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 Este Proyecto tiene en cuenta aspectos medioambientales: Sí No TRIBUNAL PRESIDENTE SIVATTE ADROER, MAURICIO SECRETARIO RAMOS LARA, RAFAEL RAMON VOCAL RODRÍGUEZ BERNUZ, JOAN MARC RESUMEN Este trabajo presenta el desarrollo de un sistema automatizado basado en técnicas de visión artificial para el reconocimiento y análisis comparativo del movimiento de finger-tapping en pacientes con Enfermedad de Parkinson (EP), Temblor Esencial (TE) y personas sin patologías neurológicas. Utilizando herramientas como OpenCV y MediaPipe, se procesaron vídeos para extraer parámetros clave, incluyendo frecuencia, amplitud, ritmo, regularidad, fatiga motora y características espectrales del movimiento. Estos datos permitieron identificar patrones distintivos en cada grupo: los pacientes con EP mostraron movimientos irregulares, alta variabilidad en los intervalos entre picos y temblores en reposo con frecuencias entre 3-5 Hz; los pacientes con TE presentaron temblores intencionales de mayor frecuencia (4-6 Hz) y variaciones de amplitud significativas; mientras que los sujetos sanos evidenciaron movimientos consistentes y uniformes. Se implementó un modelo de clasificación, que alcanzó una precisión del 88%, demostrando su capacidad para diferenciar entre los tres grupos. No obstante, el modelo presentó limitaciones al distinguir entre EP y TE debido a similitudes en sus características motoras. El estudio destaca la utilidad de la visión artificial como una herramienta no invasiva y objetiva para el diagnóstico inicial y seguimiento de trastornos neurológicos, proponiendo mejoras como la ampliación del dataset, la incorporación de cámaras de mayor precisión para análisis en tiempo real y la estandarización de protocolos de captura. Estos avances podrían optimizar la detección temprana de enfermedades neurodegenerativas, especialmente en entornos con recursos limitados. Palabras clave (máximo 10): Visión artificial Finger-tapping Enfermedad de Parkinson Temblor esencial Análisis de movimiento Clasificación Machine learning Random Forest Procesamiento de imágenes Diagnóstico inicial ABSTRACT This study presents the development of an automated system based on computer vision techniques to recognize and analyze finger-tapping movements in patients with Parkinson’s Disease (PD), Essential Tremor (ET), and healthy individuals. Using tools such as OpenCV and MediaPipe, videos were processed to extract key parameters including frequency, amplitude, rhythm, regularity, motor fatigue, and spectral characteristics of the movements. The analysis revealed distinctive patterns across groups: PD patients exhibited irregular movements, high variability in peak intervals, and resting tremors with frequencies ranging from 3-5 Hz. ET patients displayed intentional tremors with higher frequencies (4-6 Hz) and significant amplitude variations, while healthy subjects demonstrated consistent and uniform movements. A classification model achieved 88% accuracy, showcasing its capability to differentiate among the three groups. However, challenges arose in distinguishing PD from ET due to similarities in motor characteristics. The study underscores the potential of computer vision as a non-invasive and objective tool for initial diagnosis and monitoring of neurological disorders. Proposed improvements include dataset expansion, integration of highprecision cameras for real-time analysis, and standardized data capture protocols. These advancements could enhance early detection of neurodegenerative diseases, particularly in resource-limited settings. Keywords (10 maximum): Computer vision Finger-tapping Parkinson's Disease Essential Tremor Movement analysis Classification Machine learning Random Forest Image processing Initial 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 FINGERTAPPING ......................................................................................................... 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 tapping f : Frecuencia del tapping o golpeteos realizados cada segundo peaks N : Número total de picos detectados total T : Duración total de la señal, que es la diferencia entre el tiempo final y el tiempo inicial amplitud  : Variación debido a la dispersión en la amplitud de los movimientos en función del tiempo N : Número total de valores (muestras) i A : Amplitudes de los picos A : Amplitud promedio intervalo  : Ritmo (Regularidad del intervalo entre los golpeteos) i I : Intervalos entre el pico final y el inicial I : Intervalo promedio amplitud F : Fatiga en amplitud medida en cambio porcentual final inicial AA− : Diferencia entre las amplitudes de los primeros y últimos picos, respectivamente frecuencia F : Fatiga en frecuencia calculado en la primera y segunda mitad del ejercicio tapping f : Frecuencia del tapping   Xk : Es el valor transformado de la señal en la frecuencia k. Representa la magnitud y la fase de la componente de frecuencia correspondiente.   xn : Es la señal en el dominio del tiempo, es decir, los valores discretos de la señal. 2j kn N e  − : Es el núcleo complejo de la Transformada discreta de Fourier (DFT) H : Entropía i P : Probabilidad asociada al valor i en el histograma de la señal i xx− : distribución de las amplitudes 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 motora suplementaria, la corteza sensoriomotora del lado izquierdo, los ganglios basales, el tálamo, el cerebelo derecho, la corteza temporal superior y la corteza premotora lateral. En cambio, para actividades que superan un segundo, se activan estructuras como la corteza prefrontal, el lóbulo parietal derecho y la región motora suplementaria, lo cual ocurre debido a las mayores exigencias en los procesos de atención y la memoria de trabajo imprescindibles para sostener la concentración [7]. Las actividades de golpeteo con los dedos resultan beneficiosas para valorar la excitabilidad central y la conductividad en pacientes con trastornos cerebrovasculares y en personas saludables. Además, funcionan como indicadores de evolución en patologías como la esclerosis múltiple (EM), siendo un instrumento apropiado para investigaciones transversales y longitudinales que evalúan la evolución de enfermedades y el efecto de fármacos [8, 9]. Figura 2. Golpeteo de dedos entre pulgar e índice. [10] Varios elementos afectan la regularidad del tapping en adultos saludables y pacientes neurológicos. El sexo y la edad influyen en el desempeño, siendo la reducción más notable en mujeres de edad avanzada, mientras que la dominancia manual también tiene un papel [11]. Adicionalmente, el estudio de la tarea y actividades tales como deportes, videojuegos, manualidades o música pueden incrementar la regularidad de golpeteo [12]. Newsome et al., [13] descubrieron que las frecuencias más bajas de tapping están vinculadas con puntuaciones elevadas (> 4,0) en la escala EDSS. Por consiguiente, fue encontrada una correlación entre la frecuencia de tapping y la fuerza de agarre, aunque no con la EDSS de manera transversal, lo que sugiere un deterioro musculoso relacionado con el estilo de vida. Gulde y colaboradores corroboraron un vínculo sólido entre la frecuencia de taping y la EDSS [14]. Finalmente, también la hora del día tiene un impacto, ya sea debido al agotamiento acumulado, los ritmos circadianos o la temperatura corporal después de la actividad física. 1.1.2. ESCALA DE VALORACIÓN DE LA ENFERMEDAD DE PARKINSON A lo largo de décadas, los expertos han desarrollado varias escalas para ayudar a diagnosticar y controlar la enfermedad de Parkinson (EP). Actualmente existe una amplia gama de estos instrumentos, entre los que se incluyen la escala de Hoehn y Yahr, Ziegler-Bleton, NUDS, Webster, CURS, la escala PD Gait, 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 Hospital y la escala ISAPD [15]. Sin embargo, la más utilizada en la práctica clínica es la Escala Unificada de Calificación de la Enfermedad de Parkinson (UPDRS), lo que la hace especialmente útil para el seguimiento longitudinal de la enfermedad debido a su protocolo de evaluación integral [16]. La UPDRS se creó en los años 80 por un grupo dirigido por el profesor Stanley Phan y actualmente es una herramienta reconocida a nivel global para analizar la evolución de la enfermedad de Parkinson y la reacción del paciente a los tratamientos. Esta escala abarca diferentes áreas, normalmente con puntuaciones de 0 (sin daño) a 4 (daño grave): El Primer Dominio examina el estado cognitivo, el comportamiento y el ánimo del paciente. El Segundo Dominio se concentra en las actividades cotidianas. Se presentan complicaciones en este dominio asociadas a las pruebas y al tratamiento por vía intravenosa [17, 18]. Esta área trata aspectos relacionados con el estado mental, el comportamiento y el estado de ánimo. El dominio II se centra en las actividades de la vida diaria y el dominio IV incluye complicaciones relacionadas con el tratamiento [19].La UPDRS evalúa un total de 44 ítems, de los cuales 37 utilizan una escala de 0 a 4, y los 7 restantes se responden con “sí” o “no”, como se muestra en la Tabla 1. DOMINIO I: Estado mental, conducta y Humor Afectación Intelectual Depresión Trastornos del Pensamiento Motivación - Iniciativa DOMINIO II: Actividades de la vida Diaria Lenguaje Volverse en la cama/ Ajustar las sábanas Salivación Caídas Deglución Congelación al caminar Escritura Caminar Cortar Alimentos/ Manejar Utensilios Temblor Vestir Síntomas sensoriales relacionados con el Parkinsonismo Higiene DOMINIO III: Examen Motor Lenguaje Pronación - supinación de las manos Expresión Facial Agilidad de las piernas Temblor de Reposo en MMSS y MMII Levantarse de la silla Temblor Postural o de acción de las manos Postural Rigidez (Axial, MMSS y MMII) Marcha Estabilidad Postural Golpeteo de dedos de las manos Estabilidad Postural Movimientos alternantes con las manos Bradicinesia e Hipocinesia DOMINIO IV: Complicaciones del Tratamiento Duración de Discinesias Fluctuaciones (periodos off de instauración) Incapacidad de Discinesias Fluctuaciones (proporción del día vigil - off) Discinesias dolorosas Presenta (Anorexia, náuseas o vómitos) 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 Presencia de Distonia Matutina Presenta trastorno del sueño Fluctuaciones (periodos off predecibles) Tiene ostostatismo sintomático Fluctuaciones (periodos off impredecibles) Tabla 1. Ítems que son evaluados en los 4 dominios de la escala UPDRS. [20] Aparte de la enfermedad de Parkinson, existen otros trastornos del movimiento que tienen características clínicas únicas pero que pueden compartir síntomas como los temblores. Entre ellos, el temblor esencial es un trastorno neurológico destacado que, aunque más común que la enfermedad de Parkinson, tiene una fisiopatología y un impacto funcional diferentes. Una inmersión más profunda en su análisis comparativo es esencial para distinguir entre estas dos condiciones, especialmente cuando se utilizan herramientas de evaluación como la escala UPDRS y tecnologías avanzadas como Microsoft Kinect V2 para estudiar patrones de movimiento específicos [21]. 