RESUMEN

INTRODUCCIN
El Temblor Esencial y la Enfermedad de Parkinson
son considerados dos trastornos de movimiento
diferentes, el primero asociado a un temblor
cintico/postural y el segundo a un temblor de
reposo. Sin embargo, en la literatura mdica hacen
notoria la potencial relacin que puede existir entre
ambas enfermedades. El hecho de que pacientes con
la EP presenten un temblor postural igual al TE, que
una enfermedad sea un factor de riesgo para el
desarrollo de la otra, que ambas enfermedades
compartan caractersticas neurodegenerativas y el
solapamiento semiolgico del temblor provoca que
el diagnstico clnico no sea fiable y surge la
necesidad de implementar mtodos de Inteligencia
Artificial para analizar y cuantificar el temblor y en
base a su medida, clasificarlo. Brindando a los
mdicos una herramienta prctica y eficaz, para
asegurar un tratamiento adecuada del paciente, y as
mejorar su calidad de vida.
OBJETIVO
Desarrollar una metodologa que permita
automatizar la clasificacin del temblor esencial y
temblor parkinsoniano, utilizando las Mquinas de
Soporte Vectorial, para el apoyo al diagnstico
clnico garantizando al paciente una atencin y
tratamientos adecuados.
METODOLOGA
Se parte de una base de datos conformada por las
series temporales de un conjunto de pruebas, donde

cada prueba est constituida por una serie de

patrones (formas geomtricas) ejecutadas en forma
esttica (manteniendo una postura), cintica
(siguiendo la trayectoria del patrn) y dinmica
(fuerzas generadas artificialmente) sobre la mano
del paciente. Los datos generados en estas pruebas
fueron registrados y almacenados por el sistema
DIMETER, que utiliza un dispositivo hptico llamado
PHAMToN para la adquisicin de los datos. Para la
caracterizacin del temblor se utiliz el PSD y los
Poliespectros; el Anlisis de Componentes
Principales disminuy la dimensionalidad de los
vectores; la distancia de Mahalanobis y el coeficiente
de Curtosis proporcionaron el medio para la
separacin de los valores atpicos. La Mquina de
Soporte Vectorial proporcion el modelo de
clasificador utilizando los vectores caractersticos
previamente analizados.
RESULTADOS
Del anlisis de los resultados obtenidos en las
diferentes hiptesis y ensayos, dan cuenta que las
pruebas estticas y cinticas son suficientes para
caracterizar el temblor y crear un clasificador SVM
con una buena capacidad de generalizacin,
obteniendo en la fase de clasificacin un error del
0%.
PALABRAS CLAVES: Temblor Esencial, Enfermedad
de Parkinson, Temblor Fisiolgico, Mquinas de
Soporte Vectorial, PSD, Poliespectro, Anlisis de
Componentes Principales, Distancia de Mahalanobis,
Coeficiente de Curtosis.

ABSTRACT
INTRODUCTION

patterns (shapes) executed statically (maintaining a

Essential Tremor and Parkinson's disease are

considered two different movement disorders, the
first associated with a kinetic / postural tremor and
the second to a resting tremor. However, in the
medical literature makes evident the potential
relationship that may exist between the two
diseases. The fact that PD patients present a
postural tremor equal to TE, a disease is a risk factor
for the development of the other, both diseases
share

neurodegenerative

characteristics,

and

semiological overlapping of tremor causes the

clinical diagnosis is unreliable and there is a need to
implement Artificial Intelligence methods to analyze
and quantify tremor and based on its measures,
classify. Providing physicians with a practical and
effective tool to ensure appropriate patient care,
and improve their quality of life.
OBJECTIVE
To develop a methodology to automate the

stance), kinetic (following the trajectory pattern) and

dynamic (generated artificially forces) on the
patient's hand. The data generated in these tests
were recorded and stored by the DIMETER system
that uses a haptic device called PHAMToN for data
acquisition. For the characterization of the tremor
was used the PSD and higher order spectra; Principal
Component Analysis reduced the dimensionality of
the

vectors;

Mahalanobis

distance

and

the

coefficient of kurtosis provided the means for

removal of outliers. The Support Vector Machine
classifier provided the model using the feature
vector previously discussed.
RESULTS
Analysis of the results obtained in the different
hypothesis show that the static and kinetic tests are
sufficient to characterize the tremor and create a
SVM classifier with good generalization ability,
getting in qualifying an error of 0%.

classification of essential tremor and parkinsonian

KEYWORDS: Essential Tremor, Parkinson's disease,

tremor, using Support Vector Machines, to support

Physiological Tremor, Support Vector Machines, PSD,

the clinical diagnosis ensuring patient care and

Higher Order Spectra, Principal Component Analysis,

treatments.

