ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Parkinson disease detection during gaiting based on RQA features and SVM classifier

سال انتشار: 1398
کد COI مقاله: ICBME26_005
زبان مقاله: انگلیسیمشاهد این مقاله: 167
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

خرید و دانلود فایل مقاله

متن کامل (فول تکست) این مقاله منتشر نشده و یا در سایت موجود نیست و امکان خرید آن فراهم نمی باشد.

مشخصات نویسندگان مقاله Parkinson disease detection during gaiting based on RQA features and SVM classifier

Najmeh Shahraki - Department of Biomedical Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran
Parisa Hosseini - Department of Biomedical Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran
Ehsan Tahami - Department of Biomedical Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran

چکیده مقاله:

Parkinson’s disease (PD) is a degenerative disorder of central nervous system that affects movements. Thus Gait analysis plays an important role in early diagnosing PD. Data were collected from a Physionet database consisting of force sensors positioned under subjects’ feet while walking. Data were filtered using a Chebyshev type II high pass filter with a cut-off frequency 0.8. Nonlinear methods are being researched due to nonlinear and dynamic nature of signals. In this study four main features based on Recurrence Quantification Analysis (RQA) such as RR (Recurrence rate), DET (determinism), L (mean diagonal line length) and ENTR (entropy) are selected. Features were extracted from data in order to classify patients with PD and healthy control subjects. Then Principal component analysis (PCA) method is used to construct the linear combination of features to improve the accuracy of classification. Finally SVM (support vector machine) classifier is applied. Results showed that proposed features could effectively distinguish between the two group of subjects with PD and healthy control subjects and SVM with linear kernel with accuracy of about 87.50 % had a best accuracy between other types of SVMs.

کلیدواژه ها:

classifier; Gait analysis; Parkinson disease; RQA

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1011495/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Shahraki, Najmeh and Hosseini, Parisa and Tahami, Ehsan,1398,Parkinson disease detection during gaiting based on RQA features and SVM classifier,بیست و ششمین کنفرانس ملی و چهارمین کنفرانس بین المللی مهندسی‌ زیست پزشکی ایران,تهران,,,https://civilica.com/doc/1011495

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1398, Shahraki, Najmeh؛ Parisa Hosseini and Ehsan Tahami)
برای بار دوم به بعد: (1398, Shahraki؛ Hosseini and Tahami)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه آزاد
تعداد مقالات: 9,294
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی