necesi a
ayuda pa a come .
2 = Mode adamen e ano mal.
F ecuen emen e de ama los guisan es y
simila es.
17. Lle a líquidos a la boca
0 = No mal.
3 = Ma cadamen e ano mal. Puede bebe
en aso, pe o necesi a las dos manos.
1 = Le emen e ano mal. Puede usa la
cucha a, pe o no si es á comple amen e
llena.
4 = Se e amen e ano mal. Necesi a usa
una cañi a.
2 = Mode adamen e ano mal. Incapaz de
usa la cucha a. Usa copa o aso
18. Higiene
0 = No mal.
3 = Ma cadamen e ano mal. Incapaz de
ealiza las a eas inas, ales como
pin a se los labios o a ei a se, incluso con
máquina eléc ica, sin usa las dos
manos.
1 = Le emen e ano mal. Lo ealiza odo,
pe o cuidadosamen e.
4 = Se e amen e ano mal. Incapaz de
ealiza solo cualquie a ea ina.
2 = Mode adamen e ano mal. Lo ealiza
odo, pe o con e o es, debiendo u iliza
maquinilla eléc ica a causa del emblo .
19. Ves i se
0 = No mal.
3 = Ma cadamen e ano mal. Necesi a
asis encia pa a abo ona se u o as
ac i idades, como ab ocha se los
zapa os.
1 = Le emen e ano mal. Capaz de
hace lo odo, pe o de una o ma
cuidadosa.
4 = Se e amen e ano mal. Requie e
asis encia incluso en las a eas básicas.
2 = Mode adamen e ano mal. Capaz de
hace lo odo, pe o con e o es.
20. Esc ibi
0 = No mal.
3 = Ma cadamen e ano mal. Ilegible.
1 = Le emen e ano mal. Legible; capaz de
esc ibi ca as la gas.
4 = Se e amen e ano mal. Incapaz de
i ma .
2 = Mode adamen e ano mal. Legible; no
puede esc ibi ca as la gas.
21. T abajo
0 = El emblo no in e ie e en el abajo.
3 = Incapaz de un abajo egula . Puede
habe cambiado de abajo a causa del
emblo . El emblo limi a las labo es del
hoga , como el planchado.
1 = Capaz de abaja , pe o necesi a se
más cuidadoso que una pe sona no mal.
4 = Incapaz de ealiza cualquie abajo.
Las labo es de la casa son muy limi adas.
2 = Capaz de abaja , pe o con e o es.
Empeo amien o de su endimien o labo al
po causa del emblo .
Tabla 2. Escala de e aluación del emblo esencial. [30]
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
19
1.3. DIFERENCIAS QUE SE PUEDEN ENCONTRAR ENTRE LA
ENFERMEDAD DE PARKINSON Y TEMBLOR ESENCIAL
Di e encia el emblo esencial de la en e medad de Pa kinson p esen a desa íos
diagnós icos elacionados con la supe posición de sín omas mo o es. En es e con ex o,
las écnicas a anzadas de análisis del mo imien o se han con e ido en he amien as
cla e pa a es udia y cuan i ica los cambios de mo imien o, pa icula men e los cambios
en los mo imien os del b azo. Disposi i os como Mic oso Kinec V2, senso es
ine ciales y ecnología de isión a i icial pueden egis a con p ecisión pa áme os
como la elocidad, ampli ud y ecuencia del mo imien o, p opo cionando e aluaciones
obje i as y no in asi as.
Aunque compa en la mani es ación de emblo es es as dos en e medades. En gene al
se puede des aca algunas di e encias, Él TE se ca ac e iza po un emblo de acción
que a ec a p incipalmen e las manos, cabeza y oz, mejo ando con el consumo de
alcohol, mien as que en la EP el emblo es de eposo, acompañado de igidez,
b adicinesia y no in luido po el alcohol. En cuan o a la e iología, el TE iene un ue e
componen e gené ico asociado al gen LINGO1, mien as que la EP esul a de una
combinación de ac o es gené icos, ambien ales y en ejecimien o. Los sín omas del TE
incluyen al e aciones cogni i as le es, mien as que en la EP son ecuen es el de e io o
cogni i o se e o y los as o nos del sueño. Te apéu icamen e, el TE esponde a
be abloquean es y an icon ulsi an es, mien as que la EP es a ada e icazmen e con
le odopa en e apas iniciales. Además, el TE p og esa len amen e con meno impac o
uncional, mien as que la EP es neu odegene a i a y al amen e discapaci an e [31].
Tabla 3. Di e encias p incipales en e Pa kinson y Temblo Esencial. [31]
Ca ac e ís icas
En e medad de Pa kinson (EP)
Temblo Esencial (TE)
Tipo de emblo
Temblo en eposo (p edomina en
elajación)
Temblo de acción (du an e el
mo imien o)
Dis ibución
inicial
Unila e al, a ec a una mano o
pie na p ime o
Bila e al y simé ico, a ec a
manos y b azos
Sín omas
asociados
B adicinesia, igidez muscula ,
al e aciones en la ma cha y
equilib io
Temblo dominan e, posibles
al e aciones cogni i as le es
E iología
Asociada a ac o es ambien ales,
gené icos y edad a anzada
Pa ón he edi a io, au osómico
dominan e
Respues a al
a amien o
Buena espues a a le odopa en
e apas iniciales
No esponde a le odopa; se
usa p opanolol o p imidona
P og esión
P og esi a y neu odegene a i a
P og esi a pe o más len a y
menos incapaci an e
Impac o en la
calidad de ida
Impac o signi ica i o con de e io o
uncional
In e ie e en ac i idades
co idianas, pe o con meno
impac o

RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
20
1.4. TECNOLOGÍA DEL MOVIMIENTO DE MANOS (FINGER-
TAPPING) EN PERSONAS CON EP Y TE
Hay di e sos en oques des inados a in es iga los mo imien os manuales en indi iduos
con en e medad de Pa kinson y Temblo Esencial que han sus i uido las e aluaciones
clínicas con encionales que ealizaban los p o esionales de la salud. El obje i o
undamen al de odos es os en oques es ob ene una e aluación al amen e p ecisa,
pe mi iendo a los especialis as u iliza es as he amien as analí icas de g an calidad
pa a supe isa odas las ases de la EP y TE.
Una de las ecnologías suge idas es la he amien a Kinec , que cuen a con un amplio
conjun o de ca ac e ís icas que la hacen eno memen e e ec i a pa a la de ección y el
seguimien o de coo denadas; sin emba go, el senso p esen a cie as limi aciones en
aspec os como el campo de isión, el econocimien o de a iculaciones, la p o undidad
y la calidad de imagen de la cáma a [32]. La ápida capacidad del senso Mic oso
Kinec V2 pa a pe cibi el en o no y su habilidad pa a iden i ica la posición de las manos
y los dedos lo hace ideal pa a analiza cómo se compo an los dedos al ac o y los
di e en es ges os de las manos, como al encende y apaga la pan alla [33].
La me a undamen al del p oyec o es acili a la adopción de la nue a ecnología
Mic oso Kinec 2, de modo que los pacien es con EP y TE eciban un sis ema de
e aluación más e ec i o de sus condiciones ísicas en elación con la e sión 1. Una de
las unciones más des acadas del Kinec V2 es su cáma a de p o undidad, la cual
analiza la in o mación en e el senso y el obje o a a és de un en oque de iempo de
uelo, empleando senso es ac i os pa a de e mina la dis ancia a una zona median e el
cálculo de un camino unidi eccional, así como dis ancia y elocidad [34].
1.5. VISIÓN ARTIFICIAL
Es una ama de la in eligencia a i icial que pe mi e a las máquinas in e p e a y analiza
imágenes o secuencias de ídeo de o ma au oma izada. El campo combina algo i mos
de p ocesamien o de imágenes, ap endizaje au omá ico y écnicas in o má icas
a anzadas pa a iden i ica pa ones y ex ae ca ac e ís icas ele an es de las
imágenes, que son pa icula men e ú iles en aplicaciones biomédicas y clínicas [35]. La
isión a i icial es un á ea ecnológica que busca emula la capacidad humana pa a
comp ende e in e p e a isualmen e su en o no, pe mi iendo que disposi i os o
maquina ias ecolec en y ges ionen in o mación de imágenes digi ales. Su me a no se
limi a a la obse ación, sino que ambién aba ca la ecolección y análisis de in o mación
isual pa a esol e p oblemas especí icos y comp ende [36].
En el con ex o del análisis del mo imien o, la isión po compu ado a se u iliza pa a
es udia la dinámica y las ca ac e ís icas del mo imien o de pe sonas con en e medades
como la en e medad de Pa kinson o el emblo esencial, pe mi iendo una e aluación
obje i a y no in asi a de su condición. Es e campo combina mé odos a anzados pa a
ecolec a , analiza , p ocesa y en ende imágenes de la ida co idiana, gene ando
in o mación que puede adop a o mas numé icas o simbólicas. Es as compe encias se
ob ienen median e algo i mos pa a el p ocesamien o de imágenes digi ales, ap endizaje
p o undo y edes neu onales, que pe mi en a las máquinas iden i ica pa ones e
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
21
iden i ica obje os [37].
El uncionamien o básico de un sis ema de isión a i icial equie e una se ie
es uc u ada de pasos que se combinan en un diag ama de lujo pa a o ganiza el
p oceso desde la ecopilación de da os has a la oma de decisiones, de acue do con lo
desc i o en la Figu a 4.
Figu a 4. Diag ama de bloque de e apas de un sis ema de isión a i icial. [38]
La in eligencia a i icial basada en la isión a i icial, es esencial en el In e ne de las
Cosas (IoT), el In e ne Indus ial de las Cosas (IIoT) y las in e aces en e el ce eb o y
el se humano. Facili a el econocimien o y seguimien o de acciones humanas complejas
en con enidos mul imedia median e mé odos so is icados de p ocesamien o de
imágenes y ap endizaje p o undo. Me odologías es ablecidas como el ap endizaje
supe isado, no supe isado y semi-supe isado emplean algo i mos especializados,
como las máquinas de sopo e ec o ial (SVM), las ecinas más p óximas (KNN) y las
edes neu onales con olucionales (CNN), pa a lle a a cabo labo es como la
segmen ación, ca ego ización y es udio de pa ones. Es as he amien as simpli ican
usos esenciales en la au oma ización, la salud y los sis emas de in e acción en e
humanos y máquina [39].
Figu a 5. Clasi icación, de ección del obje o y segmen ación de elemen os. [40]
OBTENER DE
IMÁGENES •E apa
senso ial
TRANSFORMAR Y
FILTRAR IMÁGENES •E apa de
p ep ocesado
AISLAR CIERTOS
OBJETOS DE LA
IMAGEN
•E apa de
segmen ación
ANÁLISIS DE
CARACTERÍSTICAS •E apa de
pa ame ización
RECONOCIMIENTO •E apa de
clasi icación
INTERPRETAR DE
LA ESCENA •Ac uación según
esul ados
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
22
1.6. VISIÓN ARTIFICIAL APLICADO AL FINGER TAPPING
El a ículo "Compu e Vision o Pa kinson’s Disease E alua ion: A Su ey on Finge
Tapping Assessmen " esal a cómo las écnicas de isión po compu ado a, a pa i de
cáma as RGB y análisis de ideo, pe mi en ex ae ca ac e ís icas cla e como la
elocidad, ampli ud y ecuencia de los mo imien os de los dedos. Es os da os se
analizan median e algo i mos de ap endizaje au omá ico pa a ob ene medidas obje i as
que complemen an las e aluaciones clínicas adicionales. Además, se mencionan los
bene icios de es as ecnologías, como la posibilidad de ealiza e aluaciones no
in asi as, en iempo eal, y con meno dependencia de la subje i idad del e aluado
clínico.
