Joshi, L Patnaik, D Shenoy, V Simha, P Rrashmi e K Venugopal, debruçando-se sobre os

maiores fatores de risco responsáveis pelas doenças de Alzheimer e Parkinson, desenvolveram um sistema de classificação dessas mesmas doenças, recorrendo as técnicas Machine Learning e Redes Neuronais Artificiais [56].

Cerca de 890 pacientes foram recrutados pela ADRC (Alzheimer Disease Research

Center), dos quais foram diagnosticados com doença de Alzheimer (60%) ou com doença de

Parkinson (40%), baseando-se no critério NINCDS-ADRDA. Ambos os dados passaram por uma fase de pré-processamento, onde foram verificadas incorreções ou faltas de valores e os dados alfanuméricos foram convertidos para números. Foram usadas várias técnicas de seleção para a escolha dos atributos mais prioritários.

56

Os algoritmos de classificação usados para resolver o problema proposto foram: Decision

Tree; Bagging; BF Tree; Random Forest Tree; RBF Networks, Multilayer Perceptron e Redes

Neuronais, os quais analisaram, para o treino, 487 dados dos pacientes e, para o teste, 290. Foram selecionados 11 atributos, porquanto para diferentes tipos de dados recorreu-se a diferentes métodos de seleção. Para cada conjunto de atributos, foram testados com os algoritmos de classificação descritos e depois comparados.

Os resultados deste trabalho revelam que, para a maioria dos métodos de seleção de dados, o algoritmo que obteve melhor precisão foi Random Forest Tree, apresentando todos os seus resultados acima de 99%. Para a Rede Neuronal, Multilayer Perceptron e RBF Network, a precisão é praticamente igual qualquer que seja o método de seleção de dados.

4.3. Casos de Estudo aplicados à Doença de Parkinson

Por seu turno, quanto aos trabalhos que interligam as RNAs ao estudo da doença de Parkinson, cumpre referir o estudo desenvolvido por K. Fukawa, R. Okuno, M. Yokoe, S. Sakoda e K. Akazawa que, em 2007, estimaram o resultado de tocar de dedos da escala UPDRS, em doentes de Parkinson, recorrendo a uma rede neuronal artificial [57].

Os dados foram recolhidos, mediante o recurso a acelerómetros tri-axiais e sensores de toque, de 17 pacientes diagnosticados com Parkinson e 44 sujeitos saudáveis. Os acelerómetros foram colocados na articulação distal dos dois dedos referidos e os sensores de toque na superfície ventral. Para a realização dos testes, foi pedido aos sujeitos para, com a mão fixa na mesa com o plano do dedo indicador paralelo à mesa, tocarem com os dedos, durante dez segundos; e, posteriormente, para tocarem com os dedos o mais rápido possível, tendo o teste sido executado em ambas as mãos.

A rede neuronal criada continha três camadas e as suas entradas foram as seguintes: desvio padrão dos intervalos de um único toque do dedo; média da velocidade máxima de um único toque do dedo; média da amplitude máxima da distância entre as pontas do dedo indicador e polegar durante o movimento de um único toque do dedo; e, por fim, a força média de contato de um único toque do dedo. A RNA, treinada com o algoritmo Backpropagation, dispôs de 15 neurónios na camada interna e a funções de activação foram, para as estradas, linear, e para a camada interna e saída, sigmóide. Quanto ao treino, os dados foram divididos em duas partes iguais, sendo uma para o treino e outra para o teste.

Em conclusão, verificou-se que é possível estimar o resultado do tocar de dedos da escala UPDRS usando as quatro entradas referidas anteriormente e recorrendo a uma rede neuronal artificial.

Em 2009, G. Rigas, A. Tzallas, D. Tsalikakis, S. Konitsiotis e D. Fotiadis quantificaram o tremor de repouso dos doentes de Parkinson [58].

57

Foram convidados 5 médicos no departamento de neurologia da universidade hospital de Ioannina, para simular o tremor de repouso parkinsoniano, do nível de severidade 1 até ao 4 de acordo com a escala UPDRS. Foram usados quatro acelerómetros, um em cada antebraço e dois no queixo.

Os testes começaram sempre com um período de repouso, seguido de severidade 1 e repouso novamente. Seguiu-se um período de severidade 2 e repouso, então seguiram para severidade 3 e repousaram para finalmente entrar no período de severidade 4. Cada sessão teve a duração de 10 segundos. Por cada pessoa os testes foram repetidos três vezes em cada das seguintes posições: sentado na cadeira, deitado numa cama e em pé.

Como ferramenta de estimação, foi usada uma rede neuronal artificial. Para as suas entradas foram fundidas as informações dos três eixos do acelerómetro. A camada interna tem funções de ativação sigmóides e a saída tem funções lineares. Foram testadas várias arquiteturas para a rede neuronal artificial, sendo que a que obteve melhores resultados foi a de 4 entradas; 8 neurónios na camada interna; e 1 saída.

Este trabalho obteve resultados promissores, sendo certo que a gravação e quantificação da gravidade do tremor de repouso na doença de Parkinson pode, efetivamente, ter implicações clínicas diretas para o diagnóstico e manejo terapêutico.

Em 2010, M. Djuric-Jovicic, N. Jovicic, I. Milovanovic, S. Radovanovic, N. Kresojevic e M.

Popovic usaram uma rede neuronal para classificar os padrões de marcha dos doentes de

Parkinson, baseado nos dados adquiridos por sensores inerciais [59].

Para a recolha dos dados usados, foram utilizados sensores inerciais, contendo acelerómetro e giroscópios, que foram colocados literalmente em cada segmento dos membros inferiores. A recolha de dados foi realizada em quatro doentes de Parkinson detentores de historial de FOG e sem conhecimento de quaisquer reduções cognitivas. Os testes consistiram em levantar-se da cadeira, andar num corredor, passar uma porta, virar 180º pelo lado direito, andar de volta até à cadeira, manter-se em pé e sentar-se novamente.

A rede neuronal, perceptron de uma camada, com 100 entradas (variáveis adquiridas do giroscópio da coxa) e uma função de performance hardlim, é usada para a distinção de marchas regulares de outros tipos de marcha. Quando é detetado movimento no pé, é usada a combinação da saída da rede neuronal (tipo de marcha - regular ou não) com alguns cálculos de deslocamento do pé, distinguindo assim os tipos de passo: normal, passos pequenos ou passos aleatórios. Quando não é detetado movimento no pé, são usados os restantes módulos para distinguir o equilíbrio: normal, acinesia e festinação.

O sistema carece ainda de ser testado num número maior de doentes, a fim de poder obter a sua validação e, futuramente, poderão ser implementadas algumas técnicas para cessar o FOG, sempre que este seja detetado, como por exemplo: toque, som repentino, bem como luz de incentivo.

58