1.2. EL TEMBLOR ESENCIAL El temblor esencial (TE) es el trastorno del movimiento más común en adultos y, aunque generalmente se considera una afección benigna porque no acorta la esperanza de vida ni causa manifestaciones adicionales de temblor, puede causar discapacidad física y psicosocial grave. Aunque la TE es un tema de debate en la literatura médica, se considera un trastorno multisintomático que puede estar asociado con cambios cognitivos, alteraciones psicopatológicas y problemas relacionados con el sueño [22]. Se estima que su prevalencia real es diez veces mayor que la prevalencia teórica y aproximadamente veinte veces mayor que la de la enfermedad de Parkinson, con un rango global del 0,32% al 1,33% y un aumento significativo con la edad [23]. Figura 3. Temblor essencial. [24] 1.2.1. CARACTERÍSTICAS CLÍNICAS El temblor esencial se caracteriza por afectar principalmente a las extremidades superiores, especialmente a las manos, pero también puede afectar a otras zonas de la musculatura estriada, y es simétrico y bilateral [25]. Las manifestaciones clínicas son heterogéneas, por lo que es difícil identificar un único mecanismo fisiopatológico. Sin embargo, se cree que importantes componentes genéticos y cambios en los circuitos cerebelo-tálamocorticales son los principales factores de su origen [26]. A nivel del cerebelo se ha encontrado una disminución en la identidad de los axones de las células de Purkinje y del neurotransmisor GABA, mientras que en el tálamo se asocia con una disfunción en el internúcleo ventral, principal zona receptora de señales del cerebro [27]. Clínicamente, el temblor es postural, simétrico y afecta principalmente a manos y brazos, pero también puede afectar a los miembros inferiores, 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 voz. Además, suele tener antecedentes familiares y, en algunos casos, la afección mejora después de beber alcohol, lo que aumenta la especificidad de su diagnóstico y tratamiento [28]. 1.2.2. ESCALA DE VALORACIÓN DE LA ENFERMEDAD DEL TEMBLOR ESENCIAL La siguiente tabla describe los criterios de evaluación utilizados para determinar la gravedad y el impacto funcional del temblor esencial en diversos aspectos de la vida diaria. Cada actividad se califica en una escala de 0 a 4, donde 0 representa una actividad normal y sin deterioro y 4 representa un deterioro severo o incapacidad para realizar la tarea. Estas categorías cubren aspectos como redacción, presentación, habilidades nutricionales, higiene personal, vestimenta y desempeño laboral [29]. Esta clasificación permite determinar la amplitud del temblor y su efecto en tareas específicas, proporcionar una comprensión integral del grado de participación y facilitar la comparación de pacientes o el seguimiento de su evolución clínica. 1-9 Temblor 0 = Nada. 3 = Marcada amplitud (1-2 cm). 1 = Leve (amplitud < 0,5 cm). Puede ser intermitente. 4 = Severa (amplitud > 3 cm). 2 = Moderada amplitud (0,5-1 cm). Puede ser intermitente. 10. Escritura 0 = Normal. 3 = Marcadamente anormal. Ilegible. 1 = Mínimamente anormal. Levemente tembloroso. 4 = Severamente anormal. Incapaz de poner la pluma o bolígrafo en el papel sin sujetar la mano con la otra mano. 2 = Moderadamente anormal. Legible, pero con considerable temblor. 11-13. Delinear 0 = Normal. 3 = Realiza la tarea con gran dificultad. Muchos errores. 1 = Levemente temblorosa. Puede cruzar las líneas ocasionalmente. 4 = Incapaz de completarla. 2 = Moderadamente temblorosa o cruza las líneas frecuentemente. 14. Verter 0 = Normal. 3 = Derrama bastante agua (10-50%). 1 = Más cuidadosa que una persona sin temblor, pero sin derramar agua. 4 = Incapaz de verterla sin derramar casi toda el agua. 2 = Derrama una pequeña cantidad de agua. (Alrededor del 10%). 15. Habla 0 = Normal. 3 = Moderado temblor de voz. 1 = Levemente temblorosa sólo cuando está nerviosa. 4 = Severo temblor de voz. Algunas palabras difíciles de entender. 2 = Levemente temblorosa siempre. 16. Comer 0 = Normal. 3 = Marcadamente anormal. Incapaz de cortar o no usar las dos manos para comer. 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 = Levemente anormal. Puede llevar los alimentos a la boca, derramándolos sólo raramente. 4 = Severamente anormal. Necesita ayuda para comer. 2 = Moderadamente anormal. Frecuentemente derrama los guisantes y similares. 17. Llevar líquidos a la boca 0 = Normal. 3 = Marcadamente anormal. Puede beber en vaso, pero necesita las dos manos. 1 = Levemente anormal. Puede usar la cuchara, pero no si está completamente llena. 4 = Severamente anormal. Necesita usar una cañita. 2 = Moderadamente anormal. Incapaz de usar la cuchara. Usa copa o vaso 18. Higiene 0 = Normal. 3 = Marcadamente anormal. Incapaz de realizar las tareas finas, tales como pintarse los labios o afeitarse, incluso con máquina eléctrica, sin usar las dos manos. 1 = Levemente anormal. Lo realiza todo, pero cuidadosamente. 4 = Severamente anormal. Incapaz de realizar solo cualquier tarea fina. 2 = Moderadamente anormal. Lo realiza todo, pero con errores, debiendo utilizar maquinilla eléctrica a causa del temblor. 19. Vestirse 0 = Normal. 3 = Marcadamente anormal. Necesita asistencia para abotonarse u otras actividades, como abrocharse los zapatos. 1 = Levemente anormal. Capaz de hacerlo todo, pero de una forma cuidadosa. 4 = Severamente anormal. Requiere asistencia incluso en las tareas básicas. 2 = Moderadamente anormal. Capaz de hacerlo todo, pero con errores. 20. Escribir 0 = Normal. 3 = Marcadamente anormal. Ilegible. 1 = Levemente anormal. Legible; capaz de escribir cartas largas. 4 = Severamente anormal. Incapaz de firmar. 2 = Moderadamente anormal. Legible; no puede escribir cartas largas. 21. Trabajo 0 = El temblor no interfiere en el trabajo. 3 = Incapaz de un trabajo regular. Puede haber cambiado de trabajo a causa del temblor. El temblor limita las labores del hogar, como el planchado. 1 = Capaz de trabajar, pero necesita ser más cuidadoso que una persona normal. 4 = Incapaz de realizar cualquier trabajo. Las labores de la casa son muy limitadas. 2 = Capaz de trabajar, pero con errores. Empeoramiento de su rendimiento laboral por causa del temblor. Tabla 2. Escala de evaluación del temblor 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 Diferenciar el temblor esencial de la enfermedad de Parkinson presenta desafíos diagnósticos relacionados con la superposición de síntomas motores. En este contexto, las técnicas avanzadas de análisis del movimiento se han convertido en herramientas clave para estudiar y cuantificar los cambios de movimiento, particularmente los cambios en los movimientos del brazo. Dispositivos como Microsoft Kinect V2, sensores inerciales y tecnología de visión artificial pueden registrar con precisión parámetros como la velocidad, amplitud y frecuencia del movimiento, proporcionando evaluaciones objetivas y no invasivas. Aunque comparten la manifestación de temblores estas dos enfermedades. En general se puede destacar algunas diferencias, Él TE se caracteriza por un temblor de acción que afecta principalmente las manos, cabeza y voz, mejorando con el consumo de alcohol, mientras que en la EP el temblor es de reposo, acompañado de rigidez, bradicinesia y no influido por el alcohol. En cuanto a la etiología, el TE tiene un fuerte componente genético asociado al gen LINGO1, mientras que la EP resulta de una combinación de factores genéticos, ambientales y envejecimiento. Los síntomas del TE incluyen alteraciones cognitivas leves, mientras que en la EP son frecuentes el deterioro cognitivo severo y los trastornos del sueño. Terapéuticamente, el TE responde a betabloqueantes y anticonvulsivantes, mientras que la EP es tratada eficazmente con levodopa en etapas iniciales. Además, el TE progresa lentamente con menor impacto funcional, mientras que la EP es neurodegenerativa y altamente discapacitante [31]. Tabla 3. Diferencias principales entre Parkinson y Temblor Esencial. [31] Características Enfermedad de Parkinson (EP) Temblor Esencial (TE) Tipo de temblor Temblor en reposo (predomina en relajación) Temblor de acción (durante el movimiento) Distribución inicial Unilateral, afecta una mano o pierna primero Bilateral y simétrico, afecta manos y brazos Síntomas asociados Bradicinesia, rigidez muscular, alteraciones en la marcha y equilibrio Temblor dominante, posibles alteraciones cognitivas leves Etiología Asociada a factores ambientales, genéticos y edad avanzada Patrón hereditario, autosómico dominante Respuesta al tratamiento Buena respuesta a levodopa en etapas iniciales No responde a levodopa; se usa propanolol o primidona Progresión Progresiva y neurodegenerativa Progresiva pero más lenta y menos incapacitante Impacto en la calidad de vida Impacto significativo con deterioro funcional Interfiere en actividades cotidianas, pero con menor impacto 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 (FINGERTAPPING) EN PERSONAS CON EP Y TE Hay diversos enfoques destinados a investigar los movimientos manuales en individuos con enfermedad de Parkinson y Temblor Esencial que han sustituido las evaluaciones clínicas convencionales que realizaban los profesionales de la salud. El objetivo fundamental de todos estos enfoques es obtener una evaluación altamente precisa, permitiendo a los especialistas utilizar estas herramientas analíticas de gran calidad para supervisar todas las fases de la EP y TE. Una de las tecnologías sugeridas es la herramienta Kinect, que cuenta con un amplio conjunto de características que la hacen enormemente efectiva para la detección y el seguimiento de coordenadas; sin embargo, el sensor presenta ciertas limitaciones en aspectos como el campo de visión, el reconocimiento de articulaciones, la profundidad y la calidad de imagen de la cámara [32]. La rápida capacidad del sensor Microsoft Kinect V2 para percibir el entorno y su habilidad para identificar la posición de las manos y los dedos lo hace ideal para analizar cómo se comportan los dedos al tacto y los diferentes gestos de las manos, como al encender y apagar la pantalla [33]. La meta fundamental del proyecto es facilitar la adopción de la nueva tecnología Microsoft Kinect v2, de modo que los pacientes con EP y TE reciban un sistema de evaluación más efectivo de sus condiciones físicas en relación con la versión 1. Una de las funciones más destacadas del Kinect V2 es su cámara de profundidad, la cual analiza la información entre el sensor y el objeto a través de un enfoque de tiempo de vuelo, empleando sensores activos para determinar la distancia a una zona mediante el cálculo de un camino unidireccional, así como distancia y velocidad [34]. 