Es a e isión sub aya el impac o posi i o que las ecnologías de isión a i icial pueden
ene en la p ác ica clínica, acili ando el moni o eo con inuo de los pacien es y
op imizando la de ección p ecoz de al e aciones mo o as asociadas con la EP [41].
Figu a 6. Aplicación de isión a i icial en aplicacions de biomecànica de la mano. [41]
En o os es udios además, se in oducen écnicas de no malización pa a ajus a ac o es
ex e nos, como la posición de la cáma a y la dis ancia del suje o, asegu ando que las
mediciones sean consis en es y p ecisas. Los esul ados demos a on que es e en oque
es capaz de p opo ciona medidas obje i as y ep oducibles, lo que pe mi e iden i ica
al e aciones mo o as con mayo sensibilidad que los mé odos manuales adicionales.
El es udio des aca las en ajas de es a ecnología, especialmen e en su po encial pa a
se u ilizada en en o nos emo os, acili ando el moni o eo de los pacien es sin
necesidad de isi as ecuen es a la clínica. Sin emba go, se mencionan e os como la
necesidad de alida es os mé odos en poblaciones más amplias y de in eg a los da os
en los lujos de abajo clínicos exis en es.
El ma co de isión a i icial ep esen a un a ance signi ica i o hacia la e aluación
au oma izada de los mo imien os mo o es en la EP, o eciendo una he amien a que
complemen a las e aluaciones clínicas adicionales y mejo a la obje i idad en el
diagnós ico y seguimien o [42].
2. INDICADORES FUNDAMENTALES EN EL ANÁLISIS
DEL FINGER-TAPPING
En el análisis de inge apping pa a pe sonas sanas, con Pa kinson, y con emblo
esencial; el es udio de las ca ac e ís icas y pa áme os son undamen ales, po que cada
g upo p esen a pa ones dis in i os en las mé icas asociadas con el mo imien o mo o .
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
23
Es as di e encias pe mi en e alua la unción neu omo o a, iden i ica anomalías y
dis ingui en e condiciones clínicas.
1. Pe sonas sin ninguna pa ología
• Ca ac e ís icas mo o as:
o Mo imien os egula es y uni o mes con baja a iación en la ampli ud y el
i mo.
o Al a ecuencia de apping debido a un sis ema mo o in ac o.
o Baja a iga mo o a, lo que indica esis encia en la ejecución de
mo imien os epe i i os.
• Impo ancia en el análisis:
o Pe mi e es ablece un con ol basal pa a compa a con las o as clases.
o Ayuda a di e encia mo imien os no males de pa ones pa ológicos.
o El sis ema ne ioso pe i é ico (SNP) in e ac úan de mane a e icien e,
coo dinando mo imien os ápidos y p ecisos.
2. En e medad de Pa kinson (EP)
• Ca ac e ís icas mo o as:
o B adicinesia: Mo imien os más len os y con meno ecuencia debido a
la dis unción de los ganglios basales y la al a de dopamina.
o Va iación de ampli ud: Los mo imien os pie den ue za con el iempo,
mos ando mayo a iabilidad.
o Ri mo i egula : Los in e alos en e picos son inconsis en es debido a la
al e ación de los ci cui os mo o es.
o Fa iga mo o a: Reducción de la ampli ud y la ecuencia con el iempo,
e lejando esis encia mo o a limi ada.
o F ecuencia de emblo (3-7 Hz): Temblo ca ac e ís ico de eposo que
puede in e e i con el apping.
• Impo ancia en el análisis:
o Las mé icas como el i mo, la ecuencia de apping y la a iga mo o a
son cla e pa a de ec a y cuan i ica la se e idad de los sín omas
mo o es.
o Pe mi e di e encia EP de o as condiciones como el emblo esencial.
o Los ganglios basales, esponsables de inicia y egula los mo imien os,
es án a ec ados en la EP, esul ando en un con ol mo o de ec uoso.
3. Temblo esencial (TE)
• Ca ac e ís icas mo o as:
o F ecuencia al a de emblo es (>8 Hz): A menudo du an e la acción, en
con as e con el emblo de eposo de la EP.
o Ri mo egula : A pesa del emblo , los mo imien os suelen se más
consis en es en in e alos y ampli udes que en la EP.
o Meno a iga mo o a: Menos a ec ación en la esis encia, compa ado
con el Pa kinson.
o Cu osis al a: Los mo imien os p esen an picos más de inidos debido a
la ampli ud cons an e del emblo .
• Impo ancia en el análisis:
o Di e encia en e TE y EP es c ucial po que los a amien os son
dis in os.
o Las mé icas como la ecuencia de emblo y la egula idad pe mi en
una clasi icación p ecisa.
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
30
puede segui las, lo que mejo a la u ilización del modelo y disminuye la ca ga in o má ica
[44].
3.4. RANDOM FOREST
El Random Fo es es un algo i mo de ap endizaje au omá ico que pe enece a los
mé odos de ensamble. Es e modelo se basa en la gene ación de múl iples á boles de
decisión independien es, que abajan de mane a conjun a pa a mejo a la p ecisión de
las p edicciones. Pa a consolida sus esul ados, u iliza es a egias como el p omedio
(en p oblemas de eg esión) o el o o mayo i a io (en p oblemas de clasi icación) [51].
En el con ex o de es e p oyec o, el uso del Random Fo es esul a pa icula men e
ele an e debido a las en ajas desc i as a con inuación.
3.4.1. VENTAJAS DEL RANDOM FOREST
i. Robus ez en e al uido y los da os al an es:
o Random Fo es es capaz de maneja conjun os de da os con uido o
alo es al an es. Es o es especialmen e impo an e en el ámbi o
biomédico, donde los da os pueden se he e ogéneos debido a la
a iabilidad en los pacien es o a limi aciones en los disposi i os de
cap u a de da os [45].
ii. Reducción del iesgo de sob eajus e:
o Al combina múl iples á boles, el modelo mi iga el iesgo de sob eajus e
p esen e en los á boles de decisión indi iduales, log ando una mejo
gene alización en da os nue os [46].
iii. Capacidad pa a modela elaciones no lineales:
o Es e algo i mo es ideal pa a iden i ica pa ones complejos y no lineales,
ca ac e ís icas comunes en el análisis de mo imien os inos como el
inge - apping en pacien es neu ológicos [48].
i . Selección au omá ica de ca ac e ís icas ele an es:
o Random Fo es e alúa la impo ancia de cada ca ac e ís ica en el
p oceso de clasi icación, lo que pe mi e iden i ica las a iables más
ele an es pa a di e encia en e Pa kinson y emblo esencial [49].
. Escalabilidad y lexibilidad:
o Funciona e icien emen e en conjun os de da os g andes o con muchas
ca ac e ís icas, como las de i adas de análisis de ideo, man eniendo un
iempo de en enamien o azonable [50].
i. In e p e abilidad ela i a:
o Aunque no es comple amen e in e p e able, o ece mé icas como la
impo ancia de las a iables, ú iles pa a jus i ica los esul ados an e
audiencias médicas o écnicas [51].

RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
31
3.4.2. DESVENTAJAS DEL RANDOM FOREST
i. Complejidad del modelo:
o Compa ado con un único á bol de decisión, Random Fo es es más di ícil
de in e p e a , lo que puede se un desa ío en en o nos donde la
explicación cla a de los esul ados es undamen al [46].
ii. Reque imien os compu acionales:
o En ena y u iliza Random Fo es puede se cos oso en é minos de
iempo y memo ia, especialmen e con g andes olúmenes de da os o
con igu aciones con muchos á boles [48].
iii. Sensibilidad a ca ac e ís icas ca egó icas con muchos ni eles:
o Las a iables ca egó icas con múl iples ni eles pueden in lui de mane a
desp opo cionada en el modelo, gene ando posibles sesgos si no se
manejan adecuadamen e [45].
i . Desempeño ela i o en e a edes neu onales:
o Aunque es obus o, puede no alcanza el ni el de p ecisión de écnicas
más a anzadas, como las edes neu onales p o undas, en p oblemas
con da os ex emadamen e complejos o de g an amaño [49].
3.4.3. JUSTIFICACIÓN DEL USO DEL RANDOM FOREST
En es e p oyec o, el Random Fo es se emplea como he amien a cla e pa a la
clasi icación y análisis de pa ones de mo imien o de los dedos, cap u ados a a és de
écnicas de isión a i icial. Su capacidad pa a maneja da os he e ogéneos, iden i ica
ca ac e ís icas ele an es y e i a el sob eajus e lo con ie e en una opción idónea pa a
los obje i os plan eados. Además, su meno complejidad en compa ación con mé odos
más a anzados, como las edes neu onales, acili a la in e p e ación de los esul ados
y su p esen ación an e audiencias médicas o cien í icas, donde la anspa encia y la
jus i icación de los mé odos son esenciales.
Finalmen e, el uso del Random Fo es pe mi e es ablece una base sólida pa a el
análisis compa a i o en e pacien es con Pa kinson y emblo esencial, p opo cionando
esul ados con iables y gene alizables que pod ían se complemen ados en el u u o con
modelos más so is icados si ue a necesa io.
4. PROCESO DE PROGRAMACIÓN
Pa a lle a a cabo el es udio de mane a e icien e y es uc u ada, el p oyec o se di ide
en es ases p incipales, implemen adas a a és de p og amas independien es:
1. Análisis de ideo: En es a e apa inicial, se p ocesan los ideos de cada
pacien e pa a ex ae in o mación ele an e. Como esul ado, se gene a un
a chi o de ex o (. x ) que con iene da os cla e, como el iempo y la dis ancia
en e los dedos pulga e índice du an e la p ueba de inge apping.
2. Cálculo de ca ac e ís icas y isualización: En el segundo p og ama, los
a chi os gene ados son analizados pa a calcula una se ie de mé icas
a anzadas elacionadas con el mo imien o, como la ecuencia de apping, la
a iación de ampli ud, la egula idad ( i mo), la a iga mo o a y o as
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
32
ca ac e ís icas es adís icas como la en opía, la cu osis y la dimensión ac al.
Adicionalmen e, se gene an g á icos pe sonalizados pa a cada pacien e, lo que
acili a la isualización y comp ensión de sus pa ones mo o es indi iduales.
3. Cons ucción del da ase y clasi icación: Finalmen e, el e ce p og ama
consolida la in o mación en un da ase que ag upa las ca ac e ís icas de odos
los pacien es, o ganizadas po clases (po ejemplo, sano, Pa kinson, emblo
esencial). Es e da ase se u iliza pa a en ena un modelo de ap endizaje
au omá ico, como Random Fo es , que pe mi e p edeci y clasi ica
au omá icamen e a un pacien e elegido al aza según sus ca ac e ís icas
mo o as.
