Parkinson sEMG signal prediction and generation with Neural Networks

A Doença de Parkinson (DP) é uma doença neurodegenerativa caracterizada por sintomas como tremores de repouso e de ação, que causam graves prejuízos à vida do paciente. Recentemente, diversas dispositivos assistivos têm sido propostos para minimizar o impacto da doença na vida dos pacientes. No entanto, a maioria desses depende de dados da eletromiograa de superfície (sEMG) do paciente, que são escassos. Neste trabalho, propomos os primeiros métodos, baseados em Redes Neurais, para prever e gerar sinais de sEMG de pacientes com Parkinson (PP). Ainda, aprendemos o estilo do tremor no sinal de sEMG destes pacientes, transferindo o mesmo para criar novas amostras a partir de dados de pacientes saudáveis. Esta dissertação contribui para a área i) comparando diferentes modelos para predizer sinais sEMG de pacientes com Parkinson para antecipar padrões de tremor em repouso; ii) propondo a primeira abordagem baseada em Redes Adversariais Generativas Convolucionais Profundas (DCGANs) para gerar sinais de sEMG da doença de Parkinson; iii) aplicando a transferência de estilo (ST) para aumentar o conjunto de sinais sEMG de PPs a partir de dados disponíveis publicamente de indivíduos nãoPP; iv) propondo uma métrica para avaliar a caracterização do sinal de sEMG da doença de Parkinson. Os novos dados criados por nossos métodos podem validar abordagens de tratamento em diferentes cenários de movimento, contribuindo para o desenvolvimento de novas técnicas de supressão de tremor em pacientes.