Memoria para optar al título de Ingeniero Civil Eléctrico / La enfermedad de Parkinson (EP) es la segunda enfermedad neurodegenerativa más común en el mundo. La EP produce un desequilibrio del circuito sensoriomotor del sistema nervioso, provocando los síntomas motores clásicos de esta enfermedad, tales como rigidez, temblor y falta de movimiento. Las enfermedades motoras que presentan estos síntomas son catalogadas como Parkinsonismos, siendo la EP la más común. Debido a que el diagnóstico de la EP se realiza con criterios clínicos basados en los síntomas motores, es común confundirlo con otros Parkinsonismos. Se han estudiado varios biomarcadores de la EP para ayudar a mejorar el diagnóstico, pero hasta ahora ninguno ha mostrado resultados confiables. Un hecho importante que ocurre en la EP son los cambios en los patrones electrofisiológicos del circuito sensoriomotor del cerebro, donde se destaca el aumento de potencia oscilatoria en la banda α-β. Estos cambios son característicos de esta enfermedad y podrían servir para establecer un biomarcador. En este estudio se estableció un biomarcador basado en características de la potencia espectral de señales electrofisiológicas para caracterizar un modelo de la EP. Para esto, se registraron señales de 3 áreas del circuito sensoriomotor del cerebro; corteza motora primaria (M1), núcleo estriado (STR) y núcleo ventral posterolateral del tálamo (VPL) de ratas lesionadas con 6-OHDA (n=4), usadas como modelo de la EP. Además, se registró una rata sana (n=1), usada como control. Se consideraron 4 condiciones para evaluar la progresión temporal; condición control (C), condición de lesión temprana (LTe), condición de lesión intermedia (LIn) y condición de lesión tardía (LTa). De la potencia espectral de las señales registradas se extrajeron 5 características espectrales provenientes de: la potencia oscilatoria en la banda α-β (Po), la potencia scale-free en la banda ancha (Psf), la pendiente scale-free entre [10-20]Hz (D2), la pendiente scale-free entre [20-30]Hz (D3) y la pendiente scale-free entre [30-40]Hz (D4). Se diseñó un clasificador Support Vector Machine (SVM) multiclase con el que, a través de un ranking, se seleccionaron las características más relevantes para cada condición, las que fueron usadas como entrada del clasificador. También, se determinó un índice de Parkinsonismo consistente en la distancia euclidiana de las características seleccionadas anteriormente hasta el origen del espacio de características. Finalmente, el biomarcador se estableció usando como componente discreto al clasificador SVM multiclase y como componente continuo el índice de Parkinsonismo, para determinar la condición a la que pertenece cada registro y el grado de severidad de la condición, respectivamente. El uso del biomarcador fue evaluado con un conjunto ejemplo y un conjunto de sujetos tratados. Las características seleccionadas fueron D3 de M1 y Po de STR, obteniendo una precisión del 75% en ambas características. El clasificador y el índice de Parkinsonismo consiguieron identificar y separar en un 100% las condiciones C, LTe y LIn, pero la condición LTa fue confundida con las condiciones LTe y LIn, obteniendo un rendimiento general del 75%. Además, el biomarcador pudo evidenciar la respuesta terapéutica de los sujetos tratados. La componente scale-free mostró ser relevante para describir los cambios electrofisiológicos de la EP, especialmente las características basadas en la pendiente scale-free. La confusión de la condición LTa con las condiciones LTe y LIn se puede deber a que se usó un modelo agudo de la EP, por lo que sería adecuado emplear este modelo sólo hasta el periodo de la condición LIn. Finalmente, el biomarcador electrofisiológico mostró ser sensible, confiable y robusto al separar la condición sana de las condiciones de Parkinsonismo y al evidenciar la respuesta a un tratamiento, siendo un excelente candidato para mejorar el diagnóstico de la EP.

Memoria para optar al título de Ingeniero Civil Eléctrico / La enfermedad de Parkinson es un trastorno neurodegenerativo y objeto de interés en la comunidad científica, dado que existe una mayor incidencia luego de los 60 años en promedio y además la población mundial posee una alta esperanza de vida, implicando que existirá una mayor cantidad de casos en el futuro. Los tratamientos actuales para este trastorno se componen de un generador de pulsos yelectrodos, en donde se estimula de manera constante una zona del cuerpo (puede ser un área cerebral o parte de la médula) independiente del estado actual del paciente, lo cual conlleva en algunos efectos secundarios no deseados. El presente trabajo de memoria se enfoca en esta problemática, ya que busca un lazode control para estos tratamientos y corresponde a una de las primeras aproximaciones con aprendizaje de máquinas. En particular, se estudia un clasificador de movimiento con incertidumbre a partir de la actividad neural de un modelo animal de rata de 6-OHDA. De esta manera, se realiza la extracción de movimiento a partir de un video y de señales cerebrales de un modelo animal de Parkinson a través de algoritmos de ventanas deslizantes, generando imágenes de potencia en ciertas bandas de frecuencia con una etiqueta respectiva de movimiento a partir del video. Estas imágenes sirven para entrenar a un clasificador de Deep Learning Bayesiano, el cual puede extraer incertidumbre en la clasificación. Así, al utilizar Deep Learning Bayesiano con la forma de evaluación de MC Dropout se llega a obtener un recall de 80 % para la etiqueta de movimiento y la base de datos consistente en una ventana deslizante de medio segundo. Además, esta arquitectura es superior (para esta base de datos) en comparación a la de Deep Learning y evaluación estándar de dropout. Por otro lado, para estos resultados se tiene que con una mejor clasificación se obtiene una menor incertidumbre, lo cual es una de las ventajas al usar Deep Learning Bayesiano pues permite obtener una medida de confianza en la clasificación al realizar evaluaciones estocásticas. Finalmente, cabe destacar que este trabajo puede usarse como base para obtener una estrategia de control para un circuito cerrado específico para cada paciente, el cual posee incertidumbre en predicciones implicando en la confianza que posee el sistema para cambiar un estado específico. Para generar una nueva estrategia más robusta con incertidumbre, se debería repetir este experimento agregando nuevos biomarcadores o indicadores fisiológicos, además de explorar otros algoritmos para extracción de movimiento para el etiquetado de la base de datos. / FONDECYT