1.5. VISIÓN ARTIFICIAL Es una rama de la inteligencia artificial que permite a las máquinas interpretar y analizar imágenes o secuencias de vídeo de forma automatizada. El campo combina algoritmos de procesamiento de imágenes, aprendizaje automático y técnicas informáticas avanzadas para identificar patrones y extraer características relevantes de las imágenes, que son particularmente útiles en aplicaciones biomédicas y clínicas [35]. La visión artificial es un área tecnológica que busca emular la capacidad humana para comprender e interpretar visualmente su entorno, permitiendo que dispositivos o maquinarias recolecten y gestionen información de imágenes digitales. Su meta no se limita a la observación, sino que también abarca la recolección y análisis de información visual para resolver problemas específicos y comprender [36]. En el contexto del análisis del movimiento, la visión por computadora se utiliza para estudiar la dinámica y las características del movimiento de personas con enfermedades como la enfermedad de Parkinson o el temblor esencial, permitiendo una evaluación objetiva y no invasiva de su condición. Este campo combina métodos avanzados para recolectar, analizar, procesar y entender imágenes de la vida cotidiana, generando información que puede adoptar formas numéricas o simbólicas. Estas competencias se obtienen mediante algoritmos para el procesamiento de imágenes digitales, aprendizaje profundo y redes neuronales, que permiten a las máquinas identificar patrones 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 identificar objetos [37]. El funcionamiento básico de un sistema de visión artificial requiere una serie estructurada de pasos que se combinan en un diagrama de flujo para organizar el proceso desde la recopilación de datos hasta la toma de decisiones, de acuerdo con lo descrito en la Figura 4. Figura 4. Diagrama de bloque de etapas de un sistema de visión artificial. [38] La inteligencia artificial basada en la visión artificial, es esencial en el Internet de las Cosas (IoT), el Internet Industrial de las Cosas (IIoT) y las interfaces entre el cerebro y el ser humano. Facilita el reconocimiento y seguimiento de acciones humanas complejas en contenidos multimedia mediante métodos sofisticados de procesamiento de imágenes y aprendizaje profundo. Metodologías establecidas como el aprendizaje supervisado, no supervisado y semi-supervisado emplean algoritmos especializados, como las máquinas de soporte vectorial (SVM), las vecinas más próximas (KNN) y las redes neuronales convolucionales (CNN), para llevar a cabo labores como la segmentación, categorización y estudio de patrones. Estas herramientas simplifican usos esenciales en la automatización, la salud y los sistemas de interacción entre humanos y máquina [39]. Figura 5. Clasificación, detección del objeto y segmentación de elementos. [40] OBTENER DE IMÁGENES •Etapa sensorial TRANSFORMAR Y FILTRAR IMÁGENES •Etapa de preprocesado AISLAR CIERTOS OBJETOS DE LA IMAGEN •Etapa de segmentación ANÁLISIS DE CARACTERÍSTICAS •Etapa de parametrización RECONOCIMIENTO •Etapa de clasificación INTERPRETAR DE LA ESCENA •Actuación según resultados 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 artículo "Computer Vision for Parkinson’s Disease Evaluation: A Survey on Finger Tapping Assessment" resalta cómo las técnicas de visión por computadora, a partir de cámaras RGB y análisis de video, permiten extraer características clave como la velocidad, amplitud y frecuencia de los movimientos de los dedos. Estos datos se analizan mediante algoritmos de aprendizaje automático para obtener medidas objetivas que complementan las evaluaciones clínicas tradicionales. Además, se mencionan los beneficios de estas tecnologías, como la posibilidad de realizar evaluaciones no invasivas, en tiempo real, y con menor dependencia de la subjetividad del evaluador clínico. Esta revisión subraya el impacto positivo que las tecnologías de visión artificial pueden tener en la práctica clínica, facilitando el monitoreo continuo de los pacientes y optimizando la detección precoz de alteraciones motoras asociadas con la EP [41]. Figura 6. Aplicación de visión artificial en aplicacions de biomecànica de la mano. [41] En otros estudios además, se introducen técnicas de normalización para ajustar factores externos, como la posición de la cámara y la distancia del sujeto, asegurando que las mediciones sean consistentes y precisas. Los resultados demostraron que este enfoque es capaz de proporcionar medidas objetivas y reproducibles, lo que permite identificar alteraciones motoras con mayor sensibilidad que los métodos manuales tradicionales. El estudio destaca las ventajas de esta tecnología, especialmente en su potencial para ser utilizada en entornos remotos, facilitando el monitoreo de los pacientes sin necesidad de visitas frecuentes a la clínica. Sin embargo, se mencionan retos como la necesidad de validar estos métodos en poblaciones más amplias y de integrar los datos en los flujos de trabajo clínicos existentes. El marco de visión artificial representa un avance significativo hacia la evaluación automatizada de los movimientos motores en la EP, ofreciendo una herramienta que complementa las evaluaciones clínicas tradicionales y mejora la objetividad en el diagnóstico y seguimiento [42]. 2. INDICADORES FUNDAMENTALES EN EL ANÁLISIS DEL FINGER-TAPPING En el análisis de finger tapping para personas sanas, con Parkinson, y con temblor esencial; el estudio de las características y parámetros son fundamentales, porque cada grupo presenta patrones distintivos en las métricas asociadas con el movimiento motor. 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 Estas diferencias permiten evaluar la función neuromotora, identificar anomalías y distinguir entre condiciones clínicas. 1. Personas sin ninguna patología • Características motoras: o Movimientos regulares y uniformes con baja variación en la amplitud y el ritmo. o Alta frecuencia de tapping debido a un sistema motor intacto. o Baja fatiga motora, lo que indica resistencia en la ejecución de movimientos repetitivos. • Importancia en el análisis: o Permite establecer un control basal para comparar con las otras clases. o Ayuda a diferenciar movimientos normales de patrones patológicos. o El sistema nervioso periférico (SNP) interactúan de manera eficiente, coordinando movimientos rápidos y precisos. 2. Enfermedad de Parkinson (EP) • Características motoras: o Bradicinesia: Movimientos más lentos y con menor frecuencia debido a la disfunción de los ganglios basales y la falta de dopamina. o Variación de amplitud: Los movimientos pierden fuerza con el tiempo, mostrando mayor variabilidad. o Ritmo irregular: Los intervalos entre picos son inconsistentes debido a la alteración de los circuitos motores. o Fatiga motora: Reducción de la amplitud y la frecuencia con el tiempo, reflejando resistencia motora limitada. o Frecuencia de temblor (3-7 Hz): Temblor característico de reposo que puede interferir con el tapping. • Importancia en el análisis: o Las métricas como el ritmo, la frecuencia de tapping y la fatiga motora son clave para detectar y cuantificar la severidad de los síntomas motores. o Permite diferenciar EP de otras condiciones como el temblor esencial. o Los ganglios basales, responsables de iniciar y regular los movimientos, están afectados en la EP, resultando en un control motor defectuoso. 3. Temblor esencial (TE) • Características motoras: o Frecuencia alta de temblores (>8 Hz): A menudo durante la acción, en contraste con el temblor de reposo de la EP. o Ritmo regular: A pesar del temblor, los movimientos suelen ser más consistentes en intervalos y amplitudes que en la EP. o Menor fatiga motora: Menos afectación en la resistencia, comparado con el Parkinson. o Curtosis alta: Los movimientos presentan picos más definidos debido a la amplitud constante del temblor. • Importancia en el análisis: o Diferenciar entre TE y EP es crucial porque los tratamientos son distintos. o Las métricas como la frecuencia de temblor y la regularidad permiten una clasificación precisa. 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 seguirlas, lo que mejora la utilización del modelo y disminuye la carga informática [44]. 3.4. RANDOM FOREST El Random Forest es un algoritmo de aprendizaje automático que pertenece a los métodos de ensamble. Este modelo se basa en la generación de múltiples árboles de decisión independientes, que trabajan de manera conjunta para mejorar la precisión de las predicciones. Para consolidar sus resultados, utiliza estrategias como el promedio (en problemas de regresión) o el voto mayoritario (en problemas de clasificación) [51]. En el contexto de este proyecto, el uso del Random Forest resulta particularmente relevante debido a las ventajas descritas a continuación. 3.4.1. VENTAJAS DEL RANDOM FOREST i. Robustez frente al ruido y los datos faltantes: o Random Forest es capaz de manejar conjuntos de datos con ruido o valores faltantes. Esto es especialmente importante en el ámbito biomédico, donde los datos pueden ser heterogéneos debido a la variabilidad en los pacientes o a limitaciones en los dispositivos de captura de datos [45]. ii. Reducción del riesgo de sobreajuste: o Al combinar múltiples árboles, el modelo mitiga el riesgo de sobreajuste presente en los árboles de decisión individuales, logrando una mejor generalización en datos nuevos [46]. iii. Capacidad para modelar relaciones no lineales: o Este algoritmo es ideal para identificar patrones complejos y no lineales, características comunes en el análisis de movimientos finos como el finger-tapping en pacientes neurológicos [48]. iv. Selección automática de características relevantes: o Random Forest evalúa la importancia de cada característica en el proceso de clasificación, lo que permite identificar las variables más relevantes para diferenciar entre Parkinson y temblor esencial [49]. v. Escalabilidad y flexibilidad: o Funciona eficientemente en conjuntos de datos grandes o con muchas características, como las derivadas de análisis de video, manteniendo un tiempo de entrenamiento razonable [50]. vi. Interpretabilidad relativa: o Aunque no es completamente interpretable, ofrece métricas como la importancia de las variables, útiles para justificar los resultados ante audiencias médicas o técnicas [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 Comparado con un único árbol de decisión, Random Forest es más difícil de interpretar, lo que puede ser un desafío en entornos donde la explicación clara de los resultados es fundamental [46]. ii. Requerimientos computacionales: o Entrenar y utilizar Random Forest puede ser costoso en términos de tiempo y memoria, especialmente con grandes volúmenes de datos o configuraciones con muchos árboles [48]. iii. Sensibilidad a características categóricas con muchos niveles: o Las variables categóricas con múltiples niveles pueden influir de manera desproporcionada en el modelo, generando posibles sesgos si no se manejan adecuadamente [45]. iv. Desempeño relativo frente a redes neuronales: o Aunque es robusto, puede no alcanzar el nivel de precisión de técnicas más avanzadas, como las redes neuronales profundas, en problemas con datos extremadamente complejos o de gran tamaño [49]. 3.4.3. JUSTIFICACIÓN DEL USO DEL RANDOM FOREST En este proyecto, el Random Forest se emplea como herramienta clave para la clasificación y análisis de patrones de movimiento de los dedos, capturados a través de técnicas de visión artificial. Su capacidad para manejar datos heterogéneos, identificar características relevantes y evitar el sobreajuste lo convierte en una opción idónea para los objetivos planteados. Además, su menor complejidad en comparación con métodos más avanzados, como las redes neuronales, facilita la interpretación de los resultados y su presentación ante audiencias médicas o científicas, donde la transparencia y la justificación de los métodos son esenciales. Finalmente, el uso del Random Forest permite establecer una base sólida para el análisis comparativo entre pacientes con Parkinson y temblor esencial, proporcionando resultados confiables y generalizables que podrían ser complementados en el futuro con modelos más sofisticados si fuera necesario. 4. PROCESO DE PROGRAMACIÓN Para llevar a cabo el estudio de manera eficiente y estructurada, el proyecto se divide en tres fases principales, implementadas a través de programas independientes: 1. Análisis de video: En esta etapa inicial, se procesan los videos de cada paciente para extraer información relevante. Como resultado, se genera un archivo de texto (.txt) que contiene datos clave, como el tiempo y la distancia entre los dedos pulgar e índice durante la prueba de finger tapping. 