Comparación de Técnicas de Aprendizaje Automático en la Identificación de la Enfermedad de Parkinson en Personas Mayores de 60 Años
Para citar o enlazar este item, por favor use el siguiente identificador:
http://dspace.ups.edu.ec/handle/123456789/28306
Title: | Comparación de Técnicas de Aprendizaje Automático en la Identificación de la Enfermedad de Parkinson en Personas Mayores de 60 Años |
Authors: | Vega Soto, David Fernando |
Advisor: | Sáenz Casallas, Mayerly Elvira |
Abstract: | Parkinson’s disease (PD) is a neurodegenerative disorder that primarily affects individuals over the age of 60. Early detection of this disease allows for the provision of more effective treatments and optimization of patients’ quality of life. In this research, the effectiveness of three machine learning techniques—Support Vector Machine (SVM), Random Forest (RF), and Naive Bayes (NB)—in identifying PD is compared. Voice recordings, gait data, and handwriting patterns are used for evaluation, aiming to determine the accuracy and consistency of these algorithms. The results show that RF and SVM are the most effective, with an average accuracy of 94.40% and 92.30%, respectively. SVM excelled in classifying gait data, while RF demonstrated great robustness across multiple metrics, including specificity and sensitivity. Although NB is useful, it showed limitations with an average accuracy of 70.3%, affected b |
Translated abstract: | La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo que afecta principalmente a personas mayores de 60 años. La detección precoz de esta enfermedad permite ofrecer tratamientos más eficaces y optimizar la calidad de vida de los pacientes. En esta investigación, se compara la eficacia de tres técnicas de aprendizaje automático: Máquina de Vectores de Soporte (SVM), Bosques Aleatorios (RF) y Bayesiano Ingenuo (NB) en la identificación de la EP. Para la evaluación se utilizan grabaciones de voz, datos de marcha y patrones de escritura, con el objetivo de determinar la precisión y consistencia de estos algoritmos. Los resultados muestran que RF y SVM son los más efectivos, con una precisión media de 94.40% y 92.30%, respectivamente. SVM destacó en la clasificación de datos de marcha, mientras que RF mostró una gran robustez en múltiples métricas, incluyendo especificidad y sensibilidad. Aunque NB es útil, presentó limitaciones con una precisión media de 70.3%, afectada por suposiciones simplificadas sobre la independencia de características |
Keywords: | BIOMEDICINA INTELIGENCIA ARTIFICIAL PARKINSON -- ADULTO MAYOR DATOS BIOMÉDICOS |
Issue Date: | 2024 |
URI: | http://dspace.ups.edu.ec/handle/123456789/28306 |
Language: | spa |
Appears in Collections: | Grado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
TTQ1635.pdf | Texto completo | 1,46 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License