Parkinson's disease (PD) is a neurological disease that affects the motor system. Associated motor symptoms are muscle stiffness, bradykinesia, tremors, and gait disorders. The correct diagnosis, especially in the early stages, is fundamental for the quality of life of the individual with PD. However, the methods used for the diagnosis of PD are still based on subjective criteria with the use of scales such as the Unified Parkinson Disease Rating Scale (UPDRS). Therefore, the aim of this study is to verify whether a combination of characteristics extracted from signals from inercial sensors, through tremor at rest of the wrist, can discriminate data from individuals with PD from data of individuals without PD (in this study considered healthy). This study has the participation of 27 individuals, 15 with PD in the early stages (Hoehn and Yahr score 1 and 2) and 12 individuals without PD. Two units of inercial measurement (IMU) were positioned in the most tremor-affected limb in the population with PD and in the dominant limb of individuals without PD. One IMU was positioned on the back of the hand and the other on the posterior region of the forearm. The IMUs used in this study are equipped with three sensors, each, an accelerometer, a gyroscope and a magnetometer, so the complete system consists of 6 sensors. All 3 sensors are capable of detecting movement along the 3 axes. The characteristics extracted from the data are related to signal amplitude, frequency, entropy, variability and distribution form. In total, 108 characteristics were extracted (18 for each sensor). To assist in the classification process, tests were performed with different percentages of the extracted characteristics, according to the importance of these characteristics for the classification of individuals. The importance of the characteristics was determined by the Relief function of the software R. The analysis started with 10% of the most important characteristics, with an increase of 10 in 10% until reaching 100%. During the increment process, the sensitivity, specificity, accuracy and accuracy of the classifiers used were calculated. The classifiers used were: Random Forest (RF), Support Vector Machine (SVM), K-Nearest Neighbor (KNN) and Naive Bayes (NB). The highest percentages of sensitivity and accuracy (86.6% and 84.4% respectively) were obtained with a combination of 10% of the characteristics by the KNN classifier. For precision and specificity (95.3% and 92.8%, respectively) the best results were obtained with NB using 100% of the characteristics. In view of the results obtained, it was possible to conclude that patients in early stages of PD can be successfully diagnosed using inercial sensors and classifiers for tremor at rest of the wrist.Tese (Doutorado)A doença de Parkinson (DP) é uma doença neurológica que afeta o sistema motor. Os sintomas motores associados são rigidez muscular, bradicinesia, tremores e distúrbios da marcha. O diagnóstico correto, especialmente nos estágios iniciais, é fundamental para a qualidade de vida do indivíduo com a DP. No entanto, os métodos utilizados para o diagnóstico da DP ainda são baseados em critérios subjetivos com o uso de escalas como por exemplo a Unified Parkinson Disease Rating Scale (UPDRS). Portanto, o objetivo deste estudo é verificar se uma combinação de características extraídas de sinais de sensores inerciais, por meio do tremor em repouso do punho conseguem discriminar dados de indivíduos com DP dos dados de indivíduos sem a DP (neste trabalho considerado saudáveis). Este trabalho conta com a participação de 27 indivíduos sendo 15 com a DP nos estágios iniciais (escore Hoehn and Yahr 1 e 2) e 12 indivíduos sem a DP. Duas unidades de medição inercial (IMU) foram posicionadas no membro mais acometido por tremor na população com a DP e no membro dominante dos indivíduos sem a DP. Um IMU foi posicionado sobre o dorso da mão e o outro na região posterior do antebraço. Os IMUs usados neste estudo são dotados de três sensores, cada um, um acelerômetro, um giroscópio e um magnetômetro, assim o sistema completo é formado por 6 sensores. Todos os 3 sensores são capazes de detectar movimento ao longo dos 3 eixos. As características extraídas dos dados estão relacionadas com a amplitude do sinal, frequência, entropia, variabilidade e forma de distribuição. No total, 108 características foram extraídas (18 para cada sensor). Para auxiliar no processo de classificação, foram feitos testes com diferentes porcentagens das características extraídas, de acordo com a importância dessas características para a classificação dos indivíduos. A importância das características foi determinada pela função Relief do software R. A análise teve início com 10% das características consideradas mais importantes, havendo um incremento de 10 em 10% até chegar a 100%. Durante o processo de incremento, foi calculada a sensibilidade, especificidade, precisão e acurácia dos classificadores utilizados. Os classificadores utilizados foram: Random Forest (RF), Support Vector Machine (SVM), K-Nearest Neighbor (KNN) e Naive Bayes (NB). Os percentuais mais altos de sensibilidade e acurácia (86,6% e 84,4% respectivamente) foram obtidos com uma combinação de 10% das características pelo classificador KNN. Para a precisão e especificidade (95,3% e 92,8% respectivamente) os melhores resultados foram obtidos com o NB usando 100% das características. Tendo em vista os resultados obtidos foi possível concluir que, os pacientes em estágios iniciais da DP podem ser diagnosticados com sucesso usando sensores inerciais e classificadores para o tremor em repouso de punho.