Es a me odología asegu a un lujo es uc u ado desde la ex acción de da os has a el
análisis au oma izado, lo que acili a la in e p e ación clínica y la compa ación en e
di e en es g upos de pacien es.
4.1. ANÁLISIS DE VIDEO Y GENERACIÓN DE ARCHIVO DE
TEXTO CON VALORES DE TIEMPO Y DISTANCIA
El código que se p esen a a con inuación, ealizado en lenguaje Py hon, implemen a la
de ección y medición de la dis ancia en e el pulga y el índice de la mano en un ideo
de en ada. Es a medición puede esul a especialmen e ú il en la e aluación clínica de
as o nos del mo imien o, ales como la en e medad de Pa kinson o el emblo esencial,
en la a ea especí ica de “ inge - apping”, y a la ez gene a un a chi o de ex o en cual
se gua da án los alo es de iempo y dis ancia pa a cada ideo que se haya p ocesado
en es e código.
Impo ación de Biblio ecas y Módulos
impo c 2
impo mediapipe as mp
impo ma h
impo ime
impo kin e as k
om kin e impo iledialog, simpledialog
impo os
En es e bloque se impo an las biblio ecas necesa ias:
• OpenCV (c 2): Lib e ía de OpenCV pa a el p ocesamien o de imágenes y ideo.
Pe mi e la cap u a y lec u a de o og amas, así como unciones de dibujo y
isualización.
• mediapipe: Incluye la solución MediaPipe Hands, que acili a la de ección y
seguimien o de manos y dedos.
• ma h: Pa a cálculos ma emá icos, como la dis ancia euclidiana.
• ime: Pa a ges iona iempos y egis a ma cas empo ales.
• kin e : He amien a de Py hon pa a c ea in e aces g á icas (GUI). En es e
caso, se u ilizan diálogos de selección de a chi o y de en ada de ex o.
• iledialog, simpledialog (de kin e ): Facili an la selección de a chi os y
la pe ición de in o mación al usua io (po ejemplo, el nomb e del a chi o).
• os: Pa a ope aciones del sis ema de a chi os (c ea u as, e i ica exis encias,
e c.).
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
33
Selección del A chi o de Video
# Con igu ación de kin e pa a selecciona el a chi o de ideo
oo = k.Tk()
oo .wi hd aw()
# Ven ana de diálogo pa a selecciona el a chi o de ideo
ideo_pa h = iledialog.askopen ilename(
i le="Selecciona un a chi o de ideo",
ile ypes=[("A chi os de ideo", "*.mp4 *.a i *.mo *.mk ")]
# Ve i icación
i no ideo_pa h:
p in ("No se seleccionó ningún a chi o de ideo.")
exi ()
Es e agmen o inicializa Tkin e . Pos e io men e, se u iliza pa a mos a en anas
eme gen es que acili an la selección de a chi os y la en ada de da os po pa e del
usua io.
Figu a 8. Selección de a chi os. Fuen e: elabo ación p opia
Se ab e una en ana pa a que el usua io seleccione un a chi o de ideo. Si no se
selecciona ningún a chi o, el p og ama e mina con un mensaje de e o .
Solici ud del Nomb e del A chi o de Tex o
# Solici a al usua io un nomb e pa a el a chi o de ex o
ile_name = simpledialog.asks ing("Nomb e del a chi o", "In oduce
las iniciales del pacien e:")
i no ile_name:
p in ("No se p opo cionó un nomb e pa a el a chi o de ex o.")
exi ()
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
34
# Ru a comple a donde se gua da á el a chi o de ex o
sa e_pa h = os.pa h.join(
"C: Use s onny OneD i e - Uni e si a Poli ècnica de
Ca alunya TFM py hon En o no",
"{ ile_name}. x "
)
Se solici a al usua io que ing ese un iden i icado (Iniciales del nomb e pacien e) pa a el
a chi o donde se gua da án los esul ados. Si el usua io no p opo ciona un nomb e, el
p og ama e mina.
Figu a 9. Ven ana pa a in odui iniciales del pacien e. Fuen e: elabo ación p opia
Además, de ine la u a donde se gua da á el a chi o de ex o con los esul ados de
iempo y dis ancia pa a es e pacien e.
Con igu ación de MediaPipe Hands y ca ga de ideo
# U ilidades de MediaPipe pa a el dibujo de landma ks y de ección de
manos
mp_d awing = mp.solu ions.d awing_u ils
mp_hands = mp.solu ions.hands
# Ca ga el ideo
cap = c 2.VideoCap u e( ideo_pa h)
# Ve i ica si el ideo se ha ca gado co ec amen e
i no cap.isOpened():
p in ("E o : No se pudo ab i el ideo. Ve i ica la u a.")
exi ()
else:
p in ("Video ca gado co ec amen e.")
Se con igu an las u ilidades de MediaPipe:
• mp_d awing: Pa a dibuja landma ks y conexiones.
• mp_hands: Pa a inicializa el modelo de de ección de manos.
Se ca ga el ideo seleccionado u ilizando OpenCV. Si el a chi o no se puede ab i , el
p og ama e mina con un mensaje de e o .
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
35
C eación y Con igu ación del A chi o de Tex o
# C ea un a chi o de ex o pa a gua da las dis ancias con el o ma o
deseado
wi h open(sa e_pa h, "w") as ile:
# Encabezado del a chi o de ex o
ile.w i e("Tiempo (s), Dis ancia (px) n")
# Ma ca de iempo de inicio
s a _ ime = ime. ime()
Se c ea un a chi o de ex o donde se egis a án los esul ados. Se esc ibe un
encabezado y se inicia un empo izado pa a medi el iempo anscu ido.
P ocesamien o del Video
# Con igu ación del modelo de MediaPipe Hands
wi h mp_hands.Hands(
s a ic_image_mode=False,
max_num_hands=1,
min_de ec ion_con idence=0.5
) as hands:
while cap.isOpened(): # Ejecu a mien as el ideo es é
abie o y en ep oducción
e , ame = cap. ead()
i no e :
p in ("Fin del ideo o e o de lec u a.")
b eak
Se inicializa el modelo MediaPipe Hands pa a de ec a has a una mano en cada cuad o
del ideo. Se p ocesan los cuad os mien as el ideo es é disponible
mp_hands.Hands (...): Con igu a el modelo de de ección de manos.
• s a ic_image_mode=False: El modelo se asume en modo de ideo ( lujo con inuo
de o og amas).
• max_num_hands=1: Se limi a la de ección a una sola mano pa a simpli ica la
lógica de medición.
• min_de ec ion_con idence=0.5: Ni el de con ianza mínimo pa a que se
conside e álida la de ección.
while cap.isOpened(): Bucle que eco e odos los o og amas del ideo.
e , ame = cap. ead() Cap u a el siguien e o og ama.
De ección de Landma ks
ame_ gb = c 2.c Colo ( ame, c 2.COLOR_BGR2RGB)
# P ocesa la imagen en busca de manos y sus landma ks

RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
36
esul s = hands.p ocess( ame_ gb)
i esul s.mul i_hand_landma ks:
o hand_landma ks in esul s.mul i_hand_landma ks:
# Dibuja los landma ks y conexiones de la mano
mp_d awing.d aw_landma ks(
ame, hand_landma ks,
mp_hands.HAND_CONNECTIONS,
mp_d awing.D awingSpec(colo =(0, 255, 255),
hickness=3, ci cle_ adius=5),
mp_d awing.D awingSpec(colo =(255, 0, 255),
hickness=4, ci cle_ adius=5)
Cada cuad o del ideo se con ie e a RGB y se p ocesa con MediaPipe pa a de ec a
landma ks de la mano.
Cálculo de la Dis ancia Euclidiana
# Ob ene las coo denadas de los pun os 4 (pulga ) y 8 (índice)
humb_ ip = hand_landma ks.landma k[4]
index_ ip = hand_landma ks.landma k[8]
# Calcula la dis ancia euclidiana
dis ance = ma h.sq ((index_x - humb_x) ** 2 +
(index_y - humb_y) ** 2)
Se ob ienen las coo denadas de los pun os co espondien es al pulga y al índice, y se
calcula la dis ancia en e ellos u ilizando la ó mula de la dis ancia euclidiana
La ó mula de la dis ancia euclidiana pe mi e calcula la sepa ación en e dos pun os
11
( , )xy
y
22
( , )xy
en un plano. Se exp esa de la siguien e mane a:
22
2 1 2 1
( ) ( )d x x y y= − + −
En el con ex o del código que analiza la dis ancia en e el pulga e índice:
•
11
( , )xy
co esponde ía a las coo denadas del pulga ( humb_x, humb_y).
•
22
( , )xy
co esponde ía a las coo denadas del índice (index_x, index_y).
T as ob ene las coo denadas de cada landma k en é minos de píxeles, bas a con
aplica es a ó mula pa a conoce la dis ancia euclidiana en e dichos pun os.
Regis o y Visualización de Da os
ile.w i e( "{elapsed_ ime:.2 }, {dis ance:.2 } n")
# Dibuja un cí culo en los pun os y mos a la dis ancia en la
imagen
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
37
c 2.ci cle( ame, ( humb_x, humb_y), 10, (0, 255, 0), -1)
c 2.ci cle( ame, (index_x, index_y), 10, (0, 0, 255), -1)
c 2.line( ame, ( humb_x, humb_y), (index_x, index_y), (255, 0,
0), 2)
c 2.pu Tex ( ame, 'Dis ance: {in (dis ance)} px', (50, 50),
c 2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)
Se egis a la dis ancia calculada jun o con el iempo anscu ido en el a chi o de ex o.
Además, se dibujan cí culos en los pun os de ec ados y una línea que los conec a, jun o
con una e ique a que mues a la dis ancia en píxeles.
Figu a 10. P oceso de ingi - apping unido pulga e indice. Fuen e: elabo ación p opia
Figu a 11. P oceso de ingi - apping abie o pulga e indice. Fuen e: elabo ación p opia
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
38
Finalización del P og ama
# Libe a el ideo y ce a las en anas de OpenCV
cap. elease()
c 2.des oyAllWindows()
Al inaliza el ideo o si el usua io p esiona la ecla ESC, el p og ama libe a los
ecu sos u ilizados y cie a las en anas.
4.2. ANÁLISIS DE ARCHIVO DE TEXTO Y CÁLCULO DE
PARÁMETROS CARACTERÍSTICOS
Se p esen a a con inuación un segundo código en Py hon, cuyo p opósi o es analiza
cuan i a i amen e la señal de dis ancias (pulga -índice) ob enidas de un a chi o de da os
(. x ). Es o pe mi e ob ene mé icas de in e és, como ecuencia de apping, a iación
de ampli ud, egula idad ( i mo), a iga mo o a, ecuencia de emblo (median e análisis
en ecuencia), en opía, dimensión ac al, cu osis, sesgo (skewness) y o os
pa áme os que pueden emplea se en la compa ación de pa ones de mo imien o (po
ejemplo, en e pacien es con en e medad de Pa kinson y pacien es con emblo
esencial).
Impo ación de Biblio ecas y Módulos
impo numpy as np
impo pandas as pd
impo ma plo lib.pyplo as pl
om scipy.signal impo ind_peaks, bu e , il il
om kin e impo Tk, iledialog
om scipy. pack impo
om scipy.s a s impo ku osis, skew
• numpy (np): Lib e ía pa a ope aciones numé icas a anzadas, como manejo de
a eglos y unciones ma emá icas.
