Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

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

Texto completo
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]
Número total de Autores: 7
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
Número total de Afiliações: 6
Tipo de documento: Artigo Científico
Fonte: ARTIFICIAL INTELLIGENCE IN MEDICINE; v. 87, p. 67-77, MAY 2018.
Citações Web of Science: 6
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: 14/16250-9 - Sobre a otimização de parâmetros em técnicas de aprendizado de máquina: avanços e paradigmas
Beneficiário:João Paulo Papa
Linha de fomento: Auxílio à Pesquisa - Regular
Processo FAPESP: 15/25739-4 - Estudo de semântica em modelos de aprendizado em profundidade
Beneficiário:Gustavo Henrique de Rosa
Linha de fomento: Bolsas no Brasil - Mestrado
Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
Beneficiário:José Alberto Cuminato
Linha de fomento: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs
Processo FAPESP: 16/19403-6 - Modelos de aprendizado baseados em energia e suas aplicações
Beneficiário:João Paulo Papa
Linha de fomento: 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
Linha de fomento: Auxílio à Pesquisa - Temático
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
Linha de fomento: Auxílio à Pesquisa - Regular