تشخیص خودکار شدت اختلالات حرکتی بیماری پارکینسون با استفاده از مدل سلسله مراتبی بدون نظارت و شبکه های عصبی سایامیز مبتنی بر حسگرهای پوشیدنی

ماهیت پویای اختلالات حرکتی بیماری پارکینسون، ارزیابی های بالینی مبتنی بر معیار UPDRS را به فرآیندی زمان بر و وابسته به تخصص پزشک تبدیل می کند. اگرچه استفاده از حسگرهای پوشیدنی و الگوریتم های یادگیری ماشین راهکاری عینی برای تحلیل این اختلالات ارایه می دهند، اما پیچیدگی الگوهای حرکتی و کمبود داده های برچسب دار، کارایی این مدل ها را، بویژه در کاربرد روش های یادگیری عمیق، با محدودیت های مواجه ساخته است.در این پژوهش یک چارچوب دو مرحله ای به منظور تشخیص و تعیین شدت اختلالات حرکتی بیماری پارکینسون، با تکیه بر استخراج ویژگی بدون نظارت و طبقه بندی مبتنی بر شباهت پیشنهاد شده است. در مرحله ی نخست، از یک مدل استخراج ویژگی سلسله مراتبی بر پایه ی چارچوب بدون سرپرستی HUF بهره گرفته شده که با ترکیب شبکه های پیچشی و خودرمزنگارها، فرآیند استخراج و ادغام ویژگی های حرکتی را به صورت ساختار یافته در سه سطح کانال حسگر، حسگرهای هم مکان و مجموعه حسگرهای دخیل در هر حرکت انجام می دهد. در مرحله ی دوم، به منظور غلبه بر چالش کمبود داده های برچسب دار، رویکردی مبتنی بر فرایادگیری و شبکه های سایامیز برای طبقه بندی ویژگی ها ارایه شده که در مقابل استفاده مستقیم برچسب داده ها، ویژگی های حرکتی را در یک فضای بازنمایی جدید نگاشت داده و فرآیند تصمیم گیری را بر اساس سنجش میزان شباهت میان توزیع ویژگی ها با یک مجموعه ویژگی های مرجع از پیش تعیین شده مقایسه می کند و کلاس با بیشترین شباهت را بر می گزیند.مدل پیشنهادی بر روی مجموعه داده ی PD-BIOSTAMP برای سه آزمون حرکتی شامل راه رفتن، و چرخش مچ دست راست و چپ مورد ارزیابی قرار گرفت. نتایج در حالت تشخیص پارکینسون، به ترتیب به صحت های ۹۰٪، ۹۳٪ و ۸۶٪ دست یافته است. همچنین در حالت تعیین سطح بیماری، با اتخاذ راهبرد طبقه بندی سلسله مراتبی یکی-مقابل-یکی، صحت های ۷۹٪، ۷۴٪و ۷۷٪ به ترتیب برای سه حرکت مذکور حاصل شد. این نتایج اثبات می کند که چارچوب بدون سرپرست پیشنهادی، توانایی بالایی در استخراج و طبقه بندی الگوهای حرکتی با استفاده از داده های چندکاناله ی حسگرهای پوشیدنی دارد.

کلیدواژه ها:

بیماری پارکینسون ، یادگیری عمیق ، مدل سلسله مراتبی ، طبقه بندی بر پایه ی طبیق الگو ، خودرمزنگار ، شبکه ی کانولوشنالی ، حسگر پوشیدنی