نوع مقاله : مقاله کامل پژوهشی

نویسندگان

1 دانشجو/دانشگاه صنعتی سهند

2 هیات علمی/دانشگاه صنعتی سهند تبریز

10.22041/ijbme.2021.141428.1645

چکیده

در سال‌های اخیر تشخیص بیماری‌های عصبی پیش‌رونده تدریجی به یکی از چالش‌برانگیزترین مسائل در حوزه پزشکی تبدیل‌شده است. اسکلروز جانبی آمیوتروفیک، پارکینسون و هانتینگتون مجموعه‌ای از شایع‌ترین نوع بیماری‌های عصبی پیش‌رونده تدریجی هستند که بر کیفیت زندگی این بیماران تأثیر بسزایی می‌گذارند. وقوع این بیماری‌ها به دلیل زوال سلول‌های حرکتی سیستم عصبی است که می‌تواند منجر به اختلال در راه رفتن و عدم تقارن بین دو سمت بدن شود. ازاین‌رو در این مطالعه، در ابتدا با روش الگوریتم پیگیری تطبیقی سیگنال‌های سری زمانی پای چپ و راست در فواصل گام، ایستایی و نوسانی تجزیه و تُنُک‌ گردید، سپس میزان تطابق و همسانی ضرایب به‌دست‌آمده توسط یکسری ویژگی‌های دینامیکی و دیفرانسیلی ارزیابی و اجزای اصلی این ویژگی‌ها به‌عنوان ورودی به طبقه بند کم‌ترین مربعات غیر منفی تُنُک‌ داده شد.
الگوریتم پیشنهادی به کمک پایگاه داده سیگنال راه رفتن که شامل ۱۶ فرد سالم، ۱۵ فرد مبتلابه پارکینسون، ۲۰ فرد مبتلابه هانتینگتون و ۱۳ فرد مبتلابه اسکلروز جانبی آمیوتروفیک بود، آزمایش شد. نتایج نشان دادند که روش پیشنهادی قادراست به ترتیب برای هر سه بیماری اسکلروز جانبی آمیوتروفیک، پارکینسون و هانتینگتون میانگین صحت‌های 84/10، 86/67 و 91/43 درصد را ارائه دهد.

کلیدواژه‌ها

عنوان مقاله [English]

Detection of Neurodegenerative Diseases Using Time-frequency Symmetric Features of Gait Signal

نویسندگان [English]

  • masume saljuqi 1
  • Peyvand Ghaderyan 2

1 student, faculty of biomedical engineering

2 assistant professor of biomedical engineering, Sahand University of Technology

چکیده [English]

In the recent years, the diagnosis of neurodegenerative diseases (NDDs) has been one of the most challenging problems in the medical fields. Amyotrophic lateral sclerosis (ALS), Parkinson