2. Cálculo de características y visualización: En el segundo programa, los archivos generados son analizados para calcular una serie de métricas avanzadas relacionadas con el movimiento, como la frecuencia de tapping, la variación de amplitud, la regularidad (ritmo), la fatiga motora y otras 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 características estadísticas como la entropía, la curtosis y la dimensión fractal. Adicionalmente, se generan gráficos personalizados para cada paciente, lo que facilita la visualización y comprensión de sus patrones motores individuales. 3. Construcción del dataset y clasificación: Finalmente, el tercer programa consolida la información en un dataset que agrupa las características de todos los pacientes, organizadas por clases (por ejemplo, sano, Parkinson, temblor esencial). Este dataset se utiliza para entrenar un modelo de aprendizaje automático, como Random Forest, que permite predecir y clasificar automáticamente a un paciente elegido al azar según sus características motoras. Esta metodología asegura un flujo estructurado desde la extracción de datos hasta el análisis automatizado, lo que facilita la interpretación clínica y la comparación entre diferentes grupos de pacientes. 4.1. ANÁLISIS DE VIDEO Y GENERACIÓN DE ARCHIVO DE TEXTO CON VALORES DE TIEMPO Y DISTANCIA El código que se presenta a continuación, realizado en lenguaje Python, implementa la detección y medición de la distancia entre el pulgar y el índice de la mano en un video de entrada. Esta medición puede resultar especialmente útil en la evaluación clínica de trastornos del movimiento, tales como la enfermedad de Parkinson o el temblor esencial, en la tarea específica de “finger-tapping”, y a la vez genera un archivo de texto en cual se guardarán los valores de tiempo y distancia para cada video que se haya procesado en este código. Importación de Bibliotecas y Módulos import cv2 import mediapipe as mp import math import time import tkinter as tk from tkinter import filedialog, simpledialog import os En este bloque se importan las bibliotecas necesarias: • OpenCV (cv2): Librería de OpenCV para el procesamiento de imágenes y video. Permite la captura y lectura de fotogramas, así como funciones de dibujo y visualización. • mediapipe: Incluye la solución MediaPipe Hands, que facilita la detección y seguimiento de manos y dedos. • math: Para cálculos matemáticos, como la distancia euclidiana. • time: Para gestionar tiempos y registrar marcas temporales. • tkinter: Herramienta de Python para crear interfaces gráficas (GUI). En este caso, se utilizan diálogos de selección de archivo y de entrada de texto. • filedialog, simpledialog (de tkinter): Facilitan la selección de archivos y la petición de información al usuario (por ejemplo, el nombre del archivo). • os: Para operaciones del sistema de archivos (crear rutas, verificar existencias, etc.). 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 Archivo de Video # Configuración de tkinter para seleccionar el archivo de video root = tk.Tk() root.withdraw() # Ventana de diálogo para seleccionar el archivo de video video_path = filedialog.askopenfilename( title="Selecciona un archivo de video", filetypes=[("Archivos de video", "*.mp4 *.avi *.mov *.mkv")] # Verificación if not video_path: print("No se seleccionó ningún archivo de video.") exit() Este fragmento inicializa Tkinter. Posteriormente, se utiliza para mostrar ventanas emergentes que facilitan la selección de archivos y la entrada de datos por parte del usuario. Figura 8. Selección de archivos. Fuente: elaboración propia Se abre una ventana para que el usuario seleccione un archivo de video. Si no se selecciona ningún archivo, el programa termina con un mensaje de error. Solicitud del Nombre del Archivo de Texto # Solicitar al usuario un nombre para el archivo de texto file_name = simpledialog.askstring("Nombre del archivo", "Introduce las iniciales del paciente:") if not file_name: print("No se proporcionó un nombre para el archivo de texto.") exit() 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 # Ruta completa donde se guardará el archivo de texto save_path = os.path.join( r"C:\Users\ronny\OneDrive - Universitat Politècnica de Catalunya\TFM\python\Entorno", f"{file_name}.txt" ) Se solicita al usuario que ingrese un identificador (Iniciales del nombre paciente) para el archivo donde se guardarán los resultados. Si el usuario no proporciona un nombre, el programa termina. Figura 9. Ventana para introduir iniciales del paciente. Fuente: elaboración propia Además, define la ruta donde se guardará el archivo de texto con los resultados de tiempo y distancia para este paciente. Configuración de MediaPipe Hands y carga de video # Utilidades de MediaPipe para el dibujo de landmarks y detección de manos mp_drawing = mp.solutions.drawing_utils mp_hands = mp.solutions.hands # Cargar el video cap = cv2.VideoCapture(video_path) # Verifica si el video se ha cargado correctamente if not cap.isOpened(): print("Error: No se pudo abrir el video. Verifica la ruta.") exit() else: print("Video cargado correctamente.") Se configuran las utilidades de MediaPipe: • mp_drawing: Para dibujar landmarks y conexiones. • mp_hands: Para inicializar el modelo de detección de manos. Se carga el video seleccionado utilizando OpenCV. Si el archivo no se puede abrir, el programa termina con un mensaje de error. 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 Creación y Configuración del Archivo de Texto # Crea un archivo de texto para guardar las distancias con el formato deseado with open(save_path, "w") as file: # Encabezado del archivo de texto file.write("Tiempo (s), Distancia (px)\n") # Marca de tiempo de inicio start_time = time.time() Se crea un archivo de texto donde se registrarán los resultados. Se escribe un encabezado y se inicia un temporizador para medir el tiempo transcurrido. Procesamiento del Video # Configuración del modelo de MediaPipe Hands with mp_hands.Hands( static_image_mode=False, max_num_hands=1, min_detection_confidence=0.5 ) as hands: while cap.isOpened(): # Ejecuta mientras el video esté abierto y en reproducción ret, frame = cap.read() if not ret: print("Fin del video o error de lectura.") break Se inicializa el modelo MediaPipe Hands para detectar hasta una mano en cada cuadro del video. Se procesan los cuadros mientras el video esté disponible mp_hands.Hands (...): Configura el modelo de detección de manos. • static_image_mode=False: El modelo se asume en modo de video (flujo continuo de fotogramas). • max_num_hands=1: Se limita la detección a una sola mano para simplificar la lógica de medición. • min_detection_confidence=0.5: Nivel de confianza mínimo para que se considere válida la detección. while cap.isOpened(): Bucle que recorre todos los fotogramas del video. ret, frame = cap.read() Captura el siguiente fotograma. Detección de Landmarks frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # Procesa la imagen en busca de manos y sus landmarks 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 results = hands.process(frame_rgb) if results.multi_hand_landmarks: for hand_landmarks in results.multi_hand_landmarks: # Dibuja los landmarks y conexiones de la mano mp_drawing.draw_landmarks( frame, hand_landmarks, mp_hands.HAND_CONNECTIONS, mp_drawing.DrawingSpec(color=(0, 255, 255), thickness=3, circle_radius=5), mp_drawing.DrawingSpec(color=(255, 0, 255), thickness=4, circle_radius=5) Cada cuadro del video se convierte a RGB y se procesa con MediaPipe para detectar landmarks de la mano. Cálculo de la Distancia Euclidiana # Obtener las coordenadas de los puntos 4 (pulgar) y 8 (índice) thumb_tip = hand_landmarks.landmark[4] index_tip = hand_landmarks.landmark[8] # Calcular la distancia euclidiana distance = math.sqrt((index_x - thumb_x) ** 2 + (index_y - thumb_y) ** 2) Se obtienen las coordenadas de los puntos correspondientes al pulgar y al índice, y se calcula la distancia entre ellos utilizando la fórmula de la distancia euclidiana La fórmula de la distancia euclidiana permite calcular la separación entre dos puntos 11 ( , )xy y 22 ( , )xy en un plano. Se expresa de la siguiente manera: 22 2 1 2 1 ( ) ( )d x x y y= − + − En el contexto del código que analiza la distancia entre el pulgar e índice: • 11 ( , )xy correspondería a las coordenadas del pulgar (thumb_x, thumb_y). • 22 ( , )xy correspondería a las coordenadas del índice (index_x, index_y). Tras obtener las coordenadas de cada landmark en términos de píxeles, basta con aplicar esta fórmula para conocer la distancia euclidiana entre dichos puntos. Registro y Visualización de Datos file.write(f"{elapsed_time:.2f}, {distance:.2f}\n") # Dibujar un círculo en los puntos y mostrar la distancia 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 cv2.circle(frame, (thumb_x, thumb_y), 10, (0, 255, 0), -1) cv2.circle(frame, (index_x, index_y), 10, (0, 0, 255), -1) cv2.line(frame, (thumb_x, thumb_y), (index_x, index_y), (255, 0, 0), 2) cv2.putText(frame, f'Distance: {int(distance)} px', (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2) Se registra la distancia calculada junto con el tiempo transcurrido en el archivo de texto. Además, se dibujan círculos en los puntos detectados y una línea que los conecta, junto con una etiqueta que muestra la distancia en píxeles. Figura 10. Proceso de fingir-tapping unido pulgar e indice. Fuente: elaboración propia Figura 11. Proceso de fingir-tapping abierto pulgar e indice. Fuente: elaboración propia 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 Programa # Liberar el video y cerrar las ventanas de OpenCV cap.release() cv2.destroyAllWindows() Al finalizar el video o si el usuario presiona la tecla ESC, el programa libera los recursos utilizados y cierra las ventanas. 4.2. ANÁLISIS DE ARCHIVO DE TEXTO Y CÁLCULO DE PARÁMETROS CARACTERÍSTICOS Se presenta a continuación un segundo código en Python, cuyo propósito es analizar cuantitativamente la señal de distancias (pulgar-índice) obtenidas de un archivo de datos (.txt). Esto permite obtener métricas de interés, como frecuencia de tapping, variación de amplitud, regularidad (ritmo), fatiga motora, frecuencia de temblor (mediante análisis en frecuencia), entropía, dimensión fractal, curtosis, sesgo (skewness) y otros parámetros que pueden emplearse en la comparación de patrones de movimiento (por ejemplo, entre pacientes con enfermedad de Parkinson y pacientes con temblor esencial). Importación de Bibliotecas y Módulos import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy.signal import find_peaks, butter, filtfilt from tkinter import Tk, filedialog from scipy.fftpack import fft from scipy.stats import kurtosis, skew • numpy (np): Librería para operaciones numéricas avanzadas, como manejo de arreglos y funciones matemáticas. • pandas (pd): Facilita la lectura y manipulación de datos tabulares, útil para manejar el contenido del archivo CSV o TXT. • matplotlib.pyplot (plt): Permite la generación de gráficas y visualizaciones. • scipy.signal: o find_peaks: Detección de picos en señales unidimensionales, muy útil para hallar los “golpes” de tapping. o butter, filtfilt: Implementación de filtros digitales (Butterworth) para procesar la señal y eliminar ruido. • tkinter: Se utiliza para abrir una ventana de selección de archivos. • scipy.fftpack (fft): Aplicación de la Transformada Rápida de Fourier (FFT), usada en análisis de frecuencia para detectar temblores (bandas de 3 a 7 Hz, por ejemplo). • scipy.stats (kurtosis, skew): Funciones estadísticas para calcular la curtosis y el sesgo (skewness) de la distribución 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 Filtro Paso-Bajo def lowpass_filter(data, cutoff, fs, order=4): nyquist = 0.5 * fs normal_cutoff = cutoff / nyquist b, a = butter(order, normal_cutoff, btype='low', analog=False) return filtfilt(b, a, data) Se define una función para aplicar un filtro paso-bajo. Este filtro elimina el ruido de alta frecuencia, permitiendo un análisis más claro de las señales. Cálculo de la Entropía def calculate_entropy(signal): histogram, bin_edges = np.histogram(signal, bins='auto', density=True) probabilities = histogram / np.sum(histogram) return -np.sum(probabilities * np.log2(probabilities + np.finfo(float).eps)) Se calcula la entropía de la señal, una medida de complejidad o desorden. Es útil para identificar patrones de variabilidad en los movimientos. Varianza de Intervalos entre Picos def calculate_peak_interval_variance(peaks, T): intervals = np.diff(T[peaks]) return np.var(intervals) Se evalúa la variabilidad temporal entre picos detectados, lo que proporciona información sobre la regularidad del movimiento. Indica el grado de irregularidad en la cadencia de los picos (por ejemplo, en un tapping muy rítmico, la varianza será menor). Selección del Archivo de Datos root = Tk() root.withdraw() # Ocultar la ventana principal file_path = filedialog.askopenfilename(title="Seleccione un archivo de datos", filetypes=[("Archivos de texto", "*.txt")]) if not file_path: print("No se seleccionó ningún archivo.") exit() Se abre una ventana de diálogo para que el usuario seleccione un archivo de datos. Si no se selecciona un archivo, el programa se detiene. 