عنوان:

پیش‌بینی یخ‌زدگی راه‌رفتن در بیماران پارکینسونیسم براساس آنالیز الگوهای حرکتی با استفاده از روش‌های یادگیری ماشین

چكيده

پارکینسونیسم به یک دسته از بیماری‌های عصبیِ مزمن و پیشرونده اطلاق می‌شود که منجر به اختلالات در تعادل، حالت و گفتار فرد می‌شوند. پیشروندگی این اختلالات بتدریج باعث بروز ضایعه جبران‌ناپذیر «یخ‌زدگی در راه‌رفتن» می‌شود که همه ابعاد جسمی و روحی بیمار را تحت تاثیر قرار می‌دهد. تاکنون روش‌های متعددی برای پیش‌بینی یخ‌زدگی راه‌رفتن در بیماران پارکینسونیسم براساس پردازش گفتار، پردازش دست‌خط و تحلیل الگوهای حرکتی پیشنهاد شده‌اند. اتکا به ابزارهای پشتیبان تصمیمِ مبتنی بر یادگیری ماشین برای توسعه یک شیوه تشخیصی بلادرنگ و غیرتهاجمی می‌تواند در روند تصمیم‌گیری بالینی این عارضه مفید و موثر باشد. روش پیشنهادی این تحقیق مبتنی بر توسعه یک مدل یادگیری ماشین شامل دو فاز «پیش‌پردازش» (انتخاب ویژگی) و «پردازش و ارزیابی» (طبقه‌بندی) است که روی یک مجموعه داده از پارامترهای بالینی، دارویی و حرکتی اعمال می‌شود. در مرحله انتخاب ویژگی، ویژگی‌های موثر در تشخیص یخ‌زدگی راه‌رفتن توسط یک الگوریتم بهینه‌سازی تکاملی (جستجوی هارمونی) استخراج و وزن‌دهی شدند. در فاز دوم ویژگی‌های استخراج شده و وزن‌دهی‌شده برای تعیین برچسب نهایی (پیش‌بینی FOG و تعداد رخداد آن در یک بازه زمانی مشخص) به مجموعه‌ای از طبقه‌بندهای یادگیری ماشین کلاسیک (شبکه عصبی پرسپترون چندلایه)، طبقه‌بندهای یادگیری انسمبل (ماشین تقویت گرادیان) و طبقه‌بندهای یادگیری عمیق (شبکه عصبی مبتنی بر حافظه کوتاه مدت ماندگار) داده شدند. نهایتا روش پیشنهادی براساس معیارهای الگوریتمی (زمان همگرایی، زمان اجرا) و معیارهای کارایی آزمون (دقت، صحت، و غیره) ارزیابی شد. طبق آزمایشات جامع انجام شده مشخص شد که بهترین نتایج حاصل مربوط به طبقه‌بندی یادگیری عمیق است. اثربخشی روش پیشنهادی با کسب صحت 92 درصد، پوشش 91 درصد و امتیاز F1 برابر با 91 درصد مطلوب ارزیابی شد. در نتیجه روش پیشنهادی می‌تواند برای پیش‌بینی یخ‌زدگی راه‌رفتن در بیماران پارکینسونیسم بکار گرفته شود.    

کلمات کلیدی: پارکینسونیسم، یخ‌زدگی راه‌رفتن، حسگرهای پوشیدنی، انتخاب ویژگی، یادگیری ماشین، یادگیری عمیق