▷ EyeTracker Classification of subjects with Parkinson's using Machine Learning #ML based on #FPGA

 

⭐⭐⭐⭐⭐ EyeTracker Classification of subjects with Parkinson's using Machine Learning #ML based on #FPGA



✅ Objectives:
  • Caracterizar las señales EEG y EMG en el dominio del tiempo.
  • Comparar el desempeño de uno o más algoritmos de clasificación.
  • Medir los tiempos de procesamiento, % de CPU utilizado y % de memoria utilizada, en el procesador NIOSII, ARM ó ambos, según sea el caso (radar chart).
✅ Goals:
  • Implementar un Sistema Embebido basado en #FPGA que lea datos preprocesados (.csv o .mat) almacenados en memoria Double Data Rate 3 Synchronous Dynamic Random-Access Memory #DDR3_SDRAM, el acceso se lo realizará a través del Hard Processor System #HPS. El proceso de entrenamiento del clasificador podrá ser realizado en computador convencional, luego el modelo entrenado en C++ deberá ser ejecutado por el procesador NIOSII en la #FPGA. El sistema deberá tener como salida un monitor VGA ó HDMI que muestre los resultados de la clasificación de forma clara, los algoritmos de clasificación que puede utilizar el estudiante son: #k_means, #k_medoids, #DBSCAN, Spectral Clustering, Hierarchical Clustering, #SVM ó Neural Network #NN. El sistema basado en FPGA es quien ejecuta los bloques del clasificador, pero los grupos que tengan estudiantes de telemática, no usarán la salida #VGA ó #HDMI sino deberán acceder a la interfaz visual por medio de una aplicación web desplegada en un servidor de aplicaciones web corriendo en un sistema operativo linux con procesador #ARM.
✅ Abstract:
  • La enfermedad de Parkinson es una enfermedad neurodegenerativa que produce trastornos de movimiento como temblor, principalmente en las manos, brazos, piernas y cara, rigidez, lentitud de los movimientos, problemas de equilibrio y coordinación. Adicionalmente, la enfermedad presenta un inicio unilateral, y de forma idiopática los pacientes presentan estos síntomas en el hemicuerpo izquierdo o derecho. Además, algunos estudios demuestran que los pacientes presentan también movimientos oculares sacádicos anormales [1]–[3] y desórdenes de movimientos oculares durante el sueño [4]–[7]. Actualmente, los métodos de diagnóstico de la enfermedad son basados en los trastornos de movimientos, sin embargo, la identificación temprana de anormalidades en los movimientos oculares podrían ayudar a un diagnóstico diferencial de la enfermedad. El presente trabajo no incluye la etapa de adquisición de señales, utilizaremos datos previamente adquiridos en la universidad de Navarra. Se realizará un procesamiento post adquisición que incluye: caracterización y clasificación [1].
  • La caracterización es el proceso de extraer información relevante durante ventanas temporales equivalentes a la ejecución de las tareas de visualización, se recomienda utilizar el valor RMS. Las ventanas temporales se definen en el experimento durante la adquisición de las señales de EyeTracker, estas señales poseen una mayor potencia en el rango de frecuencia mayores a 100 Hz [2].
  • En la clasificación se utilizan las características más representativas con las que los algoritmos tengan una mejor desempeño. Los algoritmos de clasificación que requieren de etapas previas de preprocesamiento y caracterización pertenecen a los algoritmos de Machine Learning tales como: KNN, Kmeans, dbscan, etc. [2,3]
✅ Reference :
  • [1] O. B. White, J. A. Saint-Cyr, R. D. TOMLINSON, y J. A. SHARPE, «Ocular motor deficits in Parkinson’s disease: II. Control of the saccadic and smooth pursuit systems», Brain, vol. 106, n.o 3, pp. 571–587, 1983.
  • [2] U. P. Mosimann, R. M. Müri, D. J. Burn, J. Felblinger, J. T. O’brien, y I. G. McKeith, «Saccadic eye movement changes in Parkinson’s disease dementia and dementia with Lewy bodies», Brain, vol. 128, n.o 6, pp. 1267–1276, 2005.
  • [3] F. Chan, I. T. Armstrong, G. Pari, R. J. Riopelle, y D. P. Munoz, «Deficits in saccadic eye-movement control in Parkinson’s disease», Neuropsychologia, vol. 43, n.o 5, pp. 784–796, 2005.
  • [4] A. Tan, M. Salgado, y S. Fahn, «Rapid eye movement sleep behavior disorder preceding Parkinson’s disease with therapeutic response to levodopa», Mov. Disord. Off. J. Mov. Disord. Soc., vol. 11, n.o 2, pp. 214–216, 1996.
  • [5] I. Eisensehr, R. Linke, S. Noachtar, J. Schwarz, F. J. Gildehaus, y K. Tatsch, «Reduced striatal dopamine transporters in idiopathic rapid eye movement sleep behaviour disorder: comparison with Parkinson’s disease and controls», Brain, vol. 123, n.o 6, pp. 1155–1160, 2000.
  • [6] C. Pacchetti et al., «Relationship between hallucinations, delusions, and rapid eye movement sleep behavior disorder in Parkinson’s disease», Mov. Disord. Off. J. Mov. Disord. Soc., vol. 20, n.o 11, pp. 1439–1448, 2005.
  • [7] J.-F. Gagnon, R. B. Postuma, S. Mazza, J. Doyon, y J. Montplaisir, «Rapid-eye-movement sleep behaviour disorder and neurodegenerative diseases», Lancet Neurol., vol. 5, n.o 5, pp. 424–432, 2006.
✅ Hardware:
  • (1) #DE10_Standard o #DE10_Nano
  • (1) Monitor VGA / HDMI
✅ Database:
✅ Expertos:  floayza, agabad

Comentarios

Popular Posts

▷ #ESP32 - REAL-TIME CLOCK #RTC INTERNO

▷ Especificaciones del módulo ESP32

▷ #ESP32 - SINCRONIZAR RTC INTERNO CON SERVIDOR NTP

▷ #ESP32 - Display OLED 128x64

▷ #ESP32 - Over-The-Air programming #OTA

▷ #ESP32 - #MQTT (Introducción)

▷ SISTEMAS EMBEBIDOS, PROYECTOS PROPUESTOS (2020 1er Término)

▷ SISTEMAS EMBEBIDOS, PROYECTOS PROPUESTOS (2021 PAO1)

▷ Artificial Intelligence #AI based on #FPGA

▷ PROTEUS PCB DESIGN