تشخیص سطوح مختلف بیماری پارکینسون مبتنی بر استخراج ویژگی های غیر خطی از سیگنال سرعت تایپ بر روی صفحه نمایشگر کیبورد

تشخیص سطوح مختلف بیماری پارکینسون مبتنی بر استخراج ویژگی های غیر خطی از سیگنال سرعت تایپ بر روی صفحه نمایشگر کیبورد

مهسا نقیه1 پدرام زمانی کیا2 عارفه لالی دهقی3

1) کارشناسی ارشد مهندسی پزشکی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
2) کارشناسی ارشد مهندسی پزشکی، موسسه غیر انتفاعی سپاهان، اصفهان، ایران
3) کارشناسی رشته روانشناسی، دانشگاه آزاد اسلامی واحد خمینی شهر، اصفهان، ایران

کد IOI مقاله : XCCA-GCEAE
محل انتشار : نهمین کنفرانس بین المللی تحقیقات پیشرفته در علوم، مهندسی و فناوری (setconf.ir)
چکیده :
    بیماري پارکینسون یک بیماري عصبی می باشد که جزو دسته بیماري¬هایی است که در زیرمجموعه اختلالات حرکتی طبقه بندي می¬شوند. اختلالات حرکتی شرایط نورولوژیکی هستند که در آنها فرد آهسته آهسته در کنترل حرکاتش با مشکل مواجه می¬شود. فعالیت هایی همچون راه رفتن یا گرفتن یک فنجان چاي ممکن است دشوار شود. در برخی موارد افراد نمی توانند بدنشان را در حالت استراحت قرار دهند و برخی قسمت هاي بدن آنها در حرکت مداوم می¬ماند. پارکینسون عارضه اي است مزمن و پیشرونده که بیشتر تمرکز بر گروه سنی سالمندان می باشد، اما در برخی موارد در سنین جوانی نیز مشاهده شده است. بدلیل گستردگی اختلالات و عوارض ناشی از این بیماري، مبتلایان به آن با مشکلات زیادي روبه رو هستند. در این پژوهش ابتدا برای حذف نویز از سیگنال مورد نظر از فیلترهای مشخص با فرکانس قطع مناسب استفاده می شود. پس از مرحله پیش پردازش یکبار با پنجره گذاری و یکبار بدون پنجره گذاری سیگنال را در نظر گرفته و استخراج ویژگی انجام شد. در حالت پنجره گذاری سیگنال به بازه های مختلفی تقسیم شده و در هر بازه ویژگی ها استخراج و سپس میانگین گیری انجام شد. جهت استخراج ویژگی از ویژگی های آماری مانند میانه، ماکزیمم، میانگین و انحراف معیار و چولگی و کشیدگی و فرکانسی مانند میانه و میانگین فرکانس و غیر خطی مانند آنتروپی و نمای لیاپانوف و بعد فرکتال و نمای هرست استفاده گردید که برای هر سه ستون داده این ویژگی ها محاسبه شد. برای کاهش ابعاد از روش های LLE و ISOMAP استفاده شد و با کمک طبقه بند SVM و MLP و TREE طبقه بندی انجام شد که نتایج حساسیت و صحت و شاخص اختصاصیت برای طبقه بند درخت تصمیم گیری برابر 88% ، 90% و 95% می باشد و مناسب می باشد. هم چنین نمودار رگرسیون برای تشخیص درجه بیماری برای مجموعه فازی با الگوریتم بهینه سازی PSO مناسب می باشد و دارای میزان میانگین خطای کمی می باشد.

کلمات کلیدی : بیماری پارکینسون سیگنال سرعت تایپ استخراج ویژگی طبقه بندی