dinâmica (RND) para a detecção da variação temporal de ocorrências de tremor e discinesia, a partir da aquisição de séries temporais dos sensores da eletromiografia de superfície (surface
electromyographic – sEMG) e acelerómetros tri-axiais em doentes que sofressem de Parkinson
[60].
Os dados utilizados, foram obtidos através de dispositivos com sensores miniaturizados, colocados em diversas partes do corpo do respetivo doente. Cada sensor transmite, sem fios, três canais do acelerómetro tri-axial e um da eletromiografia de superfície.
Note-se que foram usadas duas redes neuronais dinâmicas, uma para detetar a ocorrência de tremor e outra para a ocorrência de discinesia, ambas variáveis no tempo. Para a deteção de tremor, a RNA criada era constituída por quatro neurónios na camada interna, tendo sido selecionadas sete variáveis para as entradas da RNA, a partir dos acelerómetros e sEMG’s. Já quanto à deteção de discinesia, a rede neuronal desenvolvida teve dois neurónios na camada interna e para suas entradas foram selecionadas as quatro variáveis obtidas dos acelerómetros, também usadas para a deteção de tremor. Os resultados mostraram uma sensibilidade e especificidade superiores a 90%.
Ainda em 2010, Z. Bakar, N. Tahir e I. Yassin, classificaram as DP com recurso a dois tipos de algoritmos de treino de RNA, comparando a precisão entre eles [61]. Os algoritmos usados foram Levenberg-Marquardt (LM) e Scaled Conjugate Gradient (SCG), ambos em redes neuronais Multilayer Perceptron. O principal objetivo deste trabalho é distinguir pessoas saudáveis de pessoas com doença de Parkinson.
Os dados para análise foram recolhidos do Machine Learning Repository do Centro de aprendizagem motora e sistemas inteligentes da Universidade da Califórnia. Eram compostos por 195 medições biomédicas da voz, cada uma com 16 atributos. No conjunto dos dados, 147 estavam diagnosticados com DP. Para o treino, os dados foram divididos por 50:20:30, como percentagem correspondente a treino:validação:teste. Na saída da rede neuronal, pode-se obter dois valores, -1 para indivíduos saudáveis e 1 para indivíduos com DP.
Quanto a resultados, a melhor precisão no treino da RNA, foi de 97.86%, com o algoritmo LM e com 25 neurónios na camada escondida. Já no que diz respeito a SCG, a melhor classificação foi de 79.06% para 10 neurónios na camada escondida. Na precisão de teste, os resultados foram semelhantes aos anteriores, correspondendo aos mesmos números de neurónios na camada escondida. Para LM, por seu turno, a melhor classificação foi de 93%, e para SCG de 79%.
Quanto a padrões de marcha, H. Manap, N. Tahir e A. Yassin propuseram, em 2011, classificar a marcha de doentes de Parkinson, distinguindo-a de uma marcha de pessoas saudáveis [62].
59
A recolha de dados, aqui, foi feita recorrendo a 12 doentes de Parkinson e 20 indivíduos saudáveis e foi executada registando a marcha com recurso a 37 marcas refletoras no corpo, que foram detectadas por 6 camaras infravermelhas. No percurso desempenhado pelos participantes do teste, existiam 2 plataformas de força.
A rede neuronal artificial desenvolvida é do tipo Multilayer Perceptron (MLP) e é usada para distinguir a marcha de pessoas saudáveis de pessoas com doença de Parkinson. As variáveis de entrada foram escolhidas através de uma análise estatística e são o comprimento do passo, a velocidade da marcha, angulo do joelho e o parâmetro força de reação do solo, especificamente a postura vertical mínima. A RNA é constituída por uma camada interna e duas saídas, marcha normal e marcha Parkinsoniana. O algoritmo de treino usado foi Levenberg-Marquardt e as funções de ativação da camada interna e das saídas foi tangente-sigmóide.
A precisão de classificação obtida da rede neuronal artificial foi de 95.63%, sendo que estes resultados podem ser então usados na análise patológica da marcha, bem como na reabilitação e na identificação de alterações da marcha da doença de Parkinson.
Por seu turno, B. Cole, S. Roy e H. Nawab desenvolveram, no mesmo ano, um algoritmo para a detecção do congelamento da marcha em pacientes com doença de Parkinson, recorrendo a acelerómetros tri-axiais e a um sensor de eletromiografia (EMG) de superfície, juntamente com uma rede neuronal artificial dinâmica [63].
