Fecha de alta en el repositorio: 2023-05-04
Resumen: En el presente proyecto, se desarrollan algoritmos de aprendizaje supervisado capaces de clasificar de forma objetiva a los pacientes de la Enfermedad de Parkinson en función del avance de su enfermedad, utilizando los datos proporcionados por sensores de movimiento colocados sobre cada uno de los pacientes estudiados. Además, se emplean los datos de evaluación en consulta obtenidos por un neurólogo. Conocer de forma objetiva la evolución de la Enfermedad de Parkinson es esencial para poder mejorar de la calidad de vida del paciente y su entorno.
Materia: Parkinson, Malaltia de
Idioma: spa
Codirector del trabajo: Perez, Carlos
Áreas temáticas: Bioquímica y biotecnología Biochemistry and biotechnology Bioquímica i biotecnologia
Departamento: Enginyeria Mecànica
Estudiante: Gonzalez Sanchez, Soraya
Curso académico: 2021-2022
Título en diferentes idiomas: Evaluación objetiva del avance en la Enfermedad de Parkinson mediante el análisis de características de la señal de un acelerómetro en monitorizaciones de vida diaria de pacientes Objective assessment of Parkinson’s Disease progression through feature analysis of the signal of an accelerometer monitoring daily patient’s life Evaluació objectiva de l'avenç de la malaltia del Parkinson mitjançant l'analisi de caracteristiques de la senyal d'un accelerometre en monitoritzacions de vida diaria de pacients
Fecha de la defensa del treball: 2022-09-14
Derechos de acceso: info:eu-repo/semantics/closedAccess
Palabras clave: Enfermedad de Parkinson, aprendizaje supervisado, Python Parkinson´s Disease, supervised learning, Python Malaltia de Parkinson, aprenentatge supervisat, Python
Confidencialidad: Si
Título en la lengua original: Evaluación objetiva del avance en la Enfermedad de Parkinson mediante el análisis de características de la señal de un acelerómetro en monitorizaciones de vida diaria de pacientes
Director del proyecto: Valls, Aïda
Enseñanza(s): Enginyeria Biomèdica
Entidad: Universitat Rovira i Virgili (URV)
Repositori URV