MoCADiD

PID2021-122687OA-I00

Modelo Computacional del Aprendizaje y la Degeneración del Movimiento Humano para su Aplicación en Diagnóstico Clínico Computational Model of Human Movement Learning and Degeneration for Clinical Diagnosis

Modelo Computacional del Aprendizaje y la Degeneración del Movimiento Humano para su Aplicación en Diagnóstico Clínico Computational Model of Human Movement Learning and Degeneration for Clinical Diagnosis

Este proyecto pretende lograr un nuevo modelo computacional que simule el aprendizaje y degeneración del movimiento humano, capaz de mostrar a los clínicos, de manera transparente, las diferencias imperceptibles entre diferentes tipos de trastornos del neurodesarrollo o entre enfermedades neurodegenerativas similares, con el fin obtener como resultado nuevas herramientas diagnosticas validadas por ellos. El desarrollo de una nueva generación de dispositivos móviles ha incrementado las posibilidades de obtener información del movimiento humano gracias a los múltiples sensores disponibles en estos dispositivos (pantalla táctil, micrófonos, acelerómetros, etc.).

Por otro lado, psicólogos y neurólogos demandan, cada vez más, herramientas que les permitan la caracterizar los datos obtenidos por estos dispositivos, con el fin de diferenciar aquellos trastornos que manifiestan síntomas motores comunes, pero corresponden a condiciones psicopatológicas diferentes. Simultáneamente, el desarrollo de los sistemas de Inteligencia Artificial (IA) y Machine Learning (ML) están avanzando rápidamente, permitiendo discriminar automáticamente entre personas sanas y personas con una determinada patología. Sin embargo, estos sistemas no aportan información significativa sobre en qué elementos o factores causales han fundamentado su resultado, siendo esto uno de los problemas que pretende abordar este proyecto.

Este proyecto se va a sustentar en la teoría del modelo motor equivalente (Lashley 1930 y Berstein 1967), la Teoría Cinemática del Movimiento Humano (Plamondon, 1995) y el Modelo de Evolución Temporal de la escritura manuscrita (Carmona, 2017). Aunque estos modelos previos se han demostrados válidos para sintetizar o parametrizar movimientos humanos, no permiten imitar el aprendizaje de patrones complejos de movimiento y su relación en problemas de aprendizaje como el autismo o de neurodegeneración. Para abordar este problema, la hipótesis de este proyecto es que se puede lograr un nuevo modelo válido para cualquier tipo de dificultades de aprendizaje o condición neurodegenerativa e independiente del tipo de rasgo motor que se quiera caracterizar (voz, gesto, escritura), incorporando conceptos de las teorías previas, e imitando cómo el cerebro agrupa los movimientos simples y los sincroniza. Para probar esta hipótesis se desarrollará un sistema compuesto de cuatro módulos que permitan representar: la memoria espacial, la sincronización, la agrupación eficiente de los movimientos, el sistema neuromotor. De esta forma, se podrá generar sintéticamente una trayectoria, velocidad y aceleración similar al que se obtendría de un movimiento realizado por una persona con ciertos tipos de trastornos, y simular todas las fases intermedias de dicho trastorno. Inversamente, el modelo permitirá parametrizar el movimiento obtenido de diferentes tipos de sensores. Para verificar la validez del modelo, por un lado, los resultados irán siendo evaluados por el equipo clínico del proyecto, y, por otro lado, se sintetizarán diferentes tipos de movimientos, que serán evaluados como si fueran reales mediante diferentes métodos de IA que ya han sido validados con datos reales.

El modelo computacional resultante, implementado en dispositivos móviles, puede facilitar la telemedicina, realizar un diagnóstico temprano de ciertas patologías y aligerar la carga del sistema de salud. This project aims to achieve a new computational model that simulates the learning and degeneration of human movement. That will show to clinicians the imperceptible differences among different types of neurodevelopmental disorders or similar neurodegenerative diseases, to get new diagnostic tools validated by them.

The development of a new generation of mobile devices has increased the possibilities to obtain human movement information thanks to the multiple sensors available on these devices (touch screens, microphones, accelerometers). Furthermore, clinicians increasingly demand tools that allow them to characterize the data obtained by these devices to differentiate between disorders that manifest common motor symptoms but correspond to different psychopathological conditions.

Simultaneously, the development of Artificial Intelligence (AI) and Machine Learning (ML) systems is raising, allowing classification between healthy people and people with a certain pathology. However, they do not provide significant information on what elements or causal factors have supported its result, which this project is looking to improve.

This project will be based on the theory of the Equivalent Motor Model (Lashley 1930&Berstein 1967), the Kinematic Theory of Human Movement (Plamondon 1995), and the Temporal Evolution Model of handwriting (Carmona 2017). Although these previous models have been shown to be valid for synthesizing or parameterizing human movements, they do not allow us to imitate the learning of complex movement patterns and their effect on learning problems such as autism or neurodegeneration. To address this problem, the hypothesis of this project is that by incorporating concepts of previous theories, and imitating how the brain groups simple movements and synchronizes them, we can work out a novel model suitable for any type of learning difficulties or neurodegenerative condition and independently of the type of motor trait to be characterized (voice, gesture, writing). To test this hypothesis, we can develop a system with four blocks representing: spatial memory, synchronization, system to group movements efficiently, and the neuromotor system. This way, it will be possible to synthesize the trajectory, speed, and acceleration similar to that present in a movement carried out by a person with certain disorders, and simulate all the intermediate phases. Inversely, the model will allow parameterizing the movement got from different types of sensors. To test it, the results will be evaluated by the clinical team of the project. Also, different types of movements will be synthesized, which will be evaluated with IA by international teams. Once implemented in mobile devices, the resulting computational model can facilitate telemedicine, making an early diagnosis of certain pathologies and lightening the burden on the health system.