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 contiene valores inválidos tras limpieza.") # Obtener características resultados_campos = funcion_campos(T, D) fila = [archivo] + list(resultados_campos) + [carpeta] datos.append(fila) except Exception as e: print(f"Error al procesar el archivo {ruta_archivo}: {e}") continue # Columnas columnas = ["archivo", "frecuencia_tapping", "variacion_amplitud", "ritmo", "frecuencia_fatiga", "frecuencia_tremor", "entropia", "kurt", "skewness", "var_intervalo_picos", "carpeta"] return pd.DataFrame(datos, columns=columnas) • Recorrido: o Entra al directorio principal y recorre cada carpeta, asumiendo que cada carpeta corresponde a una categoría (por ejemplo, una clase clínica). o Revisa todos los archivos con extensión .txt en cada carpeta. • Lectura: o Usa pandas.read_csv con separador “coma” (,). o Verifica la presencia de columnas mínimas: “Tiempo (s)” y “Distancia (px)”. o Realiza una limpieza básica de valores NaN o infinitos (np.nan_to_num). • Extracción de características: o Llama a funcion_campos (proporcionada por el usuario) para extraer métricas (frecuencia de tapping, entropía, etc.). o Añade la información de carpeta como la etiqueta (clase). • Construcción del DataFrame: o Cada archivo se convierte en una fila de datos con columnas de características + clase. o Devuelve finalmente un DataFrame listo para el entrenamiento de un modelo. Función predicción de clase def predecir_clase_por_archivo(nombre_archivo, dataset, modelo): fila = dataset[dataset['archivo'] == nombre_archivo] 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 if fila.empty: return None, f"No se encontró el archivo: {nombre_archivo}" X_fila = fila.drop(columns=['carpeta', 'archivo']).values prediccion = modelo.predict(X_fila) return prediccion[0], f"Clase predicha para '{nombre_archivo}': {prediccion[0]}" Dada la cadena con el nombre de un archivo (ej. "VGCI.txt"), encontrar esa fila en el dataset y usar el modelo entrenado para predecir la clase (o etiqueta). 1. Busca la fila en el DataFrame (dataset) donde “archivo” coincide con nombre_archivo. 2. Elimina columnas irrelevantes para la predicción ('carpeta', 'archivo'). 3. Llama a modelo.predict(X_fila) para obtener la clase. 4. Devuelve la clase predicha y un mensaje informativo. Generación del dataset y visualización if __name__ == "__main__": ruta_principal = r"C:\Users\ronny\OneDrive - Universitat Politècnica de Catalunya\TFM\Pacientes\Datos" # Construir el dataset dataset = procesar_archivos_a_dataset(ruta_principal, Campos) Aquí se indica la ruta donde se encuentran las carpetas con archivos .txt. Y se llama a procesar_archivos_a_dataset, pasándole la función Campos para el cálculo de las métricas. También imprime el DataFrame resultante para verificar las columnas y filas. Preparación de los datos y entrenamiento del modelo # Separar en X e y X = dataset.drop(columns=['carpeta', 'archivo']) y = dataset['carpeta'] # Dividir en train/test X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) # Entrenar el modelo model = RandomForestClassifier(n_estimators=100, random_state=0) model.fit(X_train, y_train) # Predicciones y_pred = model.predict(X_test) acc = accuracy_score(y_test, y_pred) print("Accuracy 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 • Variables independientes (X): Se conservan todas las columnas de características (frecuencia_tapping, amplitud_fatiga, etc.), eliminando carpeta y archivo (que no son numéricas del modelo). • Variable dependiente (Y): Se define como la columna carpeta (la clase que se desea predecir). • train_test_split: 80% de los datos para entrenamiento, 20% para prueba. Se fija random_state=0 para reproducibilidad. • RandomForestClassifier: Se crea un bosque aleatorio con 100 árboles (n_estimators=100). • Entrenamiento: model.fit(X_train, y_train) ajusta el modelo a los datos de entrenamiento. • Predicción: y_pred = model.predict(X_test) para estimar la clase de cada muestra en el set de prueba. • Exactitud: Se imprime la métrica “accuracy”, que indica la proporción de predicciones correctas. Creación de la ventana principal root = tk.Tk() root.title("Resultados del Dataset y Clasificación") frame_tree = ttk.Frame(root) frame_tree.pack(padx=10, pady=10, fill="both", expand=True) En este bloque de código se genera una ventana como se indica en la figura, donde se observan todos los campos del dataset que se calcula en los bloques anteriores. Figura 15. Resultados de la data set y la clasificación correspondiente respecto a las características avanzadas del fingir-tapping. Fuente: elaboración propia 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 Predicción def mostrar_ventana_prediccion(): archivo_a_predecir = simpledialog.askstring( "Archivo a predecir", "Introduce el nombre del archivo (ej. 'AAAA.txt'):", parent=root ) if archivo_a_predecir: clase_predicha, mensaje = predecir_clase_por_archivo(archivo_a_predecir, dataset, model) if clase_predicha is None: messagebox.showerror("Error", mensaje) else: messagebox.showinfo("Resultado de Predicción", mensaje) btn_prediccion = ttk.Button(root, text="Predecir Clase de Archivo", command=mostrar_ventana_prediccion) btn_prediccion.pack(pady=5) mostrar_ventana_prediccion: pulsando sobre el boton “Predecir Clase de Archivo”, se muestra un diálogo para solicitar el nombre de archivo a predecir (por ejemplo "AAAA.txt"). Figura 16. Ventana de predicción de pacientes con EP, TE y sanos. Fuente: elaboración propia. Llama a predecir_clase_por_archivo pasando el nombre ingresado y pulsando el botón OK. Muestra un mensaje indicando la clase predicha “Enfermedad Parkinson EP”, “Temblor Esencial TE” o “Sano”. Figura 17. Cuadro de dialogo que muestra la predicción del paciente de acuerdo a sus iniciales. Fuente: elaboración propia 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 encontró el archivo en el dataset, se genera un mensaje de error como se muestra en la siguiente figura. Figura 18. Ventana de advertencia que indica que las iniciales ingresadas no se encuentran registrades en el dataset. Fuente: elaboración propia 5. RESULTADOS 5.1. COMPARATIVA DE PARÁMETROS DE MOVIMIENTO ENTRE PACIENTES CON PARKINSON, SUJETOS SANOS Y TEMBLOR ESENCIAL En este capítulo se realiza un análisis comparativo de los parámetros de movimiento obtenidos a partir de las pruebas de finger-tapping en pacientes diagnosticados con Enfermedad de Parkinson (EP), Temblor Esencial (TE) y sujetos sanos (grupo control). A continuación, en la tabla 5 se describen las diferencias más relevantes entre los grupos: Tabla 5. Diferencias relevantes entre grupos de pacientes. Fuente: elaboración propia Parámetros Calculados Enfermedad Parkinson [EP] Sanos [Control] Temblor Esencial [TE] frecuencia_tapping_med 2.801576958 2.710356513 2.791529795 frecuencia_tapping_std 0.66740801 0.299744389 0.388700787 variacion_amplitud_med 33.60405578 24.96034054 41.04951183 variacion_amplitud_std 14.61656585 7.453328948 15.11132489 ritmo_med 0.104551515 0.039809367 0.053976852 ritmo_std 0.089412853 0.005977133 0.024650074 frecuencia_fatiga_med 96.69879324 96.34488882 98.21941742 frecuencia_fatiga_std 7.940144473 1.71744901 2.94385989 frecuencia_tremor_med 0.523872522 0.239980034 0.498014426 frecuencia_tremor_std 0.446227708 0.506461307 0.578115532 entropia_med 3.445127075 3.245661251 3.278900777 entropia_std 0.229722175 0.088609506 0.136033958 kurt_med 0.517904802 -0.973594772 -0.710356756 kurt_std 4.776795833 0.180786699 0.619994125 skewness_med 0.647010786 0.395445919 0.227282279 skewness_std 0.786708206 0.156015391 0.59945024 var_intervalo_picos_med 0.018806354 0.001614557 0.003445173 var_intervalo_picos_std 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 Frecuencia de Tapping Los sujetos con EP muestran una frecuencia de tapping media (2.80 Hz) ligeramente superior a la de los sujetos con TE (2.79 Hz) y los sanos (2.71 Hz). Sin embargo, la desviación estándar es significativamente mayor en los pacientes con EP (0.67 Hz), lo que evidencia una mayor inestabilidad en su capacidad para mantener un ritmo constante. En contraste, los sujetos sanos presentan menor variabilidad (0.30 Hz), reflejando una mejor coordinación motora. Variación de Amplitud La variación de amplitud en los pacientes con TE es considerablemente mayor (41.05 unidades) en comparación con los pacientes con EP (33.60 unidades) y los sujetos sanos (24.96 unidades). Este parámetro revela que los pacientes con TE experimentan movimientos más irregulares y menos controlados, mientras que los sujetos sanos presentan la menor variabilidad, asociada a movimientos más uniformes. Ritmo El ritmo medio es mayor en los pacientes con EP (0.10) en comparación con los sujetos sanos (0.039) y los pacientes con TE (0.054). Este incremento en el ritmo en pacientes con EP podría estar relacionado con intentos de compensar la bradicinesia, aunque con una alta variabilidad, reflejada en la desviación estándar (0.089). Los sujetos sanos destacan por tener un ritmo más bajo y constante, asociado a un movimiento controlado y preciso. Frecuencia de Fatiga En los tres grupos se observa una frecuencia de fatiga similar, aunque los pacientes con EP presentan mayor variabilidad (96.69 ± 7.94 Hz). Esto sugiere que estos pacientes experimentan fluctuaciones en su resistencia motora. Los sujetos sanos tienen la menor variabilidad en este parámetro, lo que indica mayor consistencia. Frecuencia de Temblor Este parámetro distingue claramente a los pacientes con EP (0.52 Hz) y TE (0.50 Hz) de los sujetos sanos (0.24 Hz). Los pacientes con EP presentan temblores más constantes (menor desviación estándar), mientras que en los pacientes con TE, los temblores son menos regulares y más variables. Entropía La entropía, que mide la complejidad o desorden en los patrones de movimiento, es mayor en los pacientes con EP (3.45) en comparación con los sujetos sanos (3.24). Este incremento refleja la dificultad de los pacientes con EP para generar movimientos predecibles. Los pacientes con TE tienen valores intermedios (3.28), mostrando patrones de movimiento menos organizados que los sujetos sanos, pero más estables que los pacientes con EP. Kurtosis y Asimetría En pacientes con EP, la kurtosis (0.51) y la asimetría (0.64) son significativamente mayores, lo que refleja movimientos irregulares y asimétricos. En cambio, los sujetos sanos tienen valores negativos de kurtosis (-0.97), asociados con patrones 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 movimiento más homogéneos. Los pacientes con TE tienen valores intermedios, reflejando alteraciones específicas, pero menos extremas. Variación de Intervalos entre Picos La variación de los intervalos entre picos, que evalúa la consistencia temporal del movimiento, es mayor en los pacientes con EP (0.0188 ± 0.0428), indicando dificultades para mantener un ritmo uniforme. Los sujetos sanos destacan por la menor variación (0.0016 ± 0.0005), mientras que los pacientes con TE muestran valores intermedios (0.0034 ± 0.0033). 