تشخیص پارکینسون از روی دستخط با استفاده از روش یادگیری ماشین

بیماری پارکینسون یکی از شایع ترین اختلالات پیشرونده عصبی است که با تغییراتی در کنترل حرکتی، سرعت حرکت، فشار قلم، لرزش و پیوستگی دستخط همراه است. هدف این پژوهش، طراحی و ارزیابی یک مدل یادگیری عمیق انتهابه انتها برای تشخیص پارکینسون از سیگنال های پویای دستخط دیجیتال و کاهش وابستگی به استخراج دستی ویژگی ها بود. مدل پیشنهادی از ترکیب شبکه کانولوشنی یک بعدی، حافظه بلندمدت دوسویه و سازوکار توجه (CNN–BiLSTM–Attention) تشکیل شد. بخش کانولوشنی وظیفه استخراج الگوهای حرکتی محلی، لایه های BiLSTM وظیفه یادگیری وابستگی های زمانی دوسویه و سازوکار توجه وظیفه وزن دهی به بخش های مهم توالی را بر عهده داشتند. داده های ۷۷ آزمودنی شامل ۶۲ بیمار مبتلا به پارکینسون و ۱۵ فرد سالم از مجموعه داده UCI Parkinson Disease Spiral Drawings استفاده شد. پس از کنترل کیفیت، پیش پردازش، بازنمونه برداری با نرخ ۱۰۰ هرتز و قطعه بندی، ۲۰۲ توالی و ۱۵۳۹ پنجره زمانی به دست آمد. برای جلوگیری از نشت اطلاعات، تقسیم داده ها و اعتبارسنجی متقابل پنج بخشی در سطح آزمودنی انجام شد و نرمال سازی فقط بر اساس داده های آموزش هر بخش صورت گرفت. عملکرد مدل پیشنهادی با SVM، جنگل تصادفی، ۱D-CNN، LSTM، CNN–BiLSTM و بازپیاده سازی مدل LSTM–CNN مقاله پایه مقایسه شد. مدل پیشنهادی به دقت ۸۹.۶۱ درصد، دقت متوازن ۸۸.۴۹ درصد، حساسیت ۹۰.۳۲ درصد، ویژگی ۸۶.۶۷ درصد، امتیاز F۱ برابر ۰.۹۳۳ و سطح زیر منحنی ROC برابر ۰.۹۷۲ دست یافت. افزودن سازوکار توجه، دقت متوازن مدل CNN–BiLSTM را حدود ۱.۶۱ واحد درصد افزایش داد؛ بااین حال، این بهبود از نظر آماری معنادار نبود. جنگل تصادفی بالاترین دقت متوازن را به دست آورد و بازپیاده سازی مقاله پایه نیز اندکی بهتر از مدل پیشنهادی عمل کرد. نتایج نشان می دهد مدل پیشنهادی روشی رقابتی و امیدوارکننده برای کمک به غربالگری پارکینسون بر اساس دستخط پویاست؛ بااین حال، تایید برتری و کاربرد بالینی آن به داده های متنوع تر و اعتبارسنجی خارجی نیاز دارد.

کلیدواژه ها:

بیماری پارکینسون ، دستخط دیجیتال ، یادگیری عمیق ، شبکه کانولوشنی یک بعدی ، حافظه بلندمدت دوسویه ، سازوکار توجه ، تشخیص رایانه ا