Machine learning for differential diagnosis of white matter lesions in Fabry Disease patients based on gait and cardiac characteristics

Detalhes bibliográficos
Autor(a) principal: Braga, José António Fernandes
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/1822/76863
Resumo: Dissertação de mestrado integrado em Industrial Electronics and Computers Engineering
id RCAP_20e37e5c54cc64ddc5dc0a495b752f6a
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/76863
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Machine learning for differential diagnosis of white matter lesions in Fabry Disease patients based on gait and cardiac characteristicsMachine learning para o diagnóstico de lesões na massa branca em pacientes com Doença de Fabry baseado na marcha e em características cardíacasFabry diseaseMachine learningWhite matter lesionsGaitCardiac examsDoença de FabryLesões da matéria brancaMarchaExames cardíacosEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaDissertação de mestrado integrado em Industrial Electronics and Computers EngineeringBrain manifestations in FD include progressive white matter lesions (WMLs).This research aims to identify a set of gait and cardiac characteristics to discriminate FD patients with WMLs from FD patients without WMLs. For the gait study, 76 subjects walked through a predefined circuit using wearable sensors that continuously acquired different stride features. All strides of 16 gait variables were normalized using multiple regression models. The mean and the variability of each gait time series were calculated, resulting in 32 gait measures. Using the 32 gait measures, a feature selection algorithm were applied. Then, five different classifiers (LR, SVM Linear and RBF kernel, RF, and KNN) based on different selected set features were evaluated. CNN and LSTM algorithms were implemented using as input the gait time series. For FD patients with WMLs vs controls the highest accuracy of 71.50% was obtained using RF. For FD patients without WMLs vs controls, the best performance was observed using KNN with an accuracy of 86.67%. For FD patients with vs without WMLs the best models were obtained using the CNN algorithm and using LR algorithm with an accuracy of 81.43% and 80.76%, respectively. Regarding the cardiac data, was used the data from two exams: an electrocardiogram (ECG) and an echocardiogram. A total of 114 FD patients were evaluated with the ECG (61 have WMLs). For FD patients with vs without WMLs the highest accuracy of 79.72%. With the simultaneously use of both gait and ECG features, two models were evaluated on a test group of nine patients. The best result was 80% accuracy with LR. Finally, logistic regression analyses were also performed on the 22 features of the echocardiogram of ninety three FD patients (forty-nine with WMLs). The results confirmed that age is significantly associated with the presence of WMLs. These findings are the first step to demonstrate the potential of machine learning techniques based on gait and cardiac characteristics as a complementary tool to understand the role of WMLs in FD patients.As manifestações cerebrais da doença de Fabry (FD) incluem lesões na matéria branca (WMLs). O objetivo deste estudo é identificar quais as caracteristicas da marcha e cardíacas que permitem diferenciar os pacientes com FD com WMLS de pacientes com FD sem WMLs. Para o estudo da marcha, foram avaliados 76 sujeitos através de sensores vestíveis. Os valores da série temporal das 16 variáveis da marcha foram normalizados usando modelos de regressão múltipla. Usando as 32 medidas de marcha (média e variabilidade), foi aplicado um algoritmo de feature selection seguido de cinco classificadores diferentes (LR, SVM Linear e kernel RBF, RF e KNN). Os algoritmos CNN e LSTM foram implementados utilizando como input os conjuntos de séries temporais da marcha. Para pacientes com FD e com WMLs vs controlos, a maior exatidão de 71,50% foi obtida usando RF. Para pacientes com FD e sem WMLs vs controlos, o melhor desempenho foi observado usando KNN com uma exatidão de 86,67%. Para pacientes com FD com vs sem WMLs, os melhores modelos foram obtidos usando o algoritmo CNN e usando LR com base com uma exatidão de 81,43% e 80,76%, respetivamente. Em relação aos dados cardíacos, foram utilizados os dados de dois exames: o eletrocardiograma (ECG) e o ecocardiograma. Um total de 114 pacientes com FD (61 deste com WMLs) foram avaliados com o exame de ECG. Para pacientes com FD com vs sem WMLs, a maior exatidão foi de 79,72%. Com o uso simultâneo de marcha e ECG, dois modelos foram avaliados com um grupo de teste de nove pacientes. O melhor resultado foi a exatidão de 80% com o algoritmo LR. Finalmente, análises de regressão logística também foram realizadas nas 22 características do ecocardiograma de 93 pacientes com FD (49 com WMLs). Os resultados confirmaram que a idade está significativamente associada à presença de WMLs. Esses resultados demonstram o potencial das técnicas de machine learning baseadas na marcha e nas características cardíacas para entender o papel dos WMLs em pacientes com FD.Bicho, EstelaFerreira, Flora José RochaUniversidade do MinhoBraga, José António Fernandes20212021-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/1822/76863eng202886875info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:00:06Zoai:repositorium.sdum.uminho.pt:1822/76863Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T18:49:55.794048Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Machine learning for differential diagnosis of white matter lesions in Fabry Disease patients based on gait and cardiac characteristics
Machine learning para o diagnóstico de lesões na massa branca em pacientes com Doença de Fabry baseado na marcha e em características cardíacas
title Machine learning for differential diagnosis of white matter lesions in Fabry Disease patients based on gait and cardiac characteristics
spellingShingle Machine learning for differential diagnosis of white matter lesions in Fabry Disease patients based on gait and cardiac characteristics
Braga, José António Fernandes
Fabry disease
Machine learning
White matter lesions
Gait
Cardiac exams
Doença de Fabry
Lesões da matéria branca
Marcha
Exames cardíacos
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
title_short Machine learning for differential diagnosis of white matter lesions in Fabry Disease patients based on gait and cardiac characteristics
title_full Machine learning for differential diagnosis of white matter lesions in Fabry Disease patients based on gait and cardiac characteristics
title_fullStr Machine learning for differential diagnosis of white matter lesions in Fabry Disease patients based on gait and cardiac characteristics
title_full_unstemmed Machine learning for differential diagnosis of white matter lesions in Fabry Disease patients based on gait and cardiac characteristics
title_sort Machine learning for differential diagnosis of white matter lesions in Fabry Disease patients based on gait and cardiac characteristics
author Braga, José António Fernandes
author_facet Braga, José António Fernandes
author_role author
dc.contributor.none.fl_str_mv Bicho, Estela
Ferreira, Flora José Rocha
Universidade do Minho
dc.contributor.author.fl_str_mv Braga, José António Fernandes
dc.subject.por.fl_str_mv Fabry disease
Machine learning
White matter lesions
Gait
Cardiac exams
Doença de Fabry
Lesões da matéria branca
Marcha
Exames cardíacos
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
topic Fabry disease
Machine learning
White matter lesions
Gait
Cardiac exams
Doença de Fabry
Lesões da matéria branca
Marcha
Exames cardíacos
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
description Dissertação de mestrado integrado em Industrial Electronics and Computers Engineering
publishDate 2021
dc.date.none.fl_str_mv 2021
2021-01-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1822/76863
url http://hdl.handle.net/1822/76863
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 202886875
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132266017849344

Registros relacionados