تشخیص پارکیسنون براساس الگوی حرکتی با استفاده از هوش مصنوعی

بیماری پارکینسون به عنوان یک اختلال عصبی پیش رونده شناخته می شود که منجر به اختلالات حرکتی می گردد. با توجه به اهمیت تشخیص زودهنگام و دقیق برای مدیریت موثر این بیماری، رویکردی نوین برای شناسایی و پیش بینی مرحله پیشرفت پارکینسون پیشنهاد شده است. در این مطالعه، سیگنال های راه رفتن با استفاده از الگوریتم تجزیه حالت ذاتی (EMD) پردازش گردیده و از شبکه عصبی عمیق ترکیبی CNN-LSTM به منظور استخراج ویژگی های زمانی بهره گرفته شده است. داده های حرکتی از طریق شانزده حسگر نیرو که در زیر پای چپ و راست ۹۳ فرد مبتلا به پارکینسون و ۷۳ فرد سالم نصب شده بود، گردآوری و پیش پردازش شده اند. سپس مولفه های فرکانسی ذاتی استخراج گردیده اند. برای ارزیابی عملکرد مدل، از دو رویکرد آموزشی استفاده شده است: نخست، تقسیم ساده داده ها به مجموعه های آموزش و آزمون؛ و دوم، روش اعتبارسنجی متقابل K-Fold. ویژگی های زمانی مرتبط با پیشرفت بیماری توسط ساختار CNN-LSTM استخراج گردیده اند. بر اساس نتایج به دست آمده، مدل مبتنی بر اعتبارسنجی متقابل با دقت ۹۶.۴۴٪ عملکرد بهتری نسبت به مدل ساده با دقت ۸۴.۲۷٪ ارائه داده است. این نتایج بر قابلیت بالای مدل پیشنهادی به عنوان ابزاری هوشمند، غیرتهاجمی و پشتیبان تصمیم گیری بالینی برای تشخیص و مرحله بندی بیماری پارکینسون دلالت دارند

کلیدواژه ها:

Parkinson ، Gait Signal ، Neural Network ، Disease diagnosis ، پارکیسنون ، سیگنال راه رفتن ، شبکه عصبی ، تشخیص بیماری