تفكيك بيماري هاي نورودژنراتيو با تحليل ديناميك الگوي راه رفتن و رويكردهاي ادغام در سطح ويژگي

هدف: در سال هاي اخير، برخي از مطالعات، تاثير  بيماري ‌هاي نورودژنراتيو بر الگوهاي راه رفتن افراد را با تكنيك هاي پردازش سيگنال و الگوريتم هاي يادگيري ماشين مورد بررسي قرار داده اند. هدف مطالعه حاضر، ارائه يك سيستم خودكار براي تفكيك بيماري هاي هانتينگتون، اسكلروز جانبي آميوتروفيك (Amyotrophic Lateral Sclerosis; ALS) و پاركينسون از گروه كنترل سالم با تحليل ديناميك الگوي راه رفتن (به طور دقيق‌تر، زمان قدم) بوده است. به علاوه، تاثير ادغام ويژگي هاي بدست آمده از پاي چپ و راست افراد را مورد بررسي قرار داديم. روش بررسي: ابتدا، ويژگي‌هاي قطبي از نگاشت هاي پوانكاره تاخيردار استخراج شد. تاخير بهينه اين نگاشت، با استفاده از الگوريتم اطلاعات متقابل تخمين زده شد. سپس، پنج استراتژي ادغام در سطح ويژگي ارائه شد. تفكيك گروه ها با شبكه عصبي رو به جلو انجام شد در حالي كه اثر تغيير پارامتر شبكه نيز مورد بررسي قرار گرفت. سيستم پيشنهادي با استفاده از داده هاي موجود در پايگاه داده فيزيونت ارزيابي شد، كه حاوي 16 ثبت از گروه كنترل (14 زن و 2 مرد؛ 20-74 سال)،20 ثبت از هانتينگتون (14 زن و 6 مرد؛ 29-71 سال)، 13 ثبت از ALS (3 زن و 10 مرد؛ 36-70 سال) و 15 ثبت از پاركينسون (5 زن و 10 مرد؛ 44-80 سال) است. يافته ها:  با چهارمين استراتژي ادغام، صحت 93/47 % در جداسازي گروه هاي كنترل و هانتينگتون بدست آمد. با الگوريتم ادغام دوم، گروه هاي كنترل/ هانتينگتون و كنترل/پاركينسون به ترتيب با نرخ صحت 92/92 % و 91/93 % جدا شدند. بالاترين صحت در الگوريتم ادغام اول 91/72 % در طبقه‌بندي گروه كنترل و ALS بود. سومين الگوريتم ادغام نيز توانست درصد صحت طبقه بندي 91/13 % در جداسازي دو گروه كنترل و هانتينگتون را ارائه دهد. عملكرد الگوريتم در تفكيك گروه هاي بيمار از هم ضعيف تر بوده است. نتيجه گيري:  سيستم پيشنهادي در مقايسه با الگوريتم هاي قبلي منتشر شده عملكرد مناسبي داشته است. مطالعات بيشتر بر الگوريتم هاي هوشمند طبقه بندي و گسترش روش پيشنهادي مي تواند راه را براي تشخيص پيش باليني بيماري هاي نورودژنراتيو هموار كند.