تشخيص رفتارهاي غيرعادي در بيماران زوال عقل و بررسي علائم اوليه آن در خانه هوشمند

Detection of Abnormal Behaviors in Patients with Dementia and Preliminary Symptoms in Smart Home

مقدمه تعداد افراد سالمندي كه نياز به كمك در رفتارهاي روزمره خود دارند به سرعت در حال افزايش است. بيماري زوال عقل يكي از مهم ترين علل ناتواني در سالمندان است كه شيوع آن هزينه هاي بسيار بالايي بر جوامع بشري تحميل كرده است. هدف اين تحقيق استفاده از فناوري خانه هوشمند براي نظارت بر رفتار سالمند، شناسايي رفتارهاي غيرعادي و كشف علائم اوليه بيماري زوال عقل قبل از وقوع بيماري است. تشخيص زودهنگام بيماري زوال عقل در مراحل اوليه مي تواند باعث بهبود بالا در درمان آن و منجر به تاخير بيماري شود. روش اين مقاله از نوع كاربردي و به روش توصيفي- تحليلي انجام شد و با استفاده از تكنيك هاي يادگيري ماشين، رفتار هاي غيرعادي و علائم اوليه بيماري زوال عقل تشخيص داده شد. براي تشخيص رفتارهاي غيرعادي از الگوريتم kmedoide و براي بررسي كيفيت خواب به عنوان علائم اوليه بيماري زوال عقل، از پرسشنامه معتبر PSQI و براي پياده سازي از نرم افزار Matlab نسخه 2012 استفاده شد. نتايج نتايج در بخش رفتارهاي غيرعادي نشان مي دهد الگوريتم هاي خوشه بندي كارآيي بالايي در تشخيص رفتارهاي غيرعادي در خانه هوشمند داشته و همچنين نتايج در بخش بررسي علائم اوليه منجر به تشخيص خواب ضعيف فرد سالمند در پرسشنامه PSQI به عنوان علائم اوليه بيماري زوال عقل گرديد. نتيجه گيري با استفاده از فناوري سيستم تحت نظارت خانه هوشمند مي توان رفتار سالمندان را تشخيص داد. رفتارهاي غيرعادي آن ها را شناسايي كرد و علائم اوليه بيماري هايي نظير زوال عقل را كشف نمود.

Introduction: The number of elderly people who need help in their daily routines is increasing rapidly. Dementia is one of the most important causes of disability in elderly people and its outbreak has been a major burden on human societies. The purpose of this research was using intelligent home technology to monitor elderly behaviors, identify abnormal behaviors, and discover the initial signs of dementia before the onset of the disease. Early diagnosis of dementia at an early stage can lead to a high improvement in its treatment and delay the disease. Method: In this applied, descriptive-analytic study, the abnormal behavior and early symptoms of dementia were identified using machine learning techniques. The kmedoide algorithm was used to analyze abnormal behaviors and to assess the quality of sleep as the primary symptoms of dementia, the valid PSQI questionnaire was used. Matlab 2012 was used for implementation. Results: The results in the abnormal behavioral section indicated that clustering algorithms have high efficacy in detecting abnormal behavior in smart home, and also results in early symptom examinations led to poor sleep recognition in the PSQI as a primary symptom of dementia. Conclusion: The behavior of the elderly, their abnormal behavior and early signs of diseases such as dementia can be recognized using the technology of the system under the supervision of the smart home.