Hand Tremor Characterization from a Spatiotemporal Convolutional Representation

Caracterización del temblor de manos a partir de una representación espaciotemporal de carácter convolucional

Abstract Available Metrics References How to Cite

Abstract (en)

Context: Parkinson’s Disease (PD) is a neurodegenerative disorder related to dopamine deficiency that mainly entails motor conditions such as slowness of movement, postural instability, limb tremor, rigidity, and a decreased range of motion. Tremor, defined as a rhythmic and uncontrolled movement of limbs, is the most prevalent symptom in PD. In the clinical routine, tremors are assessed and quantified by observing the hands following postural and resting patterns. These configurations include voluntary muscular contractions and tremor perception reduction, which leads to noisy signals. The assessments are also subjective and depend on the expertise of professionals to determine whether the tremor is associated with PD.

Method: This work introduces a deep volumetric representation that characterizes PD tremor patterns in resting and postural recording conditions. The strategy includes a convolutional architecture that extracts spatiotemporal patterns correlated with tremor, propagated through different layers until discrimination between PD and control subjects is achieved. Moreover, a set of explainability maps is computed by backpropagating output gradients into convolutionally learned spatio-temporal maps.

Results: The method was evaluated on 80 videos (five PD patients and five control subjects), reporting an average accuracy of 92.5% and a perfect sensitivity score in the postural configuration. As for the resting scheme, the proposed method obtained an average accuracy of 90% and sensitivity of 80%.

Conclusions: This approach showed efficacy regarding the localization of tremor patterns, recovering movement information while preserving the spatial and temporal representation. The strategy allows visualizing movement patterns from explainability maps of control subjects and PD patients.

Abstract (es)

Contexto: La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo relacionado con la deficiencia de dopamina que conlleva principalmente afecciones motoras como lentitud de movimientos, inestabilidad postural, temblor de las extremidades, rigidez y disminución del rango de movimiento. El temblor, definido como un movimiento rítmico e incontrolado de las extremidades, es el síntoma más prevalente de la EP. En la rutina clínica, los temblores se evalúan y cuantifican observando las manos siguiendo patrones posturales y de reposo. Estas configuraciones incluyen contracciones musculares voluntarias y reducción de la percepción del temblor, lo que conduce a señales ruidosas. Las evaluaciones también son subjetivas y dependen de la experiencia de los profesionales para determinar si el temblor está asociado a la EP.

Método: Este trabajo introduce una representación volumétrica profunda que caracteriza los patrones de temblor en la EP en condiciones de registro en reposo y posturales. La estrategia incluye una arquitectura convolucional que extrae patrones espaciotemporales correlacionados con el temblor, los cuales se propagan a través de diferentes capas hasta lograr la discriminación entre sujetos con EP y sujetos control. Además, se calcula un conjunto de mapas de explicabilidad retropropagando los gradientes de salida hacia los mapas espaciotemporales aprendidos de forma convolucional.

Resultados: El método fue evaluado en 80 videos (cinco pacientes con EP y cinco sujetos control), reportando una precisión promedio del 92.5 % y una puntuación de sensibilidad perfecta en la configuración postural. En cuanto al esquema en reposo, el método propuesto obtuvo una precisión promedio del 90 % y una sensibilidad del 80 %.

Conclusiones: Este enfoque mostró eficacia en la localización de los patrones de temblor, recuperando información de movimiento mientras preservaba la representación espacial y temporal. La estrategia permite visualizar los patrones de movimiento a partir de mapas de explicabilidad tanto de sujetos control como de pacientes con EP.