تشخيص بيماري‌هاي عصبي پيش‌رونده‌ي تدريجي با استفاده از ويژگي‌هاي زمان-فركانسي متقارن سيگنال راه رفتن

Detection of Neurodegenerative Diseases using Time-Frequency Symmetric Features of Gait Signal

در سال هاي اخير تشخيص بيماري هاي عصبي پيش رونده تدريجي به يكي از چالش برانگيزترين مسايل در حوزه پزشكي تبديل شده است. اسكلروز جانبي آميوتروفيك، پاركينسون و هانتينگتون مجموعه اي از شايع ترين نوع بيماري هاي عصبي پيش رونده تدريجي هستند كه بر كيفيت زندگي اين بيماران تاثير بسزايي مي گذارند. وقوع اين بيماري ها به دليل زوال سلول هاي حركتي سيستم عصبي است كه مي تواند منجر به اختلال در راه رفتن و عدم تقارن بين دو سمت بدن شود. ازاين رو در اين مطالعه، در ابتدا با روش الگوريتم پيگيري تطبيقي سيگنال هاي سري زماني پاي چپ و راست در فواصل گام، ايستايي و نوساني تجزيه و تنك گرديد، سپس ميزان تطابق و همساني ضرايب به دست آمده توسط يكسري ويژگي هاي ديناميكي و ديفرانسيلي ارزيابي و اجزاي اصلي اين ويژگي ها به عنوان ورودي به طبقه بند كم ترين مربعات غير منفي تنك داده شد. الگوريتم پيشنهادي به كمك پايگاه داده سيگنال راه رفتن كه شامل 16 فرد سالم، 15 فرد مبتلابه پاركينسون، 20 فرد مبتلابه هانتينگتون و 13 فرد مبتلابه اسكلروز جانبي آميوتروفيك بود، آزمايش شد. نتايج نشان دادند كه روش پيشنهادي قادراست به ترتيب براي هر سه بيماري اسكلروز جانبي آميوتروفيك، پاركينسون و هانتينگتون ميانگين صحت هاي 84/10، 86/67 و 91/43 درصد را ارايه دهد.

In the recent years, the diagnosis of Neurodegenerative Diseases (NDDs) has been one of the most challenging problems in the medical fields. Amyotrophic Lateral Sclerosis (ALS), Parkinson's Disease (PD) and Huntington's Disease (HD) are a group of neurological disorders affecting the quality of patient’s life. Occurrence of these diseases is due to the deterioration of motor neurons, causing human gait disturbance and asymmetry between the right and left limbs. For this purpose, in this paper various gait signals namely stride, swing, and stance intervals (from both legs) have been decomposed using a Matching Pursuit (MP) algorithm. Then, two sets of differential and dynamic features have been extracted from the MP coefficients in order to quantify the amount of divergence between both limbs. Finally, the principal components of these features have been fed as an input to sparse Non-Negative Least Squares (NNLS) classifier. The proposed algorithm has been evaluated using the gait signals of 16 healthy control subjects, 13 patients with Amyotrophic Lateral Sclerosis (ALS), 15 patients with Parkinson’s Disease (PD) and 20 patients with Huntington’s Disease (HD). The results showed that the proposed method has achieved high average accuracy rates of 84.10%, 86.67%, and 91.43% for ALS, PD, and HD detection, respectively.