• pandas (pd): Facili a la lec u a y manipulación de da os abula es, ú il pa a
maneja el con enido del a chi o CSV o TXT.
• ma plo lib.pyplo (pl ): Pe mi e la gene ación de g á icas y
isualizaciones.
• scipy.signal:
o ind_peaks: De ección de picos en señales unidimensionales, muy ú il
pa a halla los “golpes” de apping.
o bu e , il il : Implemen ación de il os digi ales (Bu e wo h)
pa a p ocesa la señal y elimina uido.
• kin e : Se u iliza pa a ab i una en ana de selección de a chi os.
• scipy. pack ( ): Aplicación de la T ans o mada Rápida de Fou ie (FFT),
usada en análisis de ecuencia pa a de ec a emblo es (bandas de 3 a 7 Hz,
po ejemplo).
• scipy.s a s (ku osis, skew): Funciones es adís icas pa a calcula la
cu osis y el sesgo (skewness) de la dis ibución de la señal.
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
39
Fil o Paso-Bajo
de lowpass_ il e (da a, cu o , s, o de =4):
nyquis = 0.5 * s
no mal_cu o = cu o / nyquis
b, a = bu e (o de , no mal_cu o , b ype='low', analog=False)
e u n il il (b, a, da a)
Se de ine una unción pa a aplica un il o paso-bajo. Es e il o elimina el uido de al a
ecuencia, pe mi iendo un análisis más cla o de las señales.
Cálculo de la En opía
de calcula e_en opy(signal):
his og am, bin_edges = np.his og am(signal, bins='au o',
densi y=T ue)
p obabili ies = his og am / np.sum(his og am)
e u n -np.sum(p obabili ies * np.log2(p obabili ies +
np. in o( loa ).eps))
Se calcula la en opía de la señal, una medida de complejidad o deso den. Es
ú il pa a iden i ica pa ones de a iabilidad en los mo imien os.
Va ianza de In e alos en e Picos
de calcula e_peak_in e al_ a iance(peaks, T):
in e als = np.di (T[peaks])
e u n np. a (in e als)
Se e alúa la a iabilidad empo al en e picos de ec ados, lo que p opo ciona
in o mación sob e la egula idad del mo imien o. Indica el g ado de i egula idad en la
cadencia de los picos (po ejemplo, en un apping muy í mico, la a ianza se á meno ).
Selección del A chi o de Da os
oo = Tk()
oo .wi hd aw() # Ocul a la en ana p incipal
ile_pa h = iledialog.askopen ilename( i le="Seleccione un a chi o
de da os", ile ypes=[("A chi os de ex o", "*. x ")])
i no ile_pa h:
p in ("No se seleccionó ningún a chi o.")
exi ()
Se ab e una en ana de diálogo pa a que el usua io seleccione un a chi o de da os. Si
no se selecciona un a chi o, el p og ama se de iene.
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
46
con iene alo es in álidos as limpieza.")
# Ob ene ca ac e ís icas
esul ados_campos = uncion_campos(T, D)
ila = [a chi o] + lis ( esul ados_campos) +
[ca pe a]
da os.append( ila)
excep Excep ion as e:
p in ( "E o al p ocesa el a chi o
{ u a_a chi o}: {e}")
con inue
# Columnas
columnas = ["a chi o", " ecuencia_ apping",
" a iacion_ampli ud",
" i mo", " ecuencia_ a iga", " ecuencia_ emo ",
"en opia",
"ku ", "skewness", " a _in e alo_picos", "ca pe a"]
e u n pd.Da aF ame(da os, columns=columnas)
• Reco ido:
o En a al di ec o io p incipal y eco e cada ca pe a, asumiendo que cada
ca pe a co esponde a una ca ego ía (po ejemplo, una clase clínica).
o Re isa odos los a chi os con ex ensión . x en cada ca pe a.
• Lec u a:
o Usa pandas. ead_cs con sepa ado “coma” (,).
o Ve i ica la p esencia de columnas mínimas: “Tiempo (s)” y “Dis ancia (px)”.
o Realiza una limpieza básica de alo es NaN o in ini os (np.nan_ o_num).
• Ex acción de ca ac e ís icas:
o Llama a uncion_campos (p opo cionada po el usua io) pa a ex ae
mé icas ( ecuencia de apping, en opía, e c.).
o Añade la in o mación de ca pe a como la e ique a (clase).
• Cons ucción del Da aF ame:
o Cada a chi o se con ie e en una ila de da os con columnas de
ca ac e ís icas + clase.
o De uel e inalmen e un Da aF ame lis o pa a el en enamien o de un modelo.
Función p edicción de clase
de p edeci _clase_po _a chi o(nomb e_a chi o, da ase , modelo):
ila = da ase [da ase ['a chi o'] == nomb e_a chi o]

RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
47
i ila.emp y:
e u n None, "No se encon ó el a chi o: {nomb e_a chi o}"
X_ ila = ila.d op(columns=['ca pe a', 'a chi o']). alues
p ediccion = modelo.p edic (X_ ila)
e u n p ediccion[0], "Clase p edicha pa a '{nomb e_a chi o}':
{p ediccion[0]}"
Dada la cadena con el nomb e de un a chi o (ej. "VGCI. x "), encon a esa ila en el
da ase y usa el modelo en enado pa a p edeci la clase (o e ique a).
1. Busca la ila en el Da aF ame (da ase ) donde “a chi o” coincide con
nomb e_a chi o.
2. Elimina columnas i ele an es pa a la p edicción ('ca pe a', 'a chi o').
3. Llama a modelo.p edic (X_ ila) pa a ob ene la clase.
4. De uel e la clase p edicha y un mensaje in o ma i o.
Gene ación del da ase y isualización
i __name__ == "__main__":
u a_p incipal = "C: Use s onny OneD i e - Uni e si a
Poli ècnica de Ca alunya TFM Pacien es Da os"
# Cons ui el da ase
da ase = p ocesa _a chi os_a_da ase ( u a_p incipal, Campos)
Aquí se indica la u a donde se encuen an las ca pe as con a chi os . x . Y se llama a
p ocesa _a chi os_a_da ase , pasándole la unción Campos pa a el cálculo de las
mé icas.
También imp ime el Da aF ame esul an e pa a e i ica las columnas y ilas.
P epa ación de los da os y en enamien o del modelo
# Sepa a en X e y
X = da ase .d op(columns=['ca pe a', 'a chi o'])
y = da ase ['ca pe a']
# Di idi en ain/ es
X_ ain, X_ es , y_ ain, y_ es = ain_ es _spli (X, y,
es _size=0.2, andom_s a e=0)
# En ena el modelo
model = RandomFo es Classi ie (n_es ima o s=100, andom_s a e=0)
model. i (X_ ain, y_ ain)
# P edicciones
y_p ed = model.p edic (X_ es )
acc = accu acy_sco e(y_ es , y_p ed)
p in ("Accu acy del modelo:", acc)
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
48
• Va iables independien es (X): Se conse an odas las columnas de
ca ac e ís icas ( ecuencia_ apping, ampli ud_ a iga, e c.), eliminando ca pe a y
a chi o (que no son numé icas del modelo).
• Va iable dependien e (Y): Se de ine como la columna ca pe a (la clase que se
desea p edeci ).
• ain_ es _spli : 80% de los da os pa a en enamien o, 20% pa a p ueba.
Se ija andom_s a e=0 pa a ep oducibilidad.
• RandomFo es Classi ie : Se c ea un bosque alea o io con 100 á boles
(n_es ima o s=100).
• En enamien o: model. i (X_ ain, y_ ain) ajus a el modelo a los da os
de en enamien o.
• P edicción: y_p ed = model.p edic (X_ es ) pa a es ima la clase de cada
mues a en el se de p ueba.
• Exac i ud: Se imp ime la mé ica “accu acy”, que indica la p opo ción de
p edicciones co ec as.
C eación de la en ana p incipal
oo = k.Tk()
oo . i le("Resul ados del Da ase y Clasi icación")
ame_ ee = k.F ame( oo )
ame_ ee.pack(padx=10, pady=10, ill="bo h", expand=T ue)
En es e bloque de código se gene a una en ana como se indica en la igu a, donde se
obse an odos los campos del da ase que se calcula en los bloques an e io es.
Figu a 15. Resul ados de la da a se y la clasi icación co espondien e espec o a las
ca ac e ís icas a anzadas del ingi - apping. Fuen e: elabo ación p opia
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
49
P edicción
de mos a _ en ana_p ediccion():
a chi o_a_p edeci = simpledialog.asks ing(
"A chi o a p edeci ",
"In oduce el nomb e del a chi o (ej. 'AAAA. x '):",
pa en = oo
)
i a chi o_a_p edeci :
clase_p edicha, mensaje =
p edeci _clase_po _a chi o(a chi o_a_p edeci , da ase , model)
i clase_p edicha is None:
messagebox.showe o ("E o ", mensaje)
else:
messagebox.showin o("Resul ado de P edicción",
mensaje)
b n_p ediccion = k.Bu on( oo , ex ="P edeci Clase de
A chi o", command=mos a _ en ana_p ediccion)
b n_p ediccion.pack(pady=5)
mos a _ en ana_p ediccion: pulsando sob e el bo on “P edeci Clase de
A chi o”, se mues a un diálogo pa a solici a el nomb e de a chi o a p edeci (po
ejemplo "AAAA. x ").
Figu a 16. Ven ana de p edicción de pacien es con EP, TE y sanos. Fuen e: elabo ación p opia.
Llama a p edeci _clase_po _a chi o pasando el nomb e ing esado y pulsando el
bo ón OK.
Mues a un mensaje indicando la clase p edicha “En e medad Pa kinson EP”, “Temblo
Esencial TE” o “Sano”.
Figu a 17. Cuad o de dialogo que mues a la p edicción del pacien e de acue do a sus iniciales.
Fuen e: elabo ación p opia
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
50
Si no se encon ó el a chi o en el da ase , se gene a un mensaje de e o como se
mues a en la siguien e igu a.
Figu a 18. Ven ana de ad e encia que indica que las iniciales ing esadas no se encuen an
egis ades en el da ase . Fuen e: elabo ación p opia
5. RESULTADOS
5.1. COMPARATIVA DE PARÁMETROS DE MOVIMIENTO
ENTRE PACIENTES CON PARKINSON, SUJETOS SANOS
Y TEMBLOR ESENCIAL
En es e capí ulo se ealiza un análisis compa a i o de los pa áme os de mo imien o
ob enidos a pa i de las p uebas de inge - apping en pacien es diagnos icados con
En e medad de Pa kinson (EP), Temblo Esencial (TE) y suje os sanos (g upo con ol).
