Resumen

El diagnóstico clínico del tic nervioso implica varios procesos complejos, entre los cuales la observación y la evaluación del comportamiento del paciente suelen requerir un tiempo considerable y una cooperación eficaz entre el médico y el paciente. La escala de evaluación existente se ha simplificado en evaluaciones cualitativas y cuantitativas de movimientos y tics sonoros durante un cierto período, pero todavía debe ser completada manualmente. Por lo tanto, intentamos encontrar un método automático para detectar el movimiento de tic para ayudar en el diagnóstico y la evaluación. Basándonos en datos clínicos reales, proponemos una arquitectura de aprendizaje profundo que combina métodos de aprendizaje supervisado y no supervisado y aprende características de vídeos para la detección de movimientos de tic. El modelo se entrena mediante validación cruzada con exclusión de un sujeto para tareas de clasificación binarias y multiclase. Para estas tareas, el modelo alcanza precisiones de reconocimiento medias de 86,33 y 86,26 y recuperaciones del 77,07 y 78,78%, respectivamente. La visualización de las características aprendidas en la etapa no supervisada indica la distinguibilidad de los dos tipos de tics y el no tic. Otros resultados de la evaluación sugieren su potencial aplicación clínica para diagnósticos auxiliares y evaluaciones de los efectos del tratamiento.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:Otros resultados de evaluación, precisiones medias de reconocimiento, tareas de clasificación multiclase, posible aplicación clínica, datos clínicos reales, varios procesos complejos, métodos de aprendizaje supervisado, detección de tics de movimiento, evaluación, características
• Keywords:Further evaluation results, average recognition precisions, multiclass classification tasks, potential clinical application, real clinical data, several complex processes, supervised learning methods, tic motion detection, evaluation, features