Handwritten dynamics dynamics assessment through convolutional neural networks: An application to Parkinson's disease identification

Autor(es)

Pereira, Clayton R. ^[1] ; Pereira, Danilo R. ^[2] ; Rosa, Gustavo H. ^[3] ; Albuquerque, Victor H. C. ^[4] ; Weber, Silke A. T. ^[5] ; Hook, Christian ^[6] ; Papa, Joao P. ^[3]

Afiliação do(s) autor(es)

^[1] UFSCAR Fed Univ Sao Carlos, Dept Comp, Sao Carlos, SP - Brazil

^[2] UNOESTE Univ Western Sao Paulo, Presidente Prudente - Brazil

^[3] UNESP Sao Paulo State Univ, Sch Sci, Bauru - Brazil

^[4] UNIFOR Grad Program Appl Informat, Fortaleza, Ceara - Brazil

^[5] UNESP Sao Paulo State Univ, Botucatu Med Sch, Botucatu, SP - Brazil

^[6] OTH, Regensburg - Germany

• Tipo de documento: Artigo Científico
• Fonte: ARTIFICIAL INTELLIGENCE IN MEDICINE; v. 87, p. 67-77, MAY 2018.
• Citações Web of Science: 15

Resumo

Background and objective: Parkinson's disease (PD) is considered a degenerative disorder that affects the motor system, which may cause tremors, micrography, and the freezing of gait. Although PD is related to the lack of dopamine, the triggering process of its development is not fully understood yet. Methods: In this work, we introduce convolutional neural networks to learn features from images produced by handwritten dynamics, which capture different information during the individual's assessment. Additionally, we make available a dataset composed of images and signal-based data to foster the research related to computer-aided PD diagnosis. Results: The proposed approach was compared against raw data and texture-based descriptors, showing suitable results, mainly in the context of early stage detection, with results nearly to 95%. Conclusions: The analysis of handwritten dynamics using deep learning techniques showed to be useful for automatic Parkinson's disease identification, as well as it can outperform handcrafted features. (C) 2018 Elsevier B.V. All rights reserved. (AU)

• Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
• Beneficiário: Francisco Louzada Neto
• Modalidade de apoio: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs
• Processo FAPESP: 14/16250-9 - Sobre a otimização de parâmetros em técnicas de aprendizado de máquina: avanços e paradigmas
• Beneficiário: João Paulo Papa
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Processo FAPESP: 16/19403-6 - Modelos de aprendizado baseados em energia e suas aplicações
• Beneficiário: João Paulo Papa
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Processo FAPESP: 10/15566-1 - Estudo da aplicação de um modelo matemático da avaliação do padrão de motricidade fina em pacientes com doença de Parkinson através do biosensor smart pen BiSP
• Beneficiário: Silke Anna Theresa Weber
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Processo FAPESP: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?
• Beneficiário: Alexandre Xavier Falcão
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 15/25739-4 - Estudo de Semântica em Modelos de Aprendizado em Profundidade
• Beneficiário: Gustavo Henrique de Rosa
• Modalidade de apoio: Bolsas no Brasil - Mestrado