Mahalanobis distance, Coefficient of Kurtosis.

METHODOLOGY
We assume a database consists of time series of a
set of tests, where each test consists of a series of

INTRODUCCIN

Mi motivacin personal
Por qu tiembla? Fue la pregunta que hice 15 aos atrs a mi ta abuela Francisca, algo raro le ocurra.
No era usual ver como su mano empez a temblar sin que hubiese voluntad de hacerlo. Las condiciones
sociales de un pas como el mo nos mantena al margen del servicio de la salud, intentamos apaciguar
aquel movimiento incontrolable con medicina ancestral, no buscamos ayuda profesional, la escasez de
los recursos econmicos familiares lo impedan, pas el tiempo y como por contagio empez a temblar
su otra mano y luego sus piernas, pero era solo el principio. Con dificultad poda coger un cubierto, su
autoestima estaba muy afectada, ya la enfermedad no solo afectaba la parte motora sino que su parte
cognitiva tambin se volvi en su contra. Nuestra preocupacin y amor familiar nos llev a buscar ayuda
de un especialista, Parkinson y no hay cura, ese fue el diagnstico. A poco tiempo el Papa Juan Pablo II
falleci y supimos que l tambin padeci esta enfermedad. La falta de especializacin de los mdicos y
la evolucin singular de esta enfermedad en cada persona que la padece, hizo que cada medicamento
que ingera sea rechazado por su organismo y fue muy difcil atinar con el tratamiento adecuado. Son 2
aos desde que vine a Espaa en la bsqueda de conocimiento y fue una oportunidad coincidir con un
tema que afectaba a m ser querido, acept el reto y hoy soy consciente que pude haber hecho mucho y
que puedo seguir haciendo ms por ella. Hoy la enfermedad est muy avanzada me dice que ha dejado
de caminar porque se cae, que le cuesta mucho extender sus piernas y sus brazos, la escucho con voz
titubeante y temblorosa y s que le cuesta mucho coger el telfono. Su cuerpo ha cambiado pero sus
sentimientos siguen siendo los mismos de siempre, lo ltimo que me dijo fue "hijo, cuando vuelves,
tengo muchas ganas de verte". Solo tengo que agradecer a la vida por tenerla entre nosotros y
compartir con ella algo que no enferma, no tiembla, no daa, ni duele, el amor.

Existe un gran nmero de enfermedades de origen neuronal que provocan Trastornos del Movimiento y
pueden desencadenar en una importante prdida de calidad de vida de las personas. El movimiento ms
efmero y simple es el resultado de complejas interacciones entre mltiples circuitos neuronales dentro
del cerebro y la mdula espinal, si alguna parte del sistema nervioso se ve afectado aparecen una
variedad de trastornos del movimiento.
Segn el Instituto Nacional de Trastorno Neurolgicos y Accidentes Cerebrovasculares, indica que el
Temblor es el ms comn de los trastornos del movimiento y lo define como un movimiento
involuntario y rtmico, que implica la oscilacin de una o ms partes del cuerpo.
No siempre el temblor es un movimiento anormal. El potencial elctrico generado en el cerebro por
miles de neuronas, forman ondas cerebrales con diferentes frecuencias. Las neuronas encargadas del
movimiento corporal oscilan a 10 ciclos por segundo, que es el temblor mnimo casi imperceptible que
todas las personas presentan, llamado Temblor Fisiolgico. Cuando existen factores como el cansancio,
el nerviosismo, el miedo, etc., el cuerpo segrega adrenalina haciendo que el temblor incremente, pero
continua siendo un temblor normal.
Cuando existen alteraciones en el sistema nervioso y el patrn de activacin muscular continuo es
reemplazado por descargas bruscas, rtmicas y breves, el temblor se vuelve anormal, es decir en un
Temblor Patolgico. Existen algunos tipos de temblor considerados dentro del temblor patolgico, el
Temblor Esencial y el temblor provocado por la Enfermedad de Parkinson son los ms comunes dentro
de la poblacin que comprende a las personas de mediana edad y ancianas, afectando a hombres y
mujeres en forma similar.
El incremento de la esperanza de vida experimentada especialmente por los pases desarrollados, se
traduce en un problema llamado envejecimiento poblacional, la franja de poblacin mayor a 60 aos se
ve aumentada. Segn la Divisin de Poblacin del Departamento de Asuntos Econmicos y Sociales de la
Secretara de las Naciones Unidas (2013), la poblacin mundial mayor a 60 aos en el 2013 se calcul en
841 millones, se estima que durante 2013-2050 se incremente a 2020 millones, aumentando del 12 a
21% a nivel mundial, del 23 a 34% en Europa, del 20 al 27% en Norteamrica, del 11 a 24% en Asia, del
11 al 25% en Amrica Latina y el Caribe, del 16 al 23% en Oceana y del 5.4 al 8.9% en frica.
Al envejecer la poblacin, trae consigo una serie de cambios en la sociedad, especialmente en la salud,
con un incremento en enfermedades crnicas y neurodegenerativas que afectan a la edad senil, como el
Alzheimer, el Parkinson y el temblor. Estas enfermedades aumentarn su prevalencia y junto a otras