A con inuación, en la abla 5 se desc iben las di e encias más ele an es en e los
g upos:
Tabla 5. Di e encias ele an es en e g upos de pacien es. Fuen e: elabo ación p opia
Pa áme os
Calculados
En e medad
Pa kinson [EP]
Sanos
[Con ol]
Temblo Esencial
[TE]
ecuencia_ apping_med
2.801576958
2.710356513
2.791529795
ecuencia_ apping_s d
0.66740801
0.299744389
0.388700787
a iacion_ampli ud_med
33.60405578
24.96034054
41.04951183
a iacion_ampli ud_s d
14.61656585
7.453328948
15.11132489
i mo_med
0.104551515
0.039809367
0.053976852
i mo_s d
0.089412853
0.005977133
0.024650074
ecuencia_ a iga_med
96.69879324
96.34488882
98.21941742
ecuencia_ a iga_s d
7.940144473
1.71744901
2.94385989
ecuencia_ emo _med
0.523872522
0.239980034
0.498014426
ecuencia_ emo _s d
0.446227708
0.506461307
0.578115532
en opia_med
3.445127075
3.245661251
3.278900777
en opia_s d
0.229722175
0.088609506
0.136033958
ku _med
0.517904802
-0.973594772
-0.710356756
ku _s d
4.776795833
0.180786699
0.619994125
skewness_med
0.647010786
0.395445919
0.227282279
skewness_s d
0.786708206
0.156015391
0.59945024
a _in e alo_picos_med
0.018806354
0.001614557
0.003445173
a _in e alo_picos_s d
0.042863798
0.000470897
0.003342771
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
51
F ecuencia de Tapping
Los suje os con EP mues an una ecuencia de apping media (2.80 Hz) lige amen e
supe io a la de los suje os con TE (2.79 Hz) y los sanos (2.71 Hz). Sin emba go, la
des iación es ánda es signi ica i amen e mayo en los pacien es con EP (0.67 Hz), lo
que e idencia una mayo ines abilidad en su capacidad pa a man ene un i mo
cons an e. En con as e, los suje os sanos p esen an meno a iabilidad (0.30 Hz),
e lejando una mejo coo dinación mo o a.
Va iación de Ampli ud
La a iación de ampli ud en los pacien es con TE es conside ablemen e mayo (41.05
unidades) en compa ación con los pacien es con EP (33.60 unidades) y los suje os
sanos (24.96 unidades). Es e pa áme o e ela que los pacien es con TE expe imen an
mo imien os más i egula es y menos con olados, mien as que los suje os sanos
p esen an la meno a iabilidad, asociada a mo imien os más uni o mes.
Ri mo
El i mo medio es mayo en los pacien es con EP (0.10) en compa ación con los suje os
sanos (0.039) y los pacien es con TE (0.054). Es e inc emen o en el i mo en pacien es
con EP pod ía es a elacionado con in en os de compensa la b adicinesia, aunque con
una al a a iabilidad, e lejada en la des iación es ánda (0.089). Los suje os sanos
des acan po ene un i mo más bajo y cons an e, asociado a un mo imien o con olado
y p eciso.
F ecuencia de Fa iga
En los es g upos se obse a una ecuencia de a iga simila , aunque los pacien es con
EP p esen an mayo a iabilidad (96.69 ± 7.94 Hz). Es o sugie e que es os pacien es
expe imen an luc uaciones en su esis encia mo o a. Los suje os sanos ienen la meno
a iabilidad en es e pa áme o, lo que indica mayo consis encia.
F ecuencia de Temblo
Es e pa áme o dis ingue cla amen e a los pacien es con EP (0.52 Hz) y TE (0.50 Hz)
de los suje os sanos (0.24 Hz). Los pacien es con EP p esen an emblo es más
cons an es (meno des iación es ánda ), mien as que en los pacien es con TE, los
emblo es son menos egula es y más a iables.
En opía
La en opía, que mide la complejidad o deso den en los pa ones de mo imien o, es
mayo en los pacien es con EP (3.45) en compa ación con los suje os sanos (3.24). Es e
inc emen o e leja la di icul ad de los pacien es con EP pa a gene a mo imien os
p edecibles. Los pacien es con TE ienen alo es in e medios (3.28), mos ando
pa ones de mo imien o menos o ganizados que los suje os sanos, pe o más es ables
que los pacien es con EP.
Ku osis y Asime ía
En pacien es con EP, la ku osis (0.51) y la asime ía (0.64) son signi ica i amen e
mayo es, lo que e leja mo imien os i egula es y asimé icos. En cambio, los suje os
sanos ienen alo es nega i os de ku osis (-0.97), asociados con pa ones de

RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
52
mo imien o más homogéneos. Los pacien es con TE ienen alo es in e medios,
e lejando al e aciones especí icas, pe o menos ex emas.
Va iación de In e alos en e Picos
La a iación de los in e alos en e picos, que e alúa la consis encia empo al del
mo imien o, es mayo en los pacien es con EP (0.0188 ± 0.0428), indicando di icul ades
pa a man ene un i mo uni o me. Los suje os sanos des acan po la meno a iación
(0.0016 ± 0.0005), mien as que los pacien es con TE mues an alo es in e medios
(0.0034 ± 0.0033).
5.1.1. DISCUSIÓN DE RESULTADOS
El análisis compa a i o e idencia que los pacien es con EP p esen an ca ac e ís icas
dis in i as en pa áme os como la ecuencia de apping, i mo, ecuencia de emblo y
a iabilidad de los mo imien os. Es as al e aciones e lejan di icul ades pa a ejecu a
mo imien os egula es y consis en es. En con as e, los pacien es con TE des acan po
una mayo a iación de ampli ud y emblo es más i egula es. Los suje os sanos
mues an alo es más homogéneos y consis en es, asociados a un con ol mo o in ac o.
Es os hallazgos sub ayan la u ilidad de las écnicas de isión a i icial pa a dis ingui
pa ones de mo imien o en es os g upos y apo an una base sólida pa a su aplicación
en el diagnós ico y seguimien o de en e medades neu ológicas.
5.2. ANÁLISIS COMPARATIVO DEL MOVIMIENTO Y GRÁFICAS
OBTENIDAS A PARTIR DEL ESTUDIO DE VIDEOS POR
MEDIO DE VISIÓN ARTIFICIAL EN PACIENTES CON
PARKINSON, SUJETOS SANOS Y TEMBLOR ESENCIAL
Los da os p ocesados a pa i de señales de dis ancia, elocidad, i mo e in o mación
espec al o ecen mé icas cla e pa a di e encia es as condiciones neu ológicas. Es e
análisis busca obje i a las di e encias mo o as median e un en oque cuan i a i o.
5.2.1. RESULTADOS DEL ANÁLISIS DE MOVIMIENTO EN UN
PACIENTE CON PARKINSON
Figu a 19. G a ica de la dis ancia, elocidad, i mo, en opía pa a un pacien e con Pa kinson.
Fuen e: elabo ación p opia
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
53
Dis ancia s. Tiempo
En la señal il ada de la dis ancia (p ime g á ico), se obse a una oscilación i egula
en la ampli ud de los mo imien os. Aunque exis en pa ones de picos de ec ados, la
a iabilidad en las al u as y la ecuencia de es os es no able. Es a i egula idad puede
se a ibuida a la b adicinesia, una ca ac e ís ica mo o a p edominan e en pacien es con
Pa kinson, donde los mo imien os se uel en más len os e inconsis en es.
La dis ibución no homogénea de los picos ambién sugie e di icul ad del pacien e pa a
man ene un con ol mo o epe i i o, un e lejo de la pé dida de coo dinación mo o a
ina que suele acompaña la p og esión de la en e medad.
Velocidad s. Tiempo
El análisis de la elocidad (segundo g á ico) mues a oscilaciones signi ica i as y
cambios ápidos en la di ección del mo imien o. Es os cambios d ás icos e idencian la
p esencia de emblo es mo o es, ca ac e izados po oscilaciones epe i i as en la
ac i idad mo o a, un sín oma ca dinal en el Pa kinson.
La ampli ud de las luc uaciones ambién pod ía indica una pé dida de sua idad en la
ejecución de mo imien os, e lejando la igidez y disquinesias ípicas de la en e medad.
In e alos en e Picos (Ri mo)
El g á ico de los in e alos en e picos ( e ce g á ico) e ela una al a a iabilidad
empo al en los in e alos en e mo imien os consecu i os. Es e esul ado des aca una
i egula idad ma cada en el i mo del apping, indicando la incapacidad del pacien e pa a
man ene una egula idad í mica cons an e. Es e hallazgo e ue za la obse ación
clínica de que los pacien es con Pa kinson suelen expe imen a in e upciones en
mo imien os epe i i os, debido a la al e ación de los ci cui os mo o es en los ganglios
basales.
Análisis de F ecuencia: T ans o mada Rápida de Fou ie (FFT)
En el análisis espec al (cua o g á ico), la señal p esen a un dominio ene gé ico
concen ado en ecuencias bajas. Se de ec a un pico den o del ango de 3-7 Hz, lo
cual es al amen e indica i o de un emblo en eposo, ca ac e ís ico del Pa kinson. Es e
ipo de emblo es una de las p incipales mani es aciones mo o as de la en e medad, y
su de ección median e el análisis de Fou ie e ue za su ele ancia clínica en el
diagnós ico y e aluación del es ado mo o del pacien e.
Además, la ausencia de ecuencias más al as e leja la limi ada capacidad del pacien e
pa a ejecu a mo imien os ápidos y p ecisos, consis en e con la b adicinesia obse ada
en el análisis empo al.
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
54
5.2.2. RESULTADOS DEL ANÁLISIS DE MOVIMIENTO EN UN
PACIENTE SANO
Figu a 20. G a ica de la dis ancia, elocidad, i mo, en opía pa a un pacien e Sano. Fuen e:
elabo ación p opia
Dis ancia s. Tiempo
En la señal il ada de la dis ancia (p ime g á ico), se obse a un pa ón egula de
oscilaciones con picos bien de inidos y dis ibuidos de mane a uni o me. La ampli ud de
los picos es consis en e a lo la go del iempo, lo que e leja una ejecución coo dinada y
con olada de los mo imien os epe i i os.
Es e compo amien o es ca ac e ís ico de un sis ema mo o sano, donde los
mo imien os mues an una al a egula idad en é minos de ecuencia y ampli ud, sin
in e upciones ni a iaciones signi ica i as.
Velocidad s. Tiempo
El g á ico de elocidad (segundo g á ico) mues a una señal pe iódica con cambios
egula es en las di ecciones posi i a y nega i a. Las oscilaciones son sua es y
homogéneas, lo que indica una ansición luida en e mo imien os.
Es o e idencia un con ol mo o e ec i o y la ausencia de mo imien os e á icos, ípicos
en indi iduos con sis emas mo o es in ac os.
In e alos en e Picos (Ri mo)
La g á ica de in e alos en e picos ( e ce g á ico) p esen a alo es uni o mes con una
mínima a iabilidad. Es o e leja un i mo consis en e en los mo imien os del pacien e,
ca ac e izado po in e alos de iempo cons an es en e los mo imien os epe i i os.
La baja des iación es ánda de es os in e alos con i ma un con ol í mico obus o, que
es indica i o de un sis ema mo o sano.
Análisis de F ecuencia: T ans o mada Rápida de Fou ie (FFT)
En el análisis espec al (cua o g á ico), se obse a un pico de ene gía concen ado en
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
55
una ecuencia p edominan e, lo que indica un pa ón mo o al amen e egula . No se
de ec an componen es signi ica i as en la banda de 3-7 Hz, lo que con i ma la ausencia
de emblo es pa ológicos. La concen ación de la ene gía en ecuencias especí icas
e ue za la hipó esis de un con ol mo o e icien e y í mico.
