تشخیص بیماری پارکینسون با استفاده از تکنیک یادگیری عمیق و طبقه بندی کننده ماشین بردار پشتیبان

بیماری پارکینسون یک اختلال عصبی پیش رونده است که به طور عمده سیستم حرکتی بدن را تحت تاثیر قرار می دهد. این بیماری با کاهش تولید دوپامین در مغز مرتبط بوده که منجر به بروز علائم مشخصی همچون لرزش، کندی حرکت، سفتی عضلات و مشکلات در حفظ تعادل می شود. علاوه بر این، پارکینسون می تواند علائم غیرحرکتی مانند افسردگی، اضطراب و اختلالات خواب را نیز ایجاد کند. یک ابزار مهم برای تشخیص پارکینسون نوار مغز یا الکتروانسفالوگرام (EEG) می باشد که آزمایشی است که ناهنجاری ها و مشکلات موجود در امواج مغزی یا فعالیت الکتریکی مغز بیماران را تشخیص می دهد. فعالیت مغز با تولید بارهای الکتریکی بسیار کوچکی همراه است. بسیاری از مشکلات و بیماری های مغزی از طریق بررسی این بارهای الکتریکی قابل تشخیص هستند. روش های یادگیری عمیق مهمترین و متداولترین روش ها برای تشخیص خودکار بدون دخالت دست می باشند. روز به روز به اهمیت و استفاده از این روش ها افزوده می شود. در این مقاله با استفاده از روش یادگیری عمیق بر مبنای شبکه عصبی کانولوشن به استخراج ویژگی از تصویر زمان فرکانس سیگنال های مغز پرداخته و توسط طبقه بندی کننده ماشین بردار پشتیبان (SVM) با درصد ۹۹.۶۷ به تشخیص بیماری پارکینسون می پردازد.

کلیدواژه ها:

بیماری پارکینسون ، شبکه عصبی کانولوشن ، یادگیری عمیق ، سیگنال EEG