El análisis de los movimientos oculares constituye un importante desafío dada la gran
cantidad de información presente en los mismos. Estos movimientos proveen numerosas
claves para estudiar diversos procesos cognitivos considerando, entre otros aspectos, el
modo y el tiempo en que se codi fica la información y qué parte de los datos obtenidos
se usan o se ignoran.
Avanzar en el entendimiento de los procesos involucrados en tareas de alta carga
cognitiva puede ayudar en la detección temprana de enfermedades neurodegenerativas
tales como el mal de Alzheimer o el de Parkinson. A su vez, la comprensión de estos
procesos puede ampliar el abordaje de una gran variedad de temas vinculados con el
modelado y control del sistema oculomotor humano.
Durante el desarrollo de esta Tesis Doctoral se llevaron a cabo tres experimentos que
utilizan técnicas de deep-learning y modelos lineales de efecto mixto a n de identi car
patrones de movimiento ocular a partir del estudio de situaciones controladas.
La primera experiencia tiene como objetivo diferenciar adultos mayores sanos de
adultos mayores con posible enfermedad de Alzheimer, utilizando deep-learning con
denoise-sparse-autoencoders y un clasifi cador, a partir de información del movimiento
ocular durante la lectura. Los resultados obtenidos, con un 89;8% de efectividad en
la clasi ficación por oración y 100% por sujeto, son satisfactorios. Esto sugiere que el uso
de esta técnica es una alternativa factible para esta tarea.
La segunda experiencia tiene como objetivo demostrar la factibilidad de la utilización
de la dilatación de la pupila como un marcador cognitivo, en este caso mediante modelos
lineales de efecto mixto. Los resultados indican que la dilatación se ve influenciada por
la carga cognitiva, la semántica y las características específi cas de la oración, por lo que
representa una alternativa viable para el análisis cognitivo.
El tercero y último experimento tiene como objetivo comprobar la efectividad de la
utilización de redes neuronales recurrentes, con unidades LSTM, para lograr una clasifi cación efectiva en rangos etarios correspondientes a jóvenes sanos y adultos mayores
sanos, a partir del análisis de la dinámica de la pupila. Los resultados obtenidos demuestran
que la utilización de esta técnica tiene un alto potencial en este campo logrando
clasifi car jóvenes vs. adultos mayores con una efectividad media por oración de 76;99%
y una efectividad media por sujeto del 90;24 %, utilizando información del ojo derecho
o información binocular.
Los resultados de estos estudios permiten afi rmar que la utilización de técnicas de
deep learning, que no han sido exploradas para resolver problemas como los planteados
utilizando eye-tracking, constituyen un gran área de interés. / TEXTO PARCIAL en período de teletrabajo
| Identifer | oai:union.ndltd.org:uns.edu.ar/oai:repositorio.bc.uns.edu.ar:123456789/5542 |
| Date | 10 February 2021 |
| Creators | Biondi, Juan Andrés |
| Contributors | Castro, Silvia Mabel, Agamennoni, Osvaldo |
| Publisher | Universidad Nacional del Sur |
| Source Sets | Universidad Nacional del Sur |
| Language | Spanish |
| Detected Language | Spanish |
| Type | Electronic Thesis or Dissertation, Text |
| Format | application/pdf |
| Rights | 2 |
Page generated in 0.0114 seconds