5.2.3. RESULTADOS DEL ANÁLISIS DE MOVIMIENTO EN UN
PACIENTE CON TEMBLOR ESENCIAL
Figu a 21. G a ica de la dis ancia, elocidad, i mo, en opía pa a un pacien e con Temblo
Esencial. Fuen e: elabo ación p opia
Dis ancia s. Tiempo
En la señal de dis ancia il ada (p ime g á ico), se obse a un pa ón oscila o io con
ampli udes ela i amen e consis en es, pe o con a iaciones g aduales a lo la go del
iempo. A di e encia de un pacien e sano, hay una endencia a mos a a iaciones en
la ampli ud de los picos, lo que puede e leja el impac o del emblo esencial en la
coo dinación mo o a. Los picos son de ec ables, pe o las luc uaciones en la ampli ud
pueden debe se a un con ol mo o menos es able, ca ac e ís ico del emblo esencial.
Además, el emblo esencial suele p esen a se como una oscilación egula de al a
ecuencia supe pues a al mo imien o olun a io, lo cual pod ía se esponsable de la
i egula idad obse ada.
Velocidad s. Tiempo
El g á ico de elocidad (segundo g á ico) mues a oscilaciones egula es, con
ampli udes consis en es, pe o con una lige a supe posición de ecuencias más al as.
Es o pod ía es a elacionado con la p esencia de un emblo in encional ca ac e ís ico
del emblo esencial. La señal de elocidad iene un pa ón cíclico que e ue za la
hipó esis de una ac i idad oscila o ia mo o a dominan e.
Es e compo amien o es ípico de pacien es con emblo esencial, donde las
oscilaciones no son an e á icas como en el Pa kinson, pe o sí más egula es que en
pacien es sanos.
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
62
3. Temblo Esencial (TE):
o P ecisión: 1.00
▪ Todas las p edicciones de TE ue on co ec as.
o Sensibilidad: 0.50
▪ El modelo iden i icó co ec amen e solo el 50% de los pacien es
con TE. Los o os 50% ue on clasi icados e óneamen e como
Pa kinson.
o F1-Sco e: 0.67
▪ Aunque la p ecisión es al a, la baja sensibilidad a ec a el balance
gene al pa a es a clase.
o Sopo e: 4
▪ Es a clase iene un sopo e limi ado, lo que pod ía es a in luyendo
en el endimien o del modelo.
Resul ados Globales
1. Exac i ud (Accu acy):
o El modelo log ó una exac i ud global del 88%, lo que e leja un buen
desempeño gene al en el conjun o de p ueba.
2. P omedios:
o Mac o a g (0.96 p ecisión, 0.81 sensibilidad, 0.86 F1):
▪ P omedio simple de las mé icas po clase, sin conside a el
núme o de mues as po clase.
▪ La baja sensibilidad de la clase TE a ec a es e p omedio.
o Weigh ed a g (0.90 p ecisión, 0.88 sensibilidad, 0.88 F1):
▪ P omedio ponde ado po el sopo e de cada clase, lo que e leja
mejo el desempeño global del modelo dado el desbalance de
clases.
Discusión de esul ados
1. Fo alezas:
o El modelo iene un excelen e endimien o en la clase Pa kinson (EP), que
es la más ep esen ada.
o La clase Sanos mues a un desempeño pe ec o, aunque es e esul ado
debe in e p e a se con cau ela debido al bajo núme o de mues as (1).
2. Debilidades:
o El modelo iene di icul ades pa a iden i ica pacien es con Temblo
Esencial (TE), con una sensibilidad de solo el 50%. Es o indica que la
mi ad de los pacien es con TE son e óneamen e clasi icados como
Pa kinson.
o El desbalance en el conjun o de da os puede es a a ec ando el
endimien o en las clases mino i a ias.
3. Impac o del desbalance de clases:
o La clase Pa kinson domina el conjun o de da os, lo que pod ía es a
sesgando el modelo hacia es a ca ego ía.
Recomendaciones pa a Mejo as
1. Balanceo del da ase :
o Inc emen a el núme o de mues as pa a las clases mino i a ias (Sanos
y TE) pa a mejo a el endimien o del modelo en es as ca ego ías.
o Aplica écnicas de sob emues eo (como SMOTE) o asigna pesos de
clase en el modelo.

RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
63
2. Op imización de ca ac e ís icas:
o Inco po a nue as ca ac e ís icas que ayuden a di e encia mejo en e
TE y Pa kinson.
3. Validación adicional:
o U iliza alidación c uzada pa a ga an iza que los esul ados sean
consis en es y no dependan de una única pa ición del conjun o de da os.
5.5. INTERPRETACIÓN DE LOS RESULTADOS OBTENIDOS
CON DIFERENTES VALORES DE N_ESTIMATORS
Figu a 24. Resul ados con di e en es alo es de núme os de es imado es s su p ecisión. Fuen e:
elabo ación p opia
Figu a 25. P ueba con di e en es alo es de es imado es. Fuen e: elabo ación p opia
En el análisis del modelo Random Fo es , se p obó el endimien o u ilizando di e en es
alo es pa a el núme o de es imado es (n_es ima o s), que ep esen a la can idad de
á boles en el bosque. Los esul ados ob enidos mos a on que la p ecisión del modelo
se man u o cons an e en 0.8235 pa a odos los alo es e aluados: 10, 50, 100, 200,
300 y 500.
Análisis de los esul ados
1. Es abilidad del modelo:
o La es abilidad de la p ecisión indica que el modelo ya alcanzó su
capacidad máxima de gene alización con un núme o educido de
es imado es (en es e caso, p obablemen e con 10 á boles).
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
64
o Inc emen a el núme o de es imado es no p opo cionó mejo as
adicionales po que el modelo es su icien emen e obus o pa a cap u a
las elaciones en los da os desde los p ime os á boles.
2. Ca ac e ís icas del da ase :
o Sepa abilidad de las clases: Las ca ac e ís icas u ilizadas en el modelo
pa ecen se lo su icien emen e in o ma i as pa a que incluso un modelo
con pocos á boles log e una buena p ecisión.
o Tamaño del da ase : Si el conjun o de da os iene un amaño adecuado
y las clases es án bien balanceadas, ag ega más á boles no
necesa iamen e mejo a el endimien o.
3. Op imización compu acional:
o Dado que más á boles inc emen an el iempo de en enamien o y
p edicción, selecciona un alo in e medio (como 50 o 100) es su icien e
pa a log a un buen balance en e endimien o y e iciencia
compu acional.
Discusión de esul ados
En es e análisis, se obse ó que el modelo Random Fo es es obus o y alcanza su
endimien o óp imo con un núme o educido de es imado es. Po lo an o, pa a el modelo
inal, se ecomienda u iliza 50 o 100 es imado es, ya que es o ga an iza un buen
endimien o sin un cos o compu acional innecesa io.
Es e compo amien o puede debe se a que las elaciones en e las ca ac e ís icas son
cla as y consis en es, pe mi iendo que incluso un núme o pequeño de á boles cap u e
los pa ones de los da os de mane a e ec i a. Es os esul ados des acan la capacidad
del modelo pa a adap a se bien al p oblema de clasi icación sin eque i ajus es
complejos.
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
65
ANÁLISIS DE SOSTENIBILIDAD E IMPLICACIONES
ÉTICAS
Es e análisis busca ga an iza que los esul ados del p oyec o sean no solo inno ado es,
sino ambién esponsables desde una pe spec i a social, ambien al y é ica.
Dimensión Ambien al
Aunque el uso de ecnología digi al implica un consumo ene gé ico y el posible desecho
de disposi i os, el p oyec o busca mi iga es os impac os p omo iendo:
• El uso de ha dwa e e icien e ene gé icamen e.
• La in eg ación de modelos de ap endizaje au omá ico que op imicen ecu sos
compu acionales.
• La adopción de es a egias de economía ci cula , como el eciclaje de
componen es elec ónicos.
Dimensión Social
El p oyec o puede mejo a signi ica i amen e la calidad de ida de los pacien es con
Pa kinson y Temblo Esencial al p opo ciona diagnós icos pa a una de ección emp ana
y pe sonaliza. Además, omen a á la equidad al o ece una solución ecnológica
accesible, con el obje i o de alcanza a comunidades menos a o ecidas.
Implicaciones É icas
P i acidad y Segu idad de los Da os
El manejo de da os biomé icos y clínicos plan ea e os impo an es en é minos de
p i acidad y segu idad. Pa a abo da es as p eocupaciones, el p oyec o ga an iza:
• Los da os ecopilados se án anónimos.
• El cumplimien o de egulaciones in e nacionales como el Reglamen o Gene al
de P o ección de Da os (GDPR).
• El uso de p o ocolos segu os pa a la ansmisión y almacenamien o de da os.
Consen imien o In o mado
Todo pa icipan e debe o o ga un consen imien o in o mado cla o, basado en una
comp ensión de allada de los obje i os, iesgos y bene icios del es udio. Además, se
asegu a á que los pa icipan es puedan e i a su consen imien o en cualquie momen o
sin epe cusiones.
Impac o en P o esionales de la Salud
Si bien el p oyec o pod ía au oma iza cie os aspec os del diagnós ico, no busca
eemplaza a los p o esionales de la salud, sino complemen a su abajo. Se en a iza
que el sis ema debe se u ilizado como una he amien a de apoyo, pe mi iendo a los
especialis as oma decisiones in o madas y cen adas en el pacien e.
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
66
CONCLUSIONES
El desa ollo del sis ema au oma izado basado en écnicas de isión a i icial pe mi ió
analiza y econoce pa ones especí icos del mo imien o de inge - apping en pacien es
con En e medad de Pa kinson (EP), Temblo Esencial (TE) y pe sonas sin pa ologías
neu ológicas. Median e el p ocesamien o de imágenes y la ex acción de ca ac e ís icas
cla e, se log a on iden i ica di e encias signi ica i as en los pa ones de mo imien o
en e los es g upos.
El análisis compa a i o e idencia que los pacien es con EP p esen an ca ac e ís icas
dis in i as en pa áme os como la ecuencia de apping, i mo, ecuencia de emblo y
a iabilidad de los mo imien os. Es as al e aciones e lejan di icul ades pa a ejecu a
mo imien os egula es y consis en es. En con as e, los pacien es con TE des acan po
una mayo a iación de ampli ud y emblo es más i egula es. Los suje os sanos
mues an alo es más homogéneos y consis en es, asociados a un con ol mo o in ac o
De acue do con las g á icas ob enidas y el análisis cuan i a i o ealizado, las mé icas
analizadas e idencia on di e encias signi ica i as en e los g upos es udiados. Los
pacien es con EP p esen an oscilaciones i egula es, al a a iabilidad en los in e alos
en e picos y ecuencias bajas (3-5 Hz), ca ac e ís icas de emblo es en eposo y
al e aciones mo o as asociadas a es a condición. En con as e, los pacien es con TE
mos a on oscilaciones más egula es, con ecuencias dominan es en el ango de (4-6
Hz), asociadas a emblo es in encionales. Los suje os sanos, po su pa e, mos a on
señales consis en es y con ol mo o in ac o, des acando po alo es homogéneos y
egula es en odas las mé icas analizadas.
El modelo de clasi icación Random Fo es , implemen ado pa a la clasi icación de los
g upos, mos ó un desempeño sólido en la p edicción de pacien es con EP, con una al a
sensibilidad y p ecisión. Sin emba go, p esen ó di icul ades pa a dis ingui en e TE y
EP, lo que sugie e simili udes en las ca ac e ís icas empleadas pa a es as clases. El
desbalance de clases, especialmen e la escasez de da os pa a las ca ego ías Sanos y
TE, limi ó el endimien o global del modelo, a o eciendo a la clase dominan e (EP).
Es as limi aciones esal an la impo ancia de aumen a la ep esen a i idad de las clases
mino i a ias en u u os abajos.
A pesa de es as limi aciones, los esul ados con i man la e icacia del sis ema
au oma izado pa a iden i ica pa ones dis in i os de mo imien o y sub ayan su po encial
como un mé odo obje i o, no in asi o y p ome edo pa a el diagnós ico p ecoz de
as o nos neu ológicos. La capacidad del modelo pa a adap a se al p oblema de
clasi icación, incluso con un conjun o de da os educido, e leja la cla idad y consis encia
de las elaciones en e las ca ac e ís icas analizadas.
En conclusión, es e es udio ma ca un a ance signi ica i o hacia la in eg ación de
ecnologías de isión a i icial en la e aluación clínica de as o nos mo o es. Es e
en oque inno ado sien a las bases pa a la medición en iempo eal del inge - apping
es udio que ambién se ealizó y su código es á en el apa ado de anexos pa a con inua
con el desa ollo de he amien as au oma izadas pa a el diagnós ico y seguimien o de
en e medades neu ológicas. Los hallazgos ob enidos ab en la pue a a u u as
in es igaciones di igidas a op imiza los modelos, mejo a la disc iminación en e TE y
EP y amplia la aplicación de es as ecnologías en en o nos clínicos, consolidando su
ele ancia en el a ance de la neu ología mode na.
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
67
TRABAJO A FUTURO Y RECOMENDACIONES
Ampliación del Da ase
La limi ada can idad de da os disponibles pa a las clases de pe sonas sanas y con
Temblo Esencial cons i uye una impo an e limi ación del es udio. Pa a abo da es e
desa ío, se ecomienda inc emen a la ecopilación de da os pa a es as ca ego ías, lo
que pe mi i ía educi el desbalance de clases, mejo a la capacidad de gene alización
del modelo y aumen a su p ecisión en la clasi icación. Es o puede log a se median e la
inclusión de un mayo núme o de pa icipan es o el uso de écnicas de augmen ación
de da os, como el sob emues eo (SMOTE).
Op imización del Análisis en Tiempo Real
En el apa ado de anexos se p esen a un código diseñado pa a ealiza el análisis del
inge - apping en iempo eal. No obs an e, pa a ga an iza un endimien o óp imo, es
undamen al con a con una base de da os sólida y una cáma a de al a p ecisión que
pe mi a cap u a los mo imien os de mane a más de allada y o ganizada. Po ello, se
ecomienda con inua in es igando en es a línea, mejo ando el modelo median e el uso
de equipos de cap u a a anzados y ampliando el da ase . Es o acili a á un análisis más
obus o y con iable, especialmen e en en o nos clínicos eales.
Es anda ización del P ocedimien o de Cap u a
Pa a asegu a la p ecisión en los esul ados del análisis, es c ucial que du an e el
es udio la mano del pacien e pe manezca a una dis ancia eglamen a ia de la cáma a.
Es impo an e e i a mo imien os hacia o lejos del disposi i o, ya que es os pod ían
gene a inconsis encias en los cálculos, dado que el análisis se en oca en los ejes X e
Y, sin conside a la p o undidad (eje Z). Se ecomienda es ablece un p o ocolo cla o
que es anda ice la posición del pacien e y, a u u o, explo a el uso de cáma as con
capacidad de cap u a in o mación idimensional pa a mi iga es as limi aciones.
Validación Clínica de los Resul ados
Se sugie e ealiza es e análisis bajo la supe isión de un p o esional especializado en
neu ología, quien pueda alida y compa a los esul ados del sis ema au oma izado con
los diagnós icos clínicos. Es a colabo ación ga an iza ía la p ecisión y ele ancia de los
esul ados ob enidos, además de pe mi i la iden i icación de á eas de mejo a en el
modelo, asegu ando su alineación con las necesidades y p ác icas del ámbi o clínico.

RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
68
AGRADECIMIENTOS
Quie o exp esa mi más p o undo ag adecimien o a Dios, quien me ha pe mi ido
alcanza es e momen o an signi ica i o en mi ida. Su guía, sabidu ía y o aleza han
sido esenciales du an e odo es e iempo de es udio. A Él dedico es e log o, pues g acias
a Su apoyo he log ado comple a es e más e y descub i has a dónde puedo llega
cuando me es ue zo y con ío plenamen e.
Ag adezco ambién a mi mad e, Elizabe h, quien ha sido un pila indispensable en odas
mis ba allas. Su ejemplo como p o esional y como pe sona es una uen e cons an e de
mo i ación pa a mí, y la admi o p o undamen e en odos los sen idos. Sin su apoyo
incondicional y el de mi pad e, Ma cos, es e log o no hab ía sido posible. Ambos han
sido mis guías en la ida, b indándome siemp e su amo , o ien ación y enseñanzas,
an o a a és de sus palab as como de sus acciones.
Ex iendo mi g a i ud a mi he mana, cuyo ejemplo de pe se e ancia y dedicación me
impulsa a da siemp e lo mejo de mí. Su pasión po lo que hace y su deseo de gene a
un impac o posi i o en el mundo han sido una g an inspi ación. Además, su
conocimien o y apoyo, especialmen e como es udian e de medicina, me han
p opo cionado aliosas ideas pa a en iquece es e p oyec o.
Quie o exp esa un ag adecimien o especial a mis compañe os del más e , quienes han
sido un apoyo in aluable pa a supe a cada uno de los e os que hemos a on ado
du an e es e p oceso. Son un g upo de p o esionales excepcionales que han dejado una
huella signi ica i a en mi ida, an o a ni el pe sonal como p o esional. Las expe iencias
compa idas y las lecciones que cada uno ha apo ado han en iquecido es e camino y
han dejado un impac o posi i o en mí.
Deseo hace una mención especial a mi u o , He nán, po su in aluable espaldo y
o ien ación a lo la go de es e iempo. G acias a sus conocimien os, suge encias y
dedicación, hemos podido saca adelan e es e es udio, que espe o sea un apo e alioso
pa a u u os p oyec os y una con ibución signi ica i a a la sociedad. Su iempo y
expe iencia han sido cla es pa a culmina es e abajo, y es oy p o undamen e
ag adecido po su guía en es e camino.
Po úl imo, pe o no menos impo an e, quie o dedica una mención especial a C is o e ,
mi mejo amigo. Aunque ya no es és ísicamen e con noso os, has dejado una huella
imbo able en mi ida y en la de mi amilia. Dedico es e log o a i, en ag adecimien o po
odo lo que compa imos, po las expe iencias i idas y po u apoyo incondicional en
cada momen o. Tu ecue do sigue siendo una uen e de o aleza e inspi ación pa a mí.
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
69
BIBLIOGRAFÍA
[1] ALEMÁN, Sonia Lize h, Ca los Xa ie MONTERO, Eddy Xa ie DÍAZ a Ch is ian
Manuel JARRO. En e medad de Pa kinson. Diagnós ico y a amien o.
RECIMUNDO [online]. 2022, 6(2), 250–266. ISSN 2588-073X. Dos upné
z: doi:10.26820/ ecimundo/6.(2).ab .2022.250-266
[2] ROTONDO, J., M. TORO, M. BOLÍVAR, M. E. SEIJAS a C. CARRILLO. Dolo en
la en e medad de Pa kinson. Una mi ada a un aspec o poco conocido de es a
pa ología. Re is a de la Sociedad Espanola del Dolo [online]. 2020, 26(3), 184–
198. ISSN 22546189. Dos upné z: doi:10.20986/ esed.2019.3733/2019
[3] CHAVES, Ka la, Daniela PADILLA a Rica do VARGAS. En e medad de
Pa kinson. Re is a Médica Sine gia [online]. 2022, 7(2), 128–131.
ISSN 11396202. Dos upné z: doi:10.31434/ ms. 7i2.758
[4] LATORRE-BARRAGÁN, Fe nanda, I uma ALFONSO, Ma ía GUZMÁN a Josué
CHASI-BENAVIDES. En e medad de Pa kinson: es a egias e apéu icas
disponibles. AVFT [online]. 2022, 41(11), 792–797 [ id. 2024-11-24]. Dos upné
z: doi:10.5281/zenodo.7522142
[5] SUZUMURA, Sho a, Aiko OSAWA, Yoshikiyo KANADA, Maeda KEISUKE, Eiko
TAKANO, Junpei SUGIOKA, Maeda NATSUMI, Taishi NAGAHAMA, Ken a
SHIRAMOTO, Ka sumi KUNO, Shio i KIZUKA, Kenji SATOH, Hi oaki SAKURAI,
Yuko SANO, Tomohiko MIZUGUCHI, Akihiko KANDORI a Izumi KONDO. Finge
Tapping Tes o Assessing he Risk o Mild Cogni i e Impai men . Hong Kong
Jou nal o Occupa ional The apy [online]. 2022, 35(2), 137–145. ISSN 18764398.
Dos upné z: doi:10.1177/15691861221109872
[6] HERNÁNDEZ, An onio, Ve ónica MORALES a Ve ónica GARCÍA. Finge Taping
Tes . P ecisión del diseño de medidas en e mues as de depo is as de éli e y no
depo is as. Cuade nos de Psicología del Depo e [online]. 2011, 11(1), 29–43.
ISSN 1578-8423. Dos upné z: doi:10.6018/cpd.121681
[7] ZAPATA, Melania. Complejidad de la espues a en el “ inge apping es ”:
di e encias en e adul os jó enes y adul os mayo es [online]. B.m., 2020
[ id. 2024-12-13]. T abajo de Fin de Maes ía. Uni e si a de les Illes Balea s.
Dos upné
z: h ps://dspace.uib.es/xmlui/bi s eam/handle/11201/156970/ m_2019-
20_MPGS_mzm872_2924.pd ?sequence=1
[8] TANIGAWA, Mako o, Jason STEIN, John PARK, Pe e KOSA, I ene CORTESE
a Bibiana BIELEKOVA. Finge and oo apping as al e na i e ou comes o uppe
and lowe ex emi y unc ion in mul iple scle osis. Mul iple Scle osis Jou nal -
Expe imen al, T ansla ional and Clinical [online]. 2017, 3(1). ISSN 20552173.
Dos upné z: doi:10.1177/2055217316688930
[9] SHIRANI, A saneh, B aeden D. NEWTON a Da in T. OKUDA. Finge apping
impai men s a e highly sensi i e o e alua ing uppe mo o neu on lesions. BMC
Neu ology [online]. 2017, 17(1). ISSN 14712377. Dos upné
z: doi:10.1186/s12883-017-0829-y
[10] BUONGIORNO, Domenico, Ila ia BORTONE, Giacomo Dona o CASCARANO,
Gianpaolo F ancesco TROTTA, An onio BRUNETTI a Vi oan onio BEVILACQUA.