5.1.1. DISCUSIÓN DE RESULTADOS El análisis comparativo evidencia que los pacientes con EP presentan características distintivas en parámetros como la frecuencia de tapping, ritmo, frecuencia de temblor y variabilidad de los movimientos. Estas alteraciones reflejan dificultades para ejecutar movimientos regulares y consistentes. En contraste, los pacientes con TE destacan por una mayor variación de amplitud y temblores más irregulares. Los sujetos sanos muestran valores más homogéneos y consistentes, asociados a un control motor intacto. Estos hallazgos subrayan la utilidad de las técnicas de visión artificial para distinguir patrones de movimiento en estos grupos y aportan una base sólida para su aplicación en el diagnóstico y seguimiento de enfermedades neurológicas. 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 datos procesados a partir de señales de distancia, velocidad, ritmo e información espectral ofrecen métricas clave para diferenciar estas condiciones neurológicas. Este análisis busca objetivar las diferencias motoras mediante un enfoque cuantitativo. 5.2.1. RESULTADOS DEL ANÁLISIS DE MOVIMIENTO EN UN PACIENTE CON PARKINSON Figura 19. Grafica de la distancia, velocidad, ritmo, entropía para un paciente con Parkinson. Fuente: elaboración propia 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 Distancia vs. Tiempo En la señal filtrada de la distancia (primer gráfico), se observa una oscilación irregular en la amplitud de los movimientos. Aunque existen patrones de picos detectados, la variabilidad en las alturas y la frecuencia de estos es notable. Esta irregularidad puede ser atribuida a la bradicinesia, una característica motora predominante en pacientes con Parkinson, donde los movimientos se vuelven más lentos e inconsistentes. La distribución no homogénea de los picos también sugiere dificultad del paciente para mantener un control motor repetitivo, un reflejo de la pérdida de coordinación motora fina que suele acompañar la progresión de la enfermedad. Velocidad vs. Tiempo El análisis de la velocidad (segundo gráfico) muestra oscilaciones significativas y cambios rápidos en la dirección del movimiento. Estos cambios drásticos evidencian la presencia de temblores motores, caracterizados por oscilaciones repetitivas en la actividad motora, un síntoma cardinal en el Parkinson. La amplitud de las fluctuaciones también podría indicar una pérdida de suavidad en la ejecución de movimientos, reflejando la rigidez y disquinesias típicas de la enfermedad. Intervalos entre Picos (Ritmo) El gráfico de los intervalos entre picos (tercer gráfico) revela una alta variabilidad temporal en los intervalos entre movimientos consecutivos. Este resultado destaca una irregularidad marcada en el ritmo del tapping, indicando la incapacidad del paciente para mantener una regularidad rítmica constante. Este hallazgo refuerza la observación clínica de que los pacientes con Parkinson suelen experimentar interrupciones en movimientos repetitivos, debido a la alteración de los circuitos motores en los ganglios basales. Análisis de Frecuencia: Transformada Rápida de Fourier (FFT) En el análisis espectral (cuarto gráfico), la señal presenta un dominio energético concentrado en frecuencias bajas. Se detecta un pico dentro del rango de 3-7 Hz, lo cual es altamente indicativo de un temblor en reposo, característico del Parkinson. Este tipo de temblor es una de las principales manifestaciones motoras de la enfermedad, y su detección mediante el análisis de Fourier refuerza su relevancia clínica en el diagnóstico y evaluación del estado motor del paciente. Además, la ausencia de frecuencias más altas refleja la limitada capacidad del paciente para ejecutar movimientos rápidos y precisos, consistente con la bradicinesia observada en el análisis temporal. 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 Figura 20. Grafica de la distancia, velocidad, ritmo, entropía para un paciente Sano. Fuente: elaboración propia Distancia vs. Tiempo En la señal filtrada de la distancia (primer gráfico), se observa un patrón regular de oscilaciones con picos bien definidos y distribuidos de manera uniforme. La amplitud de los picos es consistente a lo largo del tiempo, lo que refleja una ejecución coordinada y controlada de los movimientos repetitivos. Este comportamiento es característico de un sistema motor sano, donde los movimientos muestran una alta regularidad en términos de frecuencia y amplitud, sin interrupciones ni variaciones significativas. Velocidad vs. Tiempo El gráfico de velocidad (segundo gráfico) muestra una señal periódica con cambios regulares en las direcciones positiva y negativa. Las oscilaciones son suaves y homogéneas, lo que indica una transición fluida entre movimientos. Esto evidencia un control motor efectivo y la ausencia de movimientos erráticos, típicos en individuos con sistemas motores intactos. Intervalos entre Picos (Ritmo) La gráfica de intervalos entre picos (tercer gráfico) presenta valores uniformes con una mínima variabilidad. Esto refleja un ritmo consistente en los movimientos del paciente, caracterizado por intervalos de tiempo constantes entre los movimientos repetitivos. La baja desviación estándar de estos intervalos confirma un control rítmico robusto, que es indicativo de un sistema motor sano. Análisis de Frecuencia: Transformada Rápida de Fourier (FFT) En el análisis espectral (cuarto gráfico), se observa un pico de energía concentrado 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 frecuencia predominante, lo que indica un patrón motor altamente regular. No se detectan componentes significativas en la banda de 3-7 Hz, lo que confirma la ausencia de temblores patológicos. La concentración de la energía en frecuencias específicas refuerza la hipótesis de un control motor eficiente y rítmico. 5.2.3. RESULTADOS DEL ANÁLISIS DE MOVIMIENTO EN UN PACIENTE CON TEMBLOR ESENCIAL Figura 21. Grafica de la distancia, velocidad, ritmo, entropía para un paciente con Temblor Esencial. Fuente: elaboración propia Distancia vs. Tiempo En la señal de distancia filtrada (primer gráfico), se observa un patrón oscilatorio con amplitudes relativamente consistentes, pero con variaciones graduales a lo largo del tiempo. A diferencia de un paciente sano, hay una tendencia a mostrar variaciones en la amplitud de los picos, lo que puede reflejar el impacto del temblor esencial en la coordinación motora. Los picos son detectables, pero las fluctuaciones en la amplitud pueden deberse a un control motor menos estable, característico del temblor esencial. Además, el temblor esencial suele presentarse como una oscilación regular de alta frecuencia superpuesta al movimiento voluntario, lo cual podría ser responsable de la irregularidad observada. Velocidad vs. Tiempo El gráfico de velocidad (segundo gráfico) muestra oscilaciones regulares, con amplitudes consistentes, pero con una ligera superposición de frecuencias más altas. Esto podría estar relacionado con la presencia de un temblor intencional característico del temblor esencial. La señal de velocidad tiene un patrón cíclico que refuerza la hipótesis de una actividad oscilatoria motora dominante. Este comportamiento es típico de pacientes con temblor esencial, donde las oscilaciones no son tan erráticas como en el Parkinson, pero sí más regulares que en pacientes 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. Temblor Esencial (TE): o Precisión: 1.00 ▪ Todas las predicciones de TE fueron correctas. o Sensibilidad: 0.50 ▪ El modelo identificó correctamente solo el 50% de los pacientes con TE. Los otros 50% fueron clasificados erróneamente como Parkinson. o F1-Score: 0.67 ▪ Aunque la precisión es alta, la baja sensibilidad afecta el balance general para esta clase. o Soporte: 4 ▪ Esta clase tiene un soporte limitado, lo que podría estar influyendo en el rendimiento del modelo. Resultados Globales 1. Exactitud (Accuracy): o El modelo logró una exactitud global del 88%, lo que refleja un buen desempeño general en el conjunto de prueba. 2. Promedios: o Macro avg (0.96 precisión, 0.81 sensibilidad, 0.86 F1): ▪ Promedio simple de las métricas por clase, sin considerar el número de muestras por clase. ▪ La baja sensibilidad de la clase TE afecta este promedio. o Weighted avg (0.90 precisión, 0.88 sensibilidad, 0.88 F1): ▪ Promedio ponderado por el soporte de cada clase, lo que refleja mejor el desempeño global del modelo dado el desbalance de clases. Discusión de resultados 1. Fortalezas: o El modelo tiene un excelente rendimiento en la clase Parkinson (EP), que es la más representada. o La clase Sanos muestra un desempeño perfecto, aunque este resultado debe interpretarse con cautela debido al bajo número de muestras (1). 2. Debilidades: o El modelo tiene dificultades para identificar pacientes con Temblor Esencial (TE), con una sensibilidad de solo el 50%. Esto indica que la mitad de los pacientes con TE son erróneamente clasificados como Parkinson. o El desbalance en el conjunto de datos puede estar afectando el rendimiento en las clases minoritarias. 3. Impacto del desbalance de clases: o La clase Parkinson domina el conjunto de datos, lo que podría estar sesgando el modelo hacia esta categoría. Recomendaciones para Mejoras 1. Balanceo del dataset: o Incrementar el número de muestras para las clases minoritarias (Sanos y TE) para mejorar el rendimiento del modelo en estas categorías. o Aplicar técnicas de sobremuestreo (como SMOTE) o asignar 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. Optimización de características: o Incorporar nuevas características que ayuden a diferenciar mejor entre TE y Parkinson. 3. Validación adicional: o Utilizar validación cruzada para garantizar que los resultados sean consistentes y no dependan de una única partición del conjunto de datos. 5.5. INTERPRETACIÓN DE LOS RESULTADOS OBTENIDOS CON DIFERENTES VALORES DE N_ESTIMATORS Figura 24. Resultados con diferentes valores de números de estimadores vs su precisión. Fuente: elaboración propia Figura 25. Prueba con diferentes valores de estimadores. Fuente: elaboración propia En el análisis del modelo Random Forest, se probó el rendimiento utilizando diferentes valores para el número de estimadores (n_estimators), que representa la cantidad de árboles en el bosque. Los resultados obtenidos mostraron que la precisión del modelo se mantuvo constante en 0.8235 para todos los valores evaluados: 10, 50, 100, 200, 300 y 500. Análisis de los resultados 1. Estabilidad del modelo: o La estabilidad de la precisión indica que el modelo ya alcanzó su capacidad máxima de generalización con un número reducido de estimadores (en este caso, probablemente con 10 árboles). 