تحليل جبري سيگنال نيروي عكس‌العمل عمودي زمين براي تشخيص و تفكيك شدت بيماري پاركينسون

Algebraic Analysis of Vertical Ground Reaction Force Signal for diagnosis and Differentiation of Parkinson's Disease Severity

بيماري پاركينسون يكي از رايج ترين بيماري هاي پيش رونده ي تدريجي است كه با تاثير بر سيستم عصبي مركزي، سبب بروز اختلالات راه رفتن مي گردد. ازآنجايي كه اين بيماري قابل درمان نيست، تشخيص صحيح و به موقع آن، مي تواند به آهسته كردن سير پيشرفت بيماري، كاهش آسيب هاي جسمي و ارتقاي كيفيت زندگي بيماران، كمك شاياني نمايد. در اين راستا توسعه ي سيستم هاي تشخيصي با عملكرد سريع، كم هزينه و قابل اعتماد حايز اهميت است. براي حل اين مسئله در اين تحقيق، يك روش تشخيصي با استفاده از سيگنال نيروي عكس العمل عمودي زمين كه يك شاخص غير تهاجمي و مفيدي از نحوه كنترل حركتي فراهم مي آورد، ارايه شده است. اين روش تشخيصي، براساس تجزيه تعميم يافته مقدار تكين سيگنال و طبقه بندهاي k-نزديك تر ين همسايگي (KNN) و شبكه عصبي احتمالي (PNN) است. عملكرد اين الگوريتم با استفاده از سيگنال راه رفتن 93 بيمار پاركينسوني و 73 فرد سالم مورد ارزيابي قرارگرفته است. نتايج به دست آمده نشان مي-دهد كه ويژگي جديد متقارن ارايه شده، قادر است بيماري پاركينسون را به كمك روش طبقه بندي k-نزديك ترين همسايگي و شبكه عصبي احتمالي به ترتيب با صحت 96/19 درصد و 95/67 درصد، حساسيت 97/02، 93/35 و اختصاصيت 95/02، 97/33تشخيص دهد. از سوي ديگر اين روش در تشخيص شدت بيماري نيز موفق به ارايه صحت 98/23 درصد و 98/51درصد، حساسيت 93/5 درصد و 100 درصد و اختصاصيت 100 درصد و 96/53 درصد براي اين دو طبقه بند، شده است. نتايج با صحت بالاي به دست آمده نشان از قابليت مناسب روش غيرتهاجمي و كم هزينه ارايه شده در تشخيص بيماري پاركينسون و تفكيك شدت آن دارد كه استفاده از آن را در كاربردهاي كلينيكي ممكن مي سازد.

Parkinson’s Disease (PD) is one of the most common neurodegenerative diseases that cause abnormal gait patterns by affecting central nervous system. Since this disease is incurable, the reliable diagnosis can lead to slowing disease progression, reducing the risk of physical injuries and improving the quality of patient's life. In this regard, the development of fast, cost-effective and reliable detection systems is essential. This study has therefore proposed a detection method using vertical ground reaction force signals, which provide a non-invasive and useful index of the motor control function. It is based on generalized singular value decomposition, K-Nearest Neighbor (KNN) and Probabilistic Neural Network (PNN). The performance of the algorithm has been evaluated by gait signal of 93 individuals with PD and 73 healthy controls. The results have demonstrated that the proposed new symmetric feature is able to achieve 96.19% and 95.67% accuracy rates, 97.22% and 93.35% sensitivity rates, 95.02% and 97.33% specificity rates using the KNN and PNN classifiers, respectively. Furthermore, average accuracy rates of 98.23% and 98.51%, sensitivity rates of 93.5% and 100%, specificity rates of 100% and 96.53% have been obtained for stage classification using these two classifiers. The obtained high average accuracy rates have confirmed the promising capability of the proposed non-invasive and cost-effective method in PD detection and stage classification, which makes it suitable for clinical applications.