enfermedades propias de la tercera edad sobrecargarn los sistemas de salud del mundo y el costo de
salud per cpita tambin se ver incrementado.
La prevalencia e incidencia de la enfermedad de Parkinson y de temblor esencial son difciles de estimar
y varan en los diferentes estudios realizados debido a la heterogeneidad y variabilidad en la
metodologa utilizada, a las muestras, a los factores genticos y ambientales de las poblaciones
estudiadas.
Segn la European Parkinson's Disease Association (EPDA), basado en un estudio de prevalencia en los 5
pases ms poblados de Europa Occidental y 10 pases ms poblados del mundo, estim que en el 2005
el nmero de personas con ms de 50 aos de edad que padecan Parkinson fue de 4.1 a 4.6 millones y
para el 2030 se proyecta que este valor se incrementar a ms del doble, entre 8.7 y 9.3 millones. La
EPDA indica tambin que 1,2 millones de personas en Europa padecen Parkinson, se prev que su
incidencia se duplique para 2030

y que el coste anual por el sistema de salud europeo sea de 13.900

millones de euros.
Por otro lado, segn el portal norteamericano MEDSCAPE, se estima que el temblor esencial puede ser
de 10 a 20 veces ms prevalente que la enfermedad de Parkinson, entre 50-70% de los casos el temblor
esencial se estima que es de origen gentico y las mutaciones genticas en estos casos se prev que se
transmite de forma autosmica dominante y tiene penetrancia variable. Aunque la edad de inicio de
esta enfermedad es variable la mayora empieza en la segunda o sexta dcada de la vida y junto con el
envejecimiento de la poblacin tambin aumentar el nmero de casos. En Norteamrica cerca de 5
millones de personas han sido diagnosticadas con temblor esencial, pero se estima que la cifra puede
llegar a 10 millones debido a que muchas personas no buscan atencin mdica si el temblor es leve o
atribuyen el temblor a la edad avanzada, o al temor de que el impacto del temblor en su calidad de vida
no va a ser tomado en serio. Circunstancias que se repiten alrededor del mundo.
Desde otro punto de vista, el espectro clnico del temblor vara ampliamente entre un fenmeno normal
hasta una forma discapacitante de enfermedades graves. La etiologa es mltiple y para el diagnstico es
necesario la exploracin visual y la descripcin de las caractersticas semiolgicas del temblor en virtud
de mltiples criterios como: la condicin que activa el temblor (en reposo, postura o movimiento), la
amplitud, la frecuencia (baja, media o alta), la topografa (extremidades, tronco, cabeza), exmenes
neurolgicos e historial clnico (inicio del temblor, secuencia de inicio, comorbilidades, historia familiar,
factores que lo exacerban o lo inhiben y consumo de alcohol, medicamentos o drogas).