A low-cos ision sys em based on he analysis o mo o ea u es o ecogni ion
and se e i y a ing o Pa kinson’s Disease. BMC Medical In o ma ics and Decision
Making [online]. 2019, 19(9). ISSN 14726947. Dos upné z: doi:10.1186/s12911-
019-0987-5
[11] RUFF, Ronald M a S ephen B PARKER. Gende - and age-speci ic changes in
mo o speed and eye-hand coo dina ion in adul s: No ma i e alues o he inge
apping and g oo ed pegboa d es s. O Pe cep ual and Mo o Skills. 1993, 76,
1219–1230.
[12] CHRISTIANSON, Mu iek K. a Jane M. LEATHEM. De elopmen and
S anda disa ion o he Compu e ised Finge Tapping Tes : Compae ison wi h
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
70
o he inge apping ins umen s. New Zeland Jou nal o Psychology [online].
2004, 33(2) [ id. 2024-12-12]. Dos upné
z: h ps://www. esea chga e.ne /p o ile/Jane -
Lea hem/publica ion/286374445_De elopmen _and_s anda disa ion_o _ he_co
mpu e ised_ inge _ apping_ es _Compa ison_wi h_o he _ inge _ apping_ins u
men s/links/5 c53c6192851c301299076e/De elopmen -and-s anda disa ion-o -
he-compu e ised- inge - apping- es -Compa ison-wi h-o he - inge - apping-
ins umen s.pd ?_ p=eyJjb250ZXh0Ijp7ImZpcnN0UGFnZSI6InB1YmxpY2F0aW
9uIiwicGFnZSI6InB1YmxpY2F0aW9uIn19
[13] NEWSOME, Sco D., Glo ia VON GELDERN, Haochang SHOU, Moi a BAYNES,
Rhul E.R. MARASIGAN, Pe e A. CALABRESI a Ka hleen M. ZACKOWSKI.
Longi udinal assessmen o hand unc ion in indi iduals wi h mul iple scle osis.
Mul iple Scle osis and Rela ed Diso de s [online]. 2019, 32, 107–113.
ISSN 22110356. Dos upné z: doi:10.1016/j.msa d.2019.04.035
[14] MOUSSAY, S., F. DOSSEVILLE, A. GAUTHIER, J. LARUE, B. SESBOÜE a D.
DAVENNE. Ci cadian hy hms du ing cycling exe cise and inge - apping ask.
Ch onobiology In e na ional [online]. 2002, 19(6), 1137–1149. ISSN 07420528.
Dos upné z: doi:10.1081/CBI-120015966
[15] WILLIS, A. W., E. ROBERTS, J. C. BECK, B. FISKE, W. ROSS, R. SAVICA, S.
K. VAN DEN EEDEN, C. M. TANNER, C. MARRAS, Roy ALCALAY, Michael
SCHWARZSCHILD, B ad RACETTE, Honglei CHEN, Tim CHURCH, Bill
WILSON a James M. DORIA. Incidence o Pa kinson disease in No h Ame ica.
npj Pa kinson’s Disease [online]. 2022, 8(1). ISSN 23738057. Dos upné
z: doi:10.1038/s41531-022-00410-y
[16] ESCAMILLA, F ancisco, Ve ónica GONZÁLEZ a Miguel MOYA.
Recomendaciones de p ác ica clínica en la En e medad de Pa kinson [online].
1. yd. Andalucía: Glosa, 2022 [ id. 2024-11-24]. ISBN 978-84-7429-765-2.
Dos upné z: h ps://po al.guiasalud.es/wp-
con en /uploads/2022/11/gpc_619_ ecomendaciones_p ac ica_clinica_pa kinso
n_compl.pd
[17] ZHANG, Zhe a Sheng Di CHEN. Au onomic Dys unc ions in Pa kinson’s Disease:
P e alence, Clinical Cha ac e is ics, Po en ial Diagnos ic Ma ke s, and
T ea men . Pa kinson’s Disease [online]. 2020, 2020, 1–10. ISSN 20420080.
Dos upné z: doi:10.1155/2020/8740732
[18] GUPTA, Deepak K., Massimo MARANO, Cole ZWEBER, James T. BOYD a
Sheng Han KUO. P e alence and ela ionship o es emo and ac ion emo in
pa kinson’s disease. T emo and O he Hype kine ic Mo emen s [online]. 2020,
10(1), 1–7. ISSN 21608288. Dos upné z: doi:10.5334/ ohm.552
[19] ARBELO, José. Guías diagnós icas y e apéu icas de la Sociedad Española de
Neu ología. 1. yd. B.m.: Ediciones SEN, 2016. ISBN 978-84-7989-750-5.
[20] SARAGURO, Williams. Reconocimien o y análisis de los mo imien os de la mano
en pacien es que padecen de la en e medad de Pa kinson (EP) median e isión
a i icial [online]. Cuenca, 2018 [ id. 2024-11-24]. P eg ado. Uni e sidad
Poli écnica Salesiana. Dos upné
z: h ps://dspace.ups.edu.ec/bi s eam/123456789/16815/1/UPS-CT008105.pd
[21] YU, Tianze, Kye Won PARK, Ma in J. MCKEOWN a Z. Jane WANG. Clinically
In o med Au oma ed Assessmen o Finge Tapping Videos in Pa kinson’s
Disease. Senso s [online]. 2023, 23(22). ISSN 14248220. Dos upné
z: doi:10.3390/s23229149
[22] GIRONELL, Alexand e. Temblo esencial: ¿el ga o iene cinco pies? Sín omas no
mo o es y emblo esencial plus. Re is a de Neu ología [online]. 2023, 76(12),
391. ISSN 0210-0010. Dos upné z: doi:10.33588/ n.7612.2023083
[23] GIRONELL, Alexand e, Juan MARÍN-LAHOZ a San iago PÓVEDA. Essen ial
T emo : Upda e o The apeu ic S a egies. Medicina Clinica [online]. 2024,
162(12), 599–605. ISSN 15788989. Dos upné
RECONOCIMIENTO Y ANÁLISIS COMPARATIVO DE MOVIMIENTO DE LA MANO (FINGER-TAPPING) EN
PACIENTES CON PARKINSON Y TEMBLOR ESENCIAL USANDO TÉCNICAS DE VISIÓN ARTIFICIAL.
RONNY AGUILAR CHÁVEZ
71
z: doi:10.1016/j.medcli.2023.12.013
[24] OFARRIL, Juan. Temblo esencial sín omas, a amien o y di e encias con el
pá kinson. Pa kinson. 5. p osinec 2019.
[25] ZUAZUA-VIDAL, Lo ena, Cassand a NAVARRO-ROA, Ángel BALDERAS-
JUÁREZ, Ángel ALCOCER-SALAS, Vic o ia PÉREZ-GONZÁLEZ, Amin
CERVANTES-ARRIAGA a Mayela RODRÍGUEZ-VIOLANTE. P uebas
Te apéu icas con Fines Diagnós icos en T as o nos del Mo imien o. Re is a
Ecua o iana de Neu ología [online]. 2019, 28(1), 70–81 [ id. 2024-11-25].
Dos upné z: h p://scielo.senescy .gob.ec/pd / neu o/ 28n1/2631-2581- neu o-
28-01-00070.pd
[26] VEINTIMILLA, Ma ía Salomé a Jo ge Edua do OCHOA. Neu o es ímulo eléc ico
pe i é ico no in asi o como opción e apéu ica en emblo esencial. Re is a Vi e
[online]. 2023, 6(16), 183–194. Dos upné z: doi:10.33996/ e is a i e. 6i16.217
[27] LOLEKHA, P aween, Po npa DHARMASAROJA, Na aphol URANSILP, Puchi
SUKPHULLOPRAT, Somba MUENGTAWEEPONGSA a Kongkia
KULKANTRAKORN. The di e ences in clinical cha ac e is ics and na u al his o y
be ween essen ial emo and essen ial emo plus. Scien i ic Repo s [online].
2022, 12(1), 1–7. ISSN 20452322. Dos upné z: doi:10.1038/s41598-022-11775-8
[28] LOUIS, Elan D. a Mo gan MCCREARY. How common is essen ial emo ? Upda e
on he wo ldwide p e alence o essen ial emo . T emo and O he Hype kine ic
Mo emen s [online]. 2021, 11(1), 1–14. ISSN 21608288. Dos upné
z: doi:10.5334/ ohm.632
[29] TOLOSA, Edua d, S anley FAHN a Concepción MARÍN. Clinical Ra ing Scale o
T emo . In: Pa kinson’s Disease and Mo emen Diso de s [online]. Bal imo e:
U ban & Schwa zenbe g, 1988, s. 225–234. Dos upné
z: h ps://www. esea chga e.ne /publica ion/307538277
[30] FAHER, S, E TOLOSA a C. MARIA. Escala de Temblo . Clinical a ing scale o
emo . 26. lis opad 2024.
[31] LANA, Héc o En ique a B ayan An onio ALULEMA. Temblo esencial s
En e medad de Pa kinson, e isión de la bibliog a ía. LATAM Re is a
La inoame icana de Ciencias Sociales y Humanidades [online]. 2023, 4(2), 4010–
4018. Dos upné z: doi:10.56712/la am. 4i2.886
[32] BAWA, An hony, Kons an inos BANITSAS a Maysam ABBOD. A Re iew on he
Use o Mic oso Kinec o Gai Abno mali y and Pos u al Diso de Assessmen .
Jou nal o Heal hca e Enginee ing [online]. 2021, 2021, 1–19. ISSN 20402309.
Dos upné z: doi:10.1155/2021/4360122
[33] RUDÅ, Di e, Gudmundu EINARSSON, Anne So ie Scho ANDERSEN, Jannik
Boll MATTHIASSEN, Ch is oph U. CORRELL, K is ian WINGE, Line K.H.
CLEMMENSEN, Rasmus R. PAULSEN, Anne Ka ine PAGSBERG a Ande s
FINK-JENSEN. Explo ing Mo emen Impai men s in Pa ien s Wi h Pa kinson’s
Disease Using he Mic oso Kinec Senso : A Feasibili y S udy. F on ie s in
Neu ology [online]. 2021, 11, 1. ISSN 16642295. Dos upné
z: doi:10.3389/ neu .2020.610614
[34] VAN KERSBERGEN, Jannis, Ka en OTTE, Nienke M. DE VRIES, Bas iaan R.
BLOEM, Hanna M. RÖHLING, Sebas ian MANSOW-MODEL, Nicolien M. VAN
DER KOLK, Sebas iaan OVEREEM, S i lana ZINGER a Me el M. VAN GILST.
Came a-based objec i e measu es o Pa kinson’s disease gai ea u es. BMC
Resea ch No es [online]. 2021, 14(1), 1–6. ISSN 17560500. Dos upné
z: doi:10.1186/s13104-021-05744-z
[35] VILLAREAL, Lucio. P o o ipo pa a la de ección y clasi icación de p oduc os
alimen icios median e isión a i icial en base al colo . Re is a Conec i idad
[online]. 2024, 5(2), 46–62 [ id. 2024-11-26]. Dos upné
z: h ps:// e is a.is e .edu.ec/ojs/index.php/ISTER/a icle/download/129/158/
[36] ARIAS, Jonna han. Desa ollo de un sis ema basado en isión a i icial pa a la
inspección de e ique as en el p oceso de ma cación iscal de bebidas [online].