Resumen

El Trastorno del Espectro Autista (TEA) es un trastorno del neurodesarrollo caracterizado por dificultades persistentes que incluyen patrones repetitivos de comportamiento conocidos como movimientos motores estereotipados (MME). Hasta ahora, se han implementado varias técnicas para rastrear e identificar los SMM. En este contexto, proponemos un enfoque de aprendizaje profundo para el reconocimiento de SMM, a saber, redes neuronales convolucionales (CNN) en los dominios de tiempo y frecuencia. Para resolver la variabilidad intrasujeto de las SMM, proponemos un modelo robusto de CNN para la detección de las SMM dentro de los sujetos, cuyos parámetros se establecen de acuerdo con un análisis adecuado de las señales de las SMM, superando así los trabajos de clasificación de las SMM del estado de la técnica. Y, para resolver la variabilidad entre sujetos, proponemos un marco global, rápido y ligero para la detección de SMM entre sujetos que combina una técnica de transferencia de conocimiento con un clasificador SVM, resolviendo así el problema médico "de la vida real" asociado a la falta de SMM supervisadas por sujeto de prueba en particular. Además, mostramos que la aplicación del aprendizaje de transferencia entre dominios en lugar del aprendizaje de transferencia dentro del mismo dominio también se generaliza al dominio objetivo de las SMM, aliviando así el problema de la falta de SMM supervisadas en general.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:detección de smm, smms supervisado, dominio, modelo cnn robusto, clasificación de smm artístico, trastornos del espectro autista, movimiento motor estereotipado, análisis de smm, técnicas de transferencia de conocimiento, patrón de comportamiento
• Keywords:smm detection, supervised smms, domain, robust cnn model, art smm classification, autism spectrum disorders, stereotypical motor movement, analysis of smm, knowledge transfer techniques, pattern of behavior