Os acelerómetros foram colocados no braço, coxa e canela dos sujeitos e o sensor de electromiografia de superfície foi colocado na canela. Os pacientes, com todos os sensores em si colocados, praticaram actividades de vida diária num apartamento como cenário, tendo sido filmados para uma melhor análise dos dados.
Dois estados de deteção foram criados, sendo certo que o primeiro deteta se o sujeito se encontra em pé, recorrendo aos acelerómetros. O segundo estado consiste numa rede neuronal artificial dinâmica para deteção de congelamento de marcha. Quando se deteta que o sujeito se encontra em pé durante pelo menos 5 segundos, o algoritmo aplica a rede neuronal dinâmica para determinar se está a ocorrer congelamento de marcha. A RNA dinâmica criada tem 11 neurónios de entrada e 4 na camada escondida. As entradas consistem em parâmetros que permitem distinguir movimentos voluntários de involuntários, sendo que, oito deles são recolhidos pelos acelerómetros e 3 pelo sensor EMG. A recolha de dados foi feita em 10 sujeitos diagnosticados com Parkinson e 2 controlos.
Para o treino da RNA, foi usado 6 minutos de registo de 6 doentes de Parkinson, nos quais ocorrem não só congelamentos de marcha, mas também outras manifestações como: marcha normal, discinesia e tremor. Para o teste, foram recolhidos dados de 2 horas, sendo que 46 minutos contêm registos de individuo de pé de 4 doentes de Parkinson com ocorrência de congelamento da marcha e 12 minutos de 2 sujeitos saudáveis.
Os resultados foram de aproximadamente 83% para a sensibilidade e 97% para a especificidade, o que permite concluir que se trata de uma boa ferramenta de deteção de congelamento da marcha.
60
Já em 2012, S. Pan, S. Iplikci, K. Warwick e T. Aziz, a partir da análise de sinais LFP (Local
Field Potential), obtidos no período inicial do tratamento médico DBS (Deep Brain Stimulation),
conseguiram classificar o tremor da DP [64]. Para isso usaram três técnicas de análise, redes neuronais artificiais: Multiple Layer Perception (MLP) e Radial Basis Function Network (RBN), e
Support Vector Machine Classification (SVM).
Para os fins experimentais, além dos sinais LFP, foi também feita uma electromiografia (EMG), sendo assim possível comparar os resultados obtidos com as três técnicas de análise supra enunciadas.
Em ambos os três métodos de análise usados são inseridos seis parâmetros e é obtido apenas um na saída. Quanto à MLP, foi composta por uma camada interna de oito neurónios. A sua saída pode ter duas hipóteses: 1 ou -1, para um estado de tremor ou não tremor, respetivamente. Para o treino, foram usados os dados recolhidos por EMG e foi utilizado o algoritmo Levenberg-Marquart. Para a RBN, é descrito como tendo 300 neurónios na camada interna e foi usado o algoritmo fuzzy c-meansclustering para determinar centros iniciais. Já quanto ao SVM, um novo tipo de algoritmo de aprendizagem, trata-se de uma ferramenta bastante promissora para resolver problemas de reconhecimento de padrões, a qual foi também usada para resolver o problema proposto.
Quanto aos resultados, o MLP obteve uma precisão mais baixa que os outros métodos: 79.25%. Embora seja capaz de detetar que o tremor irá acontecer, não é tão eficaz para verificar eventos reais, ou seja, as ocorrências do tremor. O RBN, ao contrário do método anterior, obteve a maior taxa de falsos positivos, o que significa que o sistema nos informa que está a acontecer tremor, quando, na verdade, não está. Contudo, e por outro lado, obteve a pior taxa em verdadeiros positivos, informando que esta a acontecer um tremor quando, este está, de facto, a ocorrer. Por fim, o SVM obteve a melhor precisão, 81.14%, assim como a melhor taxa de verdadeiros positivos.
Concluindo, diremos que ambos os sistemas de reconhecimento estão aptos para prever que o tremor irá acontecer, embora tenham classificado incorretamente os primeiros segundos depois de o tremor começar. Ainda assim, o SVM é o método que obteve melhores resultados, com uma eficácia de 81.14%.