Desarrollo de un modelo de aprendizaje profundo para el reconocimiento y clasificación de expresiones faciales asociadas a la enfermedad de Parkinson

El presente trabajo consiste en el desarrollo de un modelo de aprendizaje profundo para el reconocimiento de expresiones faciales asociadas a la enfermedad de Párkinson, con la finalidad de contar con una herramienta que aporte al análisis médico para un diagnóstico temprano y un tratamiento oportuno de la enfermedad. La metodología de trabajo consistió primeramente en el preprocesamiento de videos de monitoreo de pacientes y personas sanas otorgados por el Centro Integral de Neurociencias en España, obteniendo múltiples imágenes que enfocan exclusivamente el rostro de las personas monitoreadas; luego se realizaron experimentos con diferentes arquitecturas de redes neuronales que tomaban como entrada las imágenes del preprocesamiento y su salida era la probabilidad de que la imagen pertenezca a una persona que padece la enfermedad de Párkinson, es necesario indicar que en esta etapa los mejores resultados provenían del modelo tipo ensamblador que concatenaba las salidas de las redes VGG-19, InceptionNet, DenseNet y Nasnet. Finalmente se desarrolló un prototipo web destinado al uso por parte de los médicos para la obtención de un pronóstico durante una consulta médica. La precisión del modelo fue de aproximadamente un 70%, lo cual permite pueda ser utilizado como herramienta de apoyo para un diagnóstico temprano de la enfermedad. Finalmente se concluyó que los hiper-parámetros que más influyeron en el modelo fueron los momentos del optimizador y que el modelo puede mejorar si durante el monitoreo los videos captan mayor diversidad de expresiones faciales.

• Main Author: Figueroa Villacreses, Galo Xavier (author)
• Other Authors: Zambrano Zurita, Lessette Carolina (author), Peláez Jarrin, Colon Enrique, Director (author)
• Format: bachelorThesis
• Published: 2022
• Subjects: Reconocimiento facial; Redes neuronales; Modelo de aprendizaje profundo; Párkinson
• Online Access: http://www.dspace.espol.edu.ec/handle/123456789/57102