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 Incrementar el número de estimadores no proporcionó mejoras adicionales porque el modelo es suficientemente robusto para capturar las relaciones en los datos desde los primeros árboles. 2. Características del dataset: o Separabilidad de las clases: Las características utilizadas en el modelo parecen ser lo suficientemente informativas para que incluso un modelo con pocos árboles logre una buena precisión. o Tamaño del dataset: Si el conjunto de datos tiene un tamaño adecuado y las clases están bien balanceadas, agregar más árboles no necesariamente mejora el rendimiento. 3. Optimización computacional: o Dado que más árboles incrementan el tiempo de entrenamiento y predicción, seleccionar un valor intermedio (como 50 o 100) es suficiente para lograr un buen balance entre rendimiento y eficiencia computacional. Discusión de resultados En este análisis, se observó que el modelo Random Forest es robusto y alcanza su rendimiento óptimo con un número reducido de estimadores. Por lo tanto, para el modelo final, se recomienda utilizar 50 o 100 estimadores, ya que esto garantiza un buen rendimiento sin un costo computacional innecesario. Este comportamiento puede deberse a que las relaciones entre las características son claras y consistentes, permitiendo que incluso un número pequeño de árboles capture los patrones de los datos de manera efectiva. Estos resultados destacan la capacidad del modelo para adaptarse bien al problema de clasificación sin requerir ajustes 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 Este análisis busca garantizar que los resultados del proyecto sean no solo innovadores, sino también responsables desde una perspectiva social, ambiental y ética. Dimensión Ambiental Aunque el uso de tecnología digital implica un consumo energético y el posible desecho de dispositivos, el proyecto busca mitigar estos impactos promoviendo: • El uso de hardware eficiente energéticamente. • La integración de modelos de aprendizaje automático que optimicen recursos computacionales. • La adopción de estrategias de economía circular, como el reciclaje de componentes electrónicos. Dimensión Social El proyecto puede mejorar significativamente la calidad de vida de los pacientes con Parkinson y Temblor Esencial al proporcionar diagnósticos para una detección temprana y personaliza. Además, fomentará la equidad al ofrecer una solución tecnológica accesible, con el objetivo de alcanzar a comunidades menos favorecidas. Implicaciones Éticas Privacidad y Seguridad de los Datos El manejo de datos biométricos y clínicos plantea retos importantes en términos de privacidad y seguridad. Para abordar estas preocupaciones, el proyecto garantiza: • Los datos recopilados serán anónimos. • El cumplimiento de regulaciones internacionales como el Reglamento General de Protección de Datos (GDPR). • El uso de protocolos seguros para la transmisión y almacenamiento de datos. Consentimiento Informado Todo participante debe otorgar un consentimiento informado claro, basado en una comprensión detallada de los objetivos, riesgos y beneficios del estudio. Además, se asegurará que los participantes puedan retirar su consentimiento en cualquier momento sin repercusiones. Impacto en Profesionales de la Salud Si bien el proyecto podría automatizar ciertos aspectos del diagnóstico, no busca reemplazar a los profesionales de la salud, sino complementar su trabajo. Se enfatiza que el sistema debe ser utilizado como una herramienta de apoyo, permitiendo a los especialistas tomar decisiones informadas y centradas en el paciente. 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 desarrollo del sistema automatizado basado en técnicas de visión artificial permitió analizar y reconocer patrones específicos del movimiento de finger-tapping en pacientes con Enfermedad de Parkinson (EP), Temblor Esencial (TE) y personas sin patologías neurológicas. Mediante el procesamiento de imágenes y la extracción de características clave, se lograron identificar diferencias significativas en los patrones de movimiento entre los tres grupos. El análisis comparativo evidencia que los pacientes con EP presentan características distintivas en parámetros como la frecuencia de tapping, ritmo, frecuencia de temblor y variabilidad de los movimientos. Estas alteraciones reflejan dificultades para ejecutar movimientos regulares y consistentes. En contraste, los pacientes con TE destacan por una mayor variación de amplitud y temblores más irregulares. Los sujetos sanos muestran valores más homogéneos y consistentes, asociados a un control motor intacto De acuerdo con las gráficas obtenidas y el análisis cuantitativo realizado, las métricas analizadas evidenciaron diferencias significativas entre los grupos estudiados. Los pacientes con EP presentan oscilaciones irregulares, alta variabilidad en los intervalos entre picos y frecuencias bajas (3-5 Hz), características de temblores en reposo y alteraciones motoras asociadas a esta condición. En contraste, los pacientes con TE mostraron oscilaciones más regulares, con frecuencias dominantes en el rango de (4-6 Hz), asociadas a temblores intencionales. Los sujetos sanos, por su parte, mostraron señales consistentes y control motor intacto, destacando por valores homogéneos y regulares en todas las métricas analizadas. El modelo de clasificación Random Forest, implementado para la clasificación de los grupos, mostró un desempeño sólido en la predicción de pacientes con EP, con una alta sensibilidad y precisión. Sin embargo, presentó dificultades para distinguir entre TE y EP, lo que sugiere similitudes en las características empleadas para estas clases. El desbalance de clases, especialmente la escasez de datos para las categorías Sanos y TE, limitó el rendimiento global del modelo, favoreciendo a la clase dominante (EP). Estas limitaciones resaltan la importancia de aumentar la representatividad de las clases minoritarias en futuros trabajos. A pesar de estas limitaciones, los resultados confirman la eficacia del sistema automatizado para identificar patrones distintivos de movimiento y subrayan su potencial como un método objetivo, no invasivo y prometedor para el diagnóstico precoz de trastornos neurológicos. La capacidad del modelo para adaptarse al problema de clasificación, incluso con un conjunto de datos reducido, refleja la claridad y consistencia de las relaciones entre las características analizadas. En conclusión, este estudio marca un avance significativo hacia la integración de tecnologías de visión artificial en la evaluación clínica de trastornos motores. Este enfoque innovador sienta las bases para la medición en tiempo real del finger-tapping estudio que también se realizó y su código está en el apartado de anexos para continuar con el desarrollo de herramientas automatizadas para el diagnóstico y seguimiento de enfermedades neurológicas. Los hallazgos obtenidos abren la puerta a futuras investigaciones dirigidas a optimizar los modelos, mejorar la discriminación entre TE y EP y ampliar la aplicación de estas tecnologías en entornos clínicos, consolidando su relevancia en el avance de la neurología moderna. 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 Dataset La limitada cantidad de datos disponibles para las clases de personas sanas y con Temblor Esencial constituye una importante limitación del estudio. Para abordar este desafío, se recomienda incrementar la recopilación de datos para estas categorías, lo que permitiría reducir el desbalance de clases, mejorar la capacidad de generalización del modelo y aumentar su precisión en la clasificación. Esto puede lograrse mediante la inclusión de un mayor número de participantes o el uso de técnicas de augmentación de datos, como el sobremuestreo (SMOTE). Optimización del Análisis en Tiempo Real En el apartado de anexos se presenta un código diseñado para realizar el análisis del finger-tapping en tiempo real. No obstante, para garantizar un rendimiento óptimo, es fundamental contar con una base de datos sólida y una cámara de alta precisión que permita capturar los movimientos de manera más detallada y organizada. Por ello, se recomienda continuar investigando en esta línea, mejorando el modelo mediante el uso de equipos de captura avanzados y ampliando el dataset. Esto facilitará un análisis más robusto y confiable, especialmente en entornos clínicos reales. Estandarización del Procedimiento de Captura Para asegurar la precisión en los resultados del análisis, es crucial que durante el estudio la mano del paciente permanezca a una distancia reglamentaria de la cámara. Es importante evitar movimientos hacia o lejos del dispositivo, ya que estos podrían generar inconsistencias en los cálculos, dado que el análisis se enfoca en los ejes X e Y, sin considerar la profundidad (eje Z). Se recomienda establecer un protocolo claro que estandarice la posición del paciente y, a futuro, explorar el uso de cámaras con capacidad de capturar información tridimensional para mitigar estas limitaciones. Validación Clínica de los Resultados Se sugiere realizar este análisis bajo la supervisión de un profesional especializado en neurología, quien pueda validar y comparar los resultados del sistema automatizado con los diagnósticos clínicos. Esta colaboración garantizaría la precisión y relevancia de los resultados obtenidos, además de permitir la identificación de áreas de mejora en el modelo, asegurando su alineación con las necesidades y prácticas del ámbito 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 Quiero expresar mi más profundo agradecimiento a Dios, quien me ha permitido alcanzar este momento tan significativo en mi vida. Su guía, sabiduría y fortaleza han sido esenciales durante todo este tiempo de estudio. A Él dedico este logro, pues gracias a Su apoyo he logrado completar este máster y descubrir hasta dónde puedo llegar cuando me esfuerzo y confío plenamente. Agradezco también a mi madre, Elizabeth, quien ha sido un pilar indispensable en todas mis batallas. Su ejemplo como profesional y como persona es una fuente constante de motivación para mí, y la admiro profundamente en todos los sentidos. Sin su apoyo incondicional y el de mi padre, Marcos, este logro no habría sido posible. Ambos han sido mis guías en la vida, brindándome siempre su amor, orientación y enseñanzas, tanto a través de sus palabras como de sus acciones. Extiendo mi gratitud a mi hermana, cuyo ejemplo de perseverancia y dedicación me impulsa a dar siempre lo mejor de mí. Su pasión por lo que hace y su deseo de generar un impacto positivo en el mundo han sido una gran inspiración. Además, su conocimiento y apoyo, especialmente como estudiante de medicina, me han proporcionado valiosas ideas para enriquecer este proyecto. Quiero expresar un agradecimiento especial a mis compañeros del máster, quienes han sido un apoyo invaluable para superar cada uno de los retos que hemos afrontado durante este proceso. Son un grupo de profesionales excepcionales que han dejado una huella significativa en mi vida, tanto a nivel personal como profesional. Las experiencias compartidas y las lecciones que cada uno ha aportado han enriquecido este camino y han dejado un impacto positivo en mí. Deseo hacer una mención especial a mi tutor, Hernán, por su invaluable respaldo y orientación a lo largo de este tiempo. Gracias a sus conocimientos, sugerencias y dedicación, hemos podido sacar adelante este estudio, que espero sea un aporte valioso para futuros proyectos y una contribución significativa a la sociedad. Su tiempo y experiencia han sido claves para culminar este trabajo, y estoy profundamente agradecido por su guía en este camino. Por último, pero no menos importante, quiero dedicar una mención especial a Cristofer, mi mejor amigo. Aunque ya no estés físicamente con nosotros, has dejado una huella imborrable en mi vida y en la de mi familia. Dedico este logro a ti, en agradecimiento por todo lo que compartimos, por las experiencias vividas y por tu apoyo incondicional en cada momento. Tu recuerdo sigue siendo una fuente de fortaleza e inspiración para 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 Lizeth, Carlos Xavier MONTERO, Eddy Xavier DÍAZ a Christian Manuel JARRO. Enfermedad de Parkinson. Diagnóstico y tratamiento. RECIMUNDO [online]. 