تشخیص بیماری پارکینسون با استفاده از تحلیل سیگنال های الکتروانسفالوگرام مبتنی بر تبدیل والش هادامارد

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 398

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IMPCS-2-2_007

تاریخ نمایه سازی: 20 دی 1401

چکیده مقاله:

بیماری پارکینسون یکی از مهم ترین بیماری های سیستم عصبی است که به دلیل انحطاط نورون های دوپامینرژیک در جسم سیاه مغز رخ می دهد. از آنجایی که این بیماری درمان قطعی ندارد، بنابراین تشخیص کلینیکی و به موقع آن می تواند در کند نمودن سیر پیشرفت بیماری و ارائه راهکارهای کنترلی برای بهبود کیفیت زندگی بیماران نقش اساسی ایفا کند. در این مطالعه از تحلیل سیگنال الکتروانسفالوگرام به عنوان یک مشخصه کم هزینه، غیرتهاجمی و قابل اعتماد برای تشخیص استفاده شده است. روش پیشنهادی بر مبنای استخراج اطلاعات فرکانسی سیگنال به کمک تبدیل والش و محاسبه مجموعه ای از ویژگی ها مانند آنتروپی، معیارهای تکانش، ویژگی های آماری پایه و مرتبه بالا از ضرایب استخراج شده است. سپس، برای ارزیابی قدرت تفکیکی روش ارائه شده، از ماشین بردار پشتیبان و k نزدیک ترین همسایگی به منظور تفکیک بیماران از گروه سالم استفاده شده است. قابلیت تشخیص روش با استفاده از داده های الکتروانسفالوگرام ۲۸ فرد سالم و ۲۸ بیمار مبتلا به پارکینسون در حین انجام تکلیف یادگیری-تقویتی مورد ارزیابی قرار گرفته است. نتایج به دست آمده نشان داده است که روش پیشنهادی قادر است با استفاده از ویژگی آنتروپی، ماشین بردار پشتیبان و k نزدیک ترین همسایگی بیماری پارکینسون را به ترتیب با صحت بالای ۹۹.۹۵% و ۹۹.۹۸% تشخیص دهد.

نویسندگان

یاسمین اعزازی

دانشجو کارشناسی ارشد، دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند

پیوند قادریان

دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • A. P. S. de Oliveira, M. A. de Santana, M. ...
  • X. Wang, Y. Zhang, C. Zhu, G. Li, J. Kang, ...
  • A. M. Maitín, A. J. García-Tejedor, and J. P. R. ...
  • L. Luu, P. Pham, and T. Q. Le, "Feature Extraction ...
  • J. Jankovic, "Parkinson’s disease: clinical features and diagnosis," Journal of ...
  • O.-B. Tysnes and A. Storstein, "Epidemiology of Parkinson’s disease," Journal ...
  • W. Poewe, K. Seppi, C. M. Tanner, G. M. Halliday, ...
  • S. Bhat, U. R. Acharya, Y. Hagiwara, N. Dadmehr, and ...
  • H. Railo, I. Suuronen, V. Kaasinen, M. Murtojarvi, T. Pahikkala, ...
  • R. Yuvaraj, M. Murugappan, N. M. Ibrahim, K. Sundaraj, M. ...
  • R. Yuvaraj and M. Murugappan, "Hemispheric asymmetry non-linear analysis of ...
  • A. Saikia, V. Majhi, M. Hussain, A. R. Barua, and ...
  • M. Subathra, M. A. Mohammed, M. S. Maashi, B. Garcia-Zapirain, ...
  • V. K. Dave, V. Vakharia, and S. Singh, "Ball Bearing ...
  • D. Sawant, V. Padwal, J. Joshi, T. Keluskar, R. Lalwani, ...
  • D. R. Brown, S. P. Richardson, and J. F. Cavanagh, ...
  • V. Dave and V. Vakharia, "Fault Diagnosis of Ball Bearing ...
  • N. Ahmed and K. R. Rao, Orthogonal transforms for digital ...
  • X. Xiang, J. Zhou, X. An, B. Peng, and J. ...
  • S. Sareen, S. K. Sood, and S. K. Gupta, "An ...
  • A. Shoeibi, N. Ghassemi, R. Alizadehsani, M. Rouhani, H. Hosseini-Nejad, ...
  • D. A. Pisner and D. M. Schnyer, "Support vector machine," ...
  • S. Abe, Support vector machines for pattern classification vol. ۲: ...
  • P. Cunningham and S. J. Delany, "k-Nearest neighbour classifiers: (with ...
  • A. Tharwat, "Classification assessment methods," Applied Computing and Informatics, ۲۰۲۰ ...
  • S. L. Oh, Y. Hagiwara, U. Raghavendra, R. Yuvaraj, N. ...
  • S. K. Khare, V. Bajaj, and U. R. Acharya, "PDCNNet: ...
  • R. Yuvaraj, U. R. Acharya, and Y. Hagiwara, "A novel ...
  • نمایش کامل مراجع