El diagnstico clnico del temblor basado en escalas de calificacin requiere de la subjetividad y

experiencia del especialista. Puede ser suficiente, pero en muchas de las veces no es aplicable en la
prctica, debido a que existe un solapamiento en la semiologa clnica entre los pacientes de temblor
esencial y el temblor parkinsoniano. Adems, en algunas publicaciones dan cuenta que ambas
enfermedades podran estar relacionadas o coexistir en un fenotipo de temblor o que una sea factor de
riesgo para el desarrollo de la otra. Es decir, un subgrupo de pacientes con Parkinson desarrollan un
temblor postural en las manos (propio del temblor esencial) por un largo tiempo antes que aparezcan
los sntomas parkinsonianos, y de la misma manera se encuentra cuerpos de Lewy en algunos pacientes
con temblor esencial cuando stos son propios de la enfermedad de Parkinson.
Bajo estas circunstancias se requiere que el temblor no sea analizado nicamente de forma cualitativa
como lo hace un diagnstico clnico, sino que deba ser analizado de forma cuantitativa con el fin de
comparar datos y apoyar al diagnstico clnico. Es en este punto, donde biomecnica juega un papel
muy importante, mediante dispositivos electrnicos, herramientas y algoritmos matemticos se
adquiere, procesa y analiza cuantitativamente el temblor.
El avance tecnolgico, la gran capacidad de procesamiento y almacenamiento de la informacin de las
computadoras de hoy en da, junto a tcnicas de Inteligencia Artificial y la teora de toma de decisiones,
tienen la capacidad de generar y extraer el conocimientos sobre distintos problemas del entorno real a
partir del estudio exhaustivo de ciertas bases de datos, dando lugar al diagnstico automatizado.
Luego de este prembulo, haciendo referencia al ttulo de esta obra "AUTOMATIZACIN EN LABORES DE
CLASIFICACIN. APLICACIN DE LOS CLASIFICADORES EN LA AYUDA AL DIAGNSTICO EN EL AMBIENTE
SANITARIO." Se inici el estudio seleccionando a las Mquinas de Soporte Vectorial (SVM) como la
estructura de aprendizaje automtico para la tarea de clasificacin de dos clases. Las SVMs fueron
desarrolladas por el Vladimir Vapnik y sus colaboradores en el marco de la Teora de Aprendizaje
Estadstico (SLT) y bajo el principio de Minimizacin del Riesgo Estructural (SRM) y no fue hasta 1998 que
empez a tener auge en varias aplicaciones. Las SVMs pertenecen a la familia de clasificadores lineales,
tienen un fundamento terico-matemtico muy slido. Tienen una gran capacidad para aprender a
partir de un conjunto de datos experimentales que generalmente son tomados del entorno real y con
una distribucin dispersa en un espacio de entrada de alta dimensin. Basan su aprendizaje en la
construccin de un hiperplano en un espacio de caractersticas de alta dimensin, los datos de entrada
que generalmente son no separables linealmente son mapeados mediante una funcin de
caractersticas llamado kernel o ncleo a un espacio de caractersticas en donde pueden ser separados

linealmente. La funcin kernel es la esencia de las SVMs, la funcin objetivo a optimizar es convexa lo
cual garantiza la convergencia y existencia de una nica solucin. La estructura del hiperplano ptimo se
construye en base a un subconjunto de datos llamados Vectores Soporte (VS); el hiperplano es la funcin
de separacin que clasifica a los datos a sus correspondientes clases dependiendo de la etiqueta.
Posteriormente, con la base de datos de las pruebas realizadas a los pacientes con temblor esencial,
enfermedad de Parkinson y temblor fisiolgico que fueron registradas y almacenada por el sistema
DIMETER, se analizaron y caracterizaron con atributos numricos a cada una de las muestras mediante
herramientas estadsticas. Consecutivamente, se plantearon cuatro hiptesis para la clasificacin, las
muestras fueron preparadas y subdivididas en los conjuntos de entrenamiento y prueba. Luego, el
conjunto de entrenamiento fue sometido a una fase de aprendizaje con el algoritmo LIBSVM y
finalmente las muestras del conjunto de prueba a la fase de clasificacin.
Este trabajo est dividido en 5 captulos, procurando abordar cada uno de los temas relevantes,
tcnicas, herramientas y procedimientos utilizados durante la investigacin.
El Captulo 1 presenta una descripcin de los trastornos del movimiento y trastornos del temblor. Una
revisin de las caractersticas, clasificacin, etiologa, semiologa y efecto de los temblores ms
frecuentes y motivo de este trabajo como son: el temblor fisiolgico, temblor esencial y el temblor
producido por la enfermedad de Parkinson. Se aborda algunos estudios relacionados con el diagnstico
del temblor, as como los mtodos y las tcnicas que hoy por hoy utilizan los investigadores para la
medicin y anlisis del temblor. Finalmente, se hace mencin de los trabajos y los resultados obtenidos
por anteriores compaeros que me precedieron en la misma lnea de investigacin.
En el Captulo 2 contiene el fundamento de las mquinas de aprendizaje automtico, una explicacin de
la Teora de Aprendizaje Estadstico, el desarrollo del principio de minimizacin del riesgo estructural y la
dimensin VC. Un repaso a la clasificacin de patrones y la tarea de clasificacin. La descripcin y el
fundamento terico matemtico del algoritmo de las SVMs es dado, as como la formulacin de las
SVMs de margen rgido y de margen flexible para clasificadores lineales como no lineales. Por ltimo, se
proporciona un ejemplo prctico del clasificador SVM entrenando con varias funciones kernel.
El Captulo 3 est dedicado a recolectar todas las tcnicas y las herramientas que se utilizaron para el
tratamiento de la informacin. Se da una explicacin detallada de cada una de las funciones a utilizar
durante el entrenamiento del clasificador SVM utilizando el software proporcionado en el paquete
LIBSVM. Se describe la Toolbox de Estadstica de Orden Superior HOSA y la Toolbox de Procesamiento

de Seales PSD, utilizadas en MATLAB para la caracterizacin del temblor. Adems, se detalla las
tcnicas empleadas para el estudio de los datos como son el anlisis de componentes principales ACP, la
distancia de Mahalanobis y el coeficiente de Curtosis.
En el Captulo 4 se detalla el proceso de obtencin y preparacin de las muestras para el entrenamiento
con la SVM. Se hace una descripcin del sistema DIMETER empleado para la adquisicin de los datos,
registro y almacenamiento de las pruebas realizadas a los pacientes, as como las condiciones y los
patrones utilizados en la ejecucin de cada una de las pruebas. Ms adelante se describe el proceso de
filtrado de las seales y la caracterizacin del temblor mediante atributos numricos obtenidos a partir
de las estadsticas de segundo orden PSD y las estadsticas de orden superior HOSA. Tambin se hace
una breve referencia sobre el proceso de normalizacin y estandarizacin de los datos. Finalmente, se
marcan las pautas para la seleccin y ajuste de los parmetros de las funciones kernel en base al
procedimiento de validacin cruzada, as tambin se indica el comportamiento asinttico del clasificador
SVM con un kernel Gaussiano RBF.
El Captulo 5 est dedicado al estudio de las hiptesis planteadas, a la clasificacin de las muestras y los
resultados obtenidos en cada una de las hiptesis. Se expone la metodologa utilizada en los ensayos. Se
detalla cada una de las fases para el entrenamiento de la SVM. En cada una de las hiptesis se describe
su fundamento terico, las herramientas y las tcnicas matemticas empleadas para el anlisis de las
seales, el procedimiento a seguir, as como el nmero de muestras y atributos numricos de cada
vector. Con el propsito de reducir al mximo el error en la clasificacin se opt por probar con
diferentes configuraciones entre las pruebas estticas, cinticas, dinmicas o en combinacin a la
entrada de la SVM. Luego se presentan en tablas los resultados obtenidos para cada modelo clasificador,
los parmetros de ajuste para cada tipo de kernel y la tasa de error cometido tanto en la fase de
entrenamiento como en la fase de clasificacin. Al terminar cada hiptesis se hace un anlisis de los
resultados en referencia al mejor modelo de clasificador obtenido.
Dentro del Captulo 6 se presentan un anlisis de los resultados globales y se hace una comparacin
entre los resultados de las hiptesis planteadas y sobre las configuraciones realizadas con el fin de
mejorar los resultados.
Finalmente, se enuncia las conclusiones del trabajo en cada una de las hiptesis planteadas en relacin a
los resultados obtenidos.