بهبود دقت تشخيص زود هنگام بيماري پاركينسون با استفاده از سيگنال ‌هاي مغزي مبتني بر انتخاب ويژگي در يادگيري ماشين

براي تشخيص زود هنگام بيماري پاركسينون (PD) استفاده از روش‌هاي مبتني بر يادگيري ماشين بسيار مفيد است. سيگنال ‌هاي مغزي و عملكرد مغز مي‌تواند يك راه‌كار مناسب براي تشخيص زودهنگام اين بيماري باشد. روش‌هاي متداول به‌علت پويايي و پيچيدگي سيگنال مغزي، كارايي لازم را ندارند. روش‌هاي يادگيري ماشين با قابليت‌هاي بالايي كه در فرايند تشخيص بيماري دارند، يك راه‌كار مناسب هستند. در اين مقاله يك روش كارآمد مبتني بر يادگيري ماشين ارائه شده است. در اين روش در مرحله پيش‌پردازش حذف نويز و آرتيفكت به كمك يك فيلتر وينر انجام شده است. سپس ويژگي‌هاي حوزه زمان شامل الگوهاي متداول محلي و گراديان همسايه محلي با وزن متقارن و طيف توان در حوزه فركانس از هر سيگنال، استخراج و به كمك الگوريتم بهبوديافته گرگ خاكستري هوشمند بهترين ويژگي‌ها انتخاب مي‌شوند. ويژگي‌هاي انتخاب‌شده به كمك طبقه‌بند ماشين بردار پشتيبان، K نزديك‌ترين همسايگي و جنگل تصادفي دسته‌بندي شده‌اند. روش پيشنهادشده روي پايگاه داده متشكل از 28 فرد مبتلا به PD و 28 فرد سالم همسان با سن و جنس پياده‌سازي شده است. دقت و صحت بالاتر از 97 درصد نشان‌دهنده برتري روش در پيش ‌بيني بيماري پاركينسون است.