Este trabajo de fin de máster explora la clasificación de actividades de la vida diaria mediante sensores inerciales para mejorar la evaluación del temblor en pacientes con Enfermedad de Parkinson y temblor esencial. Las escalas clínicas tradicionales suelen ser subjetivas y no capturan completamente la variabilidad de los síntomas en la vida diaria. Para abordar esta limitación, se investiga el uso de sensores inerciales y aprendizaje automático para el monitoreo continuo de los pacientes.
La recolección de datos se realizó en dos fases. Primero, los participantes realizaron diez actividades en un entorno controlado mientras usaban un smartwatch con acelerómetro y giroscopio. Luego, se recopilaron datos continuos en entornos domésticos para reflejar mejor sus actividades diarias. Este enfoque permitió explorar tanto la clasificación segmentada como la continua.
Se emplearon técnicas de aprendizaje automático como Random Forest, Máquinas de Soporte Vectorial y Extreme Gradient Boosting. Además, se evaluó el impacto de diferentes tamaños de ventana temporal y se propuso un método de conjunto. Para la clasificación continua, se utilizaron Máquinas de Soporte Vectorial y enfoques de aprendizaje profundo, como redes Bidireccionales de Memoria a Corto y Largo Plazo y combinaciones con redes neuronales convolucionales.
Los resultados mostraron que las Máquinas de Soporte Vectorial fueron las más precisas en el enfoque segmentado, superando el 80% de precisión, mientras que las redes de Memoria a Largo y Corto Plazo lograron el mejor desempeño en la clasificación continua, reduciendo los falsos positivos. Además, se creó un nuevo conjunto de datos con información de pacientes con Parkinson y temblor esencial, aportando un recurso valioso para futuras investigaciones.
El trabajo concluye que los sensores inerciales, junto con el aprendizaje automático y profundo, pueden mejorar la evaluación objetiva del temblor y permitir tratamientos más precisos y personalizados.
ABSTRACT
This Master’s thesis investigates the classification of Activities of Daily Living using wearable inertial sensors to enhance tremor assessment in Parkinson’s Disease and Essential Tremor patients. Traditional clinical scales are often subjective and fail to capture symptom variability in real-life settings. To address this, the study explores Inertial Measurement Units and machine learning techniques for continuous movement monitoring.
Data collection was conducted in two stages: first, participants performed ten activities in a controlled environment while wearing a smartwatch with accelerometers and gyroscopes; second, continuous data was gathered in home environments for a more realistic representation of daily activities. This approach enabled the exploration of both segmented and continuous activity recognition.
Machine learning techniques such as Random Forest, Support Vector Machines, and Extreme Gradient Boosting were applied to segmented data. The study also examined the impact of different time window sizes and proposed an ensemble method combining various window lengths. For continuous classification, a modified ensemble method with SVM and deep learning approaches, including Bidirectional Long Short-Term Memory and convolutional neural networks, was evaluated.
Results showed that Support Vector Machines achieved the highest accuracy (over 80%) in segmented classification, while the ensemble method improved performance over single-window models. Long Short-Term Memory networks performed best for continuous classification, reducing false positives but offering only a slight improvement over traditional machine learning methods. Additionally, a new dataset incorporating Parkinson’s and Essential Tremor patient data was developed as a resource for future research.
The thesis concludes that wearable sensors, combined with both machine learning and deep learning techniques, hold great potential for improving the objective assessment of tremor, enabling more accurate and personalised treatment plans for patients with tremor.
Este trabajo de fin de máster explora la clasificación de actividades de la vida diaria mediante sensores inerciales para mejorar la evaluación del temblor en pacientes con Enfermedad de Parkinson y temblor esencial. Las escalas clínicas tradicionales suelen ser subjetivas y no capturan completamente la variabilidad de los síntomas en la vida diaria. Para abordar esta limitación, se investiga el uso de sensores inerciales y aprendizaje automático para el monitoreo continuo de los pacientes.
La recolección de datos se realizó en dos fases. Primero, los participantes realizaron diez actividades en un entorno controlado mientras usaban un smartwatch con acelerómetro y giroscopio. Luego, se recopilaron datos continuos en entornos domésticos para reflejar mejor sus actividades diarias. Este enfoque permitió explorar tanto la clasificación segmentada como la continua.
Se emplearon técnicas de aprendizaje automático como Random Forest, Máquinas de Soporte Vectorial y Extreme Gradient Boosting. Además, se evaluó el impacto de diferentes tamaños de ventana temporal y se propuso un método de conjunto. Para la clasificación continua, se utilizaron Máquinas de Soporte Vectorial y enfoques de aprendizaje profundo, como redes Bidireccionales de Memoria a Corto y Largo Plazo y combinaciones con redes neuronales convolucionales.
Los resultados mostraron que las Máquinas de Soporte Vectorial fueron las más precisas en el enfoque segmentado, superando el 80% de precisión, mientras que las redes de Memoria a Largo y Corto Plazo lograron el mejor desempeño en la clasificación continua, reduciendo los falsos positivos. Además, se creó un nuevo conjunto de datos con información de pacientes con Parkinson y temblor esencial, aportando un recurso valioso para futuras investigaciones.
El trabajo concluye que los sensores inerciales, junto con el aprendizaje automático y profundo, pueden mejorar la evaluación objetiva del temblor y permitir tratamientos más precisos y personalizados.
ABSTRACT
This Master’s thesis investigates the classification of Activities of Daily Living using wearable inertial sensors to enhance tremor assessment in Parkinson’s Disease and Essential Tremor patients. Traditional clinical scales are often subjective and fail to capture symptom variability in real-life settings. To address this, the study explores Inertial Measurement Units and machine learning techniques for continuous movement monitoring.
Data collection was conducted in two stages: first, participants performed ten activities in a controlled environment while wearing a smartwatch with accelerometers and gyroscopes; second, continuous data was gathered in home environments for a more realistic representation of daily activities. This approach enabled the exploration of both segmented and continuous activity recognition.
Machine learning techniques such as Random Forest, Support Vector Machines, and Extreme Gradient Boosting were applied to segmented data. The study also examined the impact of different time window sizes and proposed an ensemble method combining various window lengths. For continuous classification, a modified ensemble method with SVM and deep learning approaches, including Bidirectional Long Short-Term Memory and convolutional neural networks, was evaluated.
Results showed that Support Vector Machines achieved the highest accuracy (over 80%) in segmented classification, while the ensemble method improved performance over single-window models. Long Short-Term Memory networks performed best for continuous classification, reducing false positives but offering only a slight improvement over traditional machine learning methods. Additionally, a new dataset incorporating Parkinson’s and Essential Tremor patient data was developed as a resource for future research.
The thesis concludes that wearable sensors, combined with both machine learning and deep learning techniques, hold great potential for improving the objective assessment of tremor, enabling more accurate and personalised treatment plans for patients with tremor. Read More
Related posts:
The importance of integral time length windows for the classification of activities of daily living based on machine learning techniques
Metodología de validación de explicaciones generadas mediante técnicas de IAX post-hoc para procesos de aprendizaje automático
Estudio de plataformas para la creación de competiciones aplicado a la tarea de clasificación de imágenes
Mejora de la clasificación de imágenes de satélite mediante el diseño y evaluación de modelos de redes de convolución con transfer learning
Dynamic model to characterise sectors using machine learning techniques
Diseño de un medidor de turbidez en el agua basado en procedimientos ópticos