2022, 6(2), 250–266. ISSN 2588-073X. Dostupné z: doi:10.26820/recimundo/6.(2).abr.2022.250-266 [2] ROTONDO, J., M. TORO, M. BOLÍVAR, M. E. SEIJAS a C. CARRILLO. Dolor en la enfermedad de Parkinson. Una mirada a un aspecto poco conocido de esta patología. Revista de la Sociedad Espanola del Dolor [online]. 2020, 26(3), 184– 198. ISSN 22546189. Dostupné z: doi:10.20986/resed.2019.3733/2019 [3] CHAVES, Karla, Daniela PADILLA a Ricardo VARGAS. Enfermedad de Parkinson. Revista Médica Sinergia [online]. 2022, 7(2), 128–131. ISSN 11396202. Dostupné z: doi:10.31434/rms.v7i2.758 [4] LATORRE-BARRAGÁN, Fernanda, Iruma ALFONSO, María GUZMÁN a Josué CHASI-BENAVIDES. Enfermedad de Parkinson: estrategias terapéuticas disponibles. AVFT [online]. 2022, 41(11), 792–797 [vid. 2024-11-24]. Dostupné z: doi:10.5281/zenodo.7522142 [5] SUZUMURA, Shota, Aiko OSAWA, Yoshikiyo KANADA, Maeda KEISUKE, Eiko TAKANO, Junpei SUGIOKA, Maeda NATSUMI, Taishi NAGAHAMA, Kenta SHIRAMOTO, Katsumi KUNO, Shiori KIZUKA, Kenji SATOH, Hiroaki SAKURAI, Yuko SANO, Tomohiko MIZUGUCHI, Akihiko KANDORI a Izumi KONDO. Finger Tapping Test for Assessing the Risk of Mild Cognitive Impairment. Hong Kong Journal of Occupational Therapy [online]. 2022, 35(2), 137–145. ISSN 18764398. Dostupné z: doi:10.1177/15691861221109872 [6] HERNÁNDEZ, Antonio, Verónica MORALES a Verónica GARCÍA. Finger Taping Test. Precisión del diseño de medidas entre muestras de deportistas de élite y no deportistas. Cuadernos de Psicología del Deporte [online]. 2011, 11(1), 29–43. ISSN 1578-8423. Dostupné z: doi:10.6018/cpd.121681 [7] ZAPATA, Melania. Complejidad de la respuesta en el “finger tapping test”: diferencias entre adultos jóvenes y adultos mayores [online]. B.m., 2020 [vid. 2024-12-13]. Trabajo de Fin de Maestría. Universitat de les Illes Balears. Dostupné z: https://dspace.uib.es/xmlui/bitstream/handle/11201/156970/tfm_201920_MPGS_mzm872_2924.pdf?sequence=1 [8] TANIGAWA, Makoto, Jason STEIN, John PARK, Peter KOSA, Irene CORTESE a Bibiana BIELEKOVA. Finger and foot tapping as alternative outcomes of upper and lower extremity function in multiple sclerosis. Multiple Sclerosis Journal - Experimental, Translational and Clinical [online]. 2017, 3(1). ISSN 20552173. Dostupné z: doi:10.1177/2055217316688930 [9] SHIRANI, Afsaneh, Braeden D. NEWTON a Darin T. OKUDA. Finger tapping impairments are highly sensitive for evaluating upper motor neuron lesions. BMC Neurology [online]. 2017, 17(1). ISSN 14712377. Dostupné z: doi:10.1186/s12883-017-0829-y [10] BUONGIORNO, Domenico, Ilaria BORTONE, Giacomo Donato CASCARANO, Gianpaolo Francesco TROTTA, Antonio BRUNETTI a Vitoantonio BEVILACQUA. A low-cost vision system based on the analysis of motor features for recognition and severity rating of Parkinson’s Disease. BMC Medical Informatics and Decision Making [online]. 2019, 19(9). ISSN 14726947. Dostupné z: doi:10.1186/s12911019-0987-5 [11] RUFF, Ronald M a Stephen B PARKER. Genderand age-specific changes in motor speed and eye-hand coordination in adults: Normative values for the finger tapping and grooved pegboard tests. O Perceptual and Motor Skills. 1993, 76, 1219–1230. [12] CHRISTIANSON, Muriek K. a Janet M. LEATHEM. Development and Standardisation of the Computerised Finger Tapping Test: Compaerison with 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 other finger tapping instruments. New Zeland Journal of Psychology [online]. 2004, 33(2) [vid. 2024-12-12]. Dostupné z: https://www.researchgate.net/profile/JanetLeathem/publication/286374445_Development_and_standardisation_of_the_co mputerised_finger_tapping_test_Comparison_with_other_finger_tapping_instru ments/links/5fc53c6192851c301299076e/Development-and-standardisation-ofthe-computerised-finger-tapping-test-Comparison-with-other-finger-tappinginstruments.pdf?_tp=eyJjb250ZXh0Ijp7ImZpcnN0UGFnZSI6InB1YmxpY2F0aW 9uIiwicGFnZSI6InB1YmxpY2F0aW9uIn19 [13] NEWSOME, Scott D., Gloria VON GELDERN, Haochang SHOU, Moira BAYNES, Rhul E.R. MARASIGAN, Peter A. CALABRESI a Kathleen M. ZACKOWSKI. Longitudinal assessment of hand function in individuals with multiple sclerosis. Multiple Sclerosis and Related Disorders [online]. 2019, 32, 107–113. ISSN 22110356. Dostupné z: doi:10.1016/j.msard.2019.04.035 [14] MOUSSAY, S., F. DOSSEVILLE, A. GAUTHIER, J. LARUE, B. SESBOÜE a D. DAVENNE. Circadian rhythms during cycling exercise and finger-tapping task. Chronobiology International [online]. 2002, 19(6), 1137–1149. ISSN 07420528. Dostupné 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, Brad RACETTE, Honglei CHEN, Tim CHURCH, Bill WILSON a James M. DORIA. Incidence of Parkinson disease in North America. npj Parkinson’s Disease [online]. 2022, 8(1). ISSN 23738057. Dostupné z: doi:10.1038/s41531-022-00410-y [16] ESCAMILLA, Francisco, Verónica GONZÁLEZ a Miguel MOYA. Recomendaciones de práctica clínica en la Enfermedad de Parkinson [online]. 1. vyd. Andalucía: Glosa, 2022 [vid. 2024-11-24]. ISBN 978-84-7429-765-2. Dostupné z: https://portal.guiasalud.es/wpcontent/uploads/2022/11/gpc_619_recomendaciones_practica_clinica_parkinso n_compl.pdf [17] ZHANG, Zhe a Sheng Di CHEN. Autonomic Dysfunctions in Parkinson’s Disease: Prevalence, Clinical Characteristics, Potential Diagnostic Markers, and Treatment. Parkinson’s Disease [online]. 2020, 2020, 1–10. ISSN 20420080. Dostupné z: doi:10.1155/2020/8740732 [18] GUPTA, Deepak K., Massimo MARANO, Cole ZWEBER, James T. BOYD a Sheng Han KUO. Prevalence and relationship of rest tremor and action tremor in parkinson’s disease. Tremor and Other Hyperkinetic Movements [online]. 2020, 10(1), 1–7. ISSN 21608288. Dostupné z: doi:10.5334/tohm.552 [19] ARBELO, José. Guías diagnósticas y terapéuticas de la Sociedad Española de Neurología. 1. vyd. B.m.: Ediciones SEN, 2016. ISBN 978-84-7989-750-5. [20] SARAGURO, Williams. Reconocimiento y análisis de los movimientos de la mano en pacientes que padecen de la enfermedad de Parkinson (EP) mediante visión artificial [online]. Cuenca, 2018 [vid. 2024-11-24]. Pregrado. Universidad Politécnica Salesiana. Dostupné z: https://dspace.ups.edu.ec/bitstream/123456789/16815/1/UPS-CT008105.pdf [21] YU, Tianze, Kye Won PARK, Martin J. MCKEOWN a Z. Jane WANG. Clinically Informed Automated Assessment of Finger Tapping Videos in Parkinson’s Disease. Sensors [online]. 2023, 23(22). ISSN 14248220. Dostupné z: doi:10.3390/s23229149 [22] GIRONELL, Alexandre. Temblor esencial: ¿el gato tiene cinco pies? Síntomas no motores y temblor esencial plus. Revista de Neurología [online]. 2023, 76(12), 391. ISSN 0210-0010. Dostupné z: doi:10.33588/rn.7612.2023083 [23] GIRONELL, Alexandre, Juan MARÍN-LAHOZ a Santiago PÓVEDA. Essential Tremor: Update of Therapeutic Strategies. Medicina Clinica [online]. 2024, 162(12), 599–605. ISSN 15788989. Dostupné 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. Temblor esencial síntomas, tratamiento y diferencias con el párkinson. Parkinson. 5. prosinec 2019. [25] ZUAZUA-VIDAL, Lorena, Cassandra NAVARRO-ROA, Ángel BALDERASJUÁREZ, Ángel ALCOCER-SALAS, Victoria PÉREZ-GONZÁLEZ, Amin CERVANTES-ARRIAGA a Mayela RODRÍGUEZ-VIOLANTE. Pruebas Terapéuticas con Fines Diagnósticos en Trastornos del Movimiento. Revista Ecuatoriana de Neurología [online]. 2019, 28(1), 70–81 [vid. 2024-11-25]. Dostupné z: http://scielo.senescyt.gob.ec/pdf/rneuro/v28n1/2631-2581-rneuro28-01-00070.pdf [26] VEINTIMILLA, María Salomé a Jorge Eduardo OCHOA. Neuro estímulo eléctrico periférico no invasivo como opción terapéutica en temblor esencial. Revista Vive [online]. 2023, 6(16), 183–194. Dostupné z: doi:10.33996/revistavive.v6i16.217 [27] LOLEKHA, Praween, Pornpatr DHARMASAROJA, Nattaphol URANSILP, Puchit SUKPHULLOPRAT, Sombat MUENGTAWEEPONGSA a Kongkiat KULKANTRAKORN. The differences in clinical characteristics and natural history between essential tremor and essential tremor plus. Scientific Reports [online]. 2022, 12(1), 1–7. ISSN 20452322. Dostupné z: doi:10.1038/s41598-022-11775-8 [28] LOUIS, Elan D. a Morgan MCCREARY. How common is essential tremor? Update on the worldwide prevalence of essential tremor. Tremor and Other Hyperkinetic Movements [online]. 2021, 11(1), 1–14. ISSN 21608288. Dostupné z: doi:10.5334/tohm.632 [29] TOLOSA, Eduard, Stanley FAHN a Concepción MARÍN. Clinical Rating Scale for Tremor. In: Parkinson’s Disease and Movement Disorders [online]. Baltimore: Urban & Schwarzenberg, 1988, s. 225–234. Dostupné z: https://www.researchgate.net/publication/307538277 [30] FAHER, S, E TOLOSA a C. MARIA. Escala de Temblor. Clinical rating scale for tremor. 26. listopad 2024. [31] LANA, Héctor Enrique a Brayan Antonio ALULEMA. Temblor esencial vs Enfermedad de Parkinson, revisión de la bibliografía. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades [online]. 2023, 4(2), 4010– 4018. Dostupné z: doi:10.56712/latam.v4i2.886 [32] BAWA, Anthony, Konstantinos BANITSAS a Maysam ABBOD. A Review on the Use of Microsoft Kinect for Gait Abnormality and Postural Disorder Assessment. Journal of Healthcare Engineering [online]. 2021, 2021, 1–19. ISSN 20402309. Dostupné z: doi:10.1155/2021/4360122 [33] RUDÅ, Ditte, Gudmundur EINARSSON, Anne Sofie Schott ANDERSEN, Jannik Boll MATTHIASSEN, Christoph U. CORRELL, Kristian WINGE, Line K.H. CLEMMENSEN, Rasmus R. PAULSEN, Anne Katrine PAGSBERG a Anders FINK-JENSEN. Exploring Movement Impairments in Patients With Parkinson’s Disease Using the Microsoft Kinect Sensor: A Feasibility Study. Frontiers in Neurology [online]. 2021, 11, 1. ISSN 16642295. Dostupné z: doi:10.3389/fneur.2020.610614 [34] VAN KERSBERGEN, Jannis, Karen OTTE, Nienke M. DE VRIES, Bastiaan R. BLOEM, Hanna M. RÖHLING, Sebastian MANSOW-MODEL, Nicolien M. VAN DER KOLK, Sebastiaan OVEREEM, Svitlana ZINGER a Merel M. VAN GILST. Camera-based objective measures of Parkinson’s disease gait features. BMC Research Notes [online]. 2021, 14(1), 1–6. ISSN 17560500. Dostupné z: doi:10.1186/s13104-021-05744-z [35] VILLAREAL, Lucio. Prototipo para la detección y clasificación de productos alimenticios mediante visión artificial en base al color. Revista Conectividad [online]. 2024, 5(2), 46–62 [vid. 2024-11-26]. Dostupné z: https://revista.ister.edu.ec/ojs/index.php/ISTER/article/download/129/158/ [36] ARIAS, Jonnathan. Desarrollo de un sistema basado en visión artificial para la inspección de etiquetas en el proceso de marcación fiscal de bebidas [online].