تشخيص انجماد راه رفتن در بيماران مبتلا به پاركينسون با استفاده از حسگرهاي پوشيدني و يادگيري عميق

انجماد راه رفتن (FOG) يكي از عوارض بيماري پاركينسون (PD) است كه منجر به ناتواني بيمار در انجام فعاليت هاي حركتي مي‌شود. وقوع FOG باعث كاهش استقلال بيماران در انجام فعاليت هاي روزمره و به طور كلي كاهش كيفيت زندگي آن ها مي شود. استفاده از روش هاي محاسباتي مي تواند با بررسي دقيق وضعيت FOG در بيماران، پشتيباني غيردارويي و اطلاعات تكميل كننده اي را در مورد بيماري به متخصصان مغز و اعصاب ارائه دهد و احتمال ارائه يك درمان موثرتر را افزايش دهد. اين مقاله، روشي را براي تشخيص FOG بر اساس تكنيك هاي يادگيري عميق و پردازش سيگنال ارائه مي دهد. داده هاي به كار رفته، مجموعه داده Daphnet مي باشد كه از طريق سنسورهاي پوشيدني قرار گرفته بر روي بدن بيماران، جمع آوري شده‌اند. روش پيشنهادي، پس از پالايش و پيش پردازش داده‌ها، به تشخيص FOG از طريق ارائه يك معماري شبكه عصبي عميق مبتني بر شبكه هاي حافظه كوتاه مدت دوطرفه (BDL-FOG) مي پردازد. نتايج تجربي نشان مي دهد كه روش پيشنهادي به دليل سازگاري بيشتر با داده هاي سري زماني توانسته است ضمن بهبود فرآيند تشخيص FOG به دقت بالاتري نسبت به بهترين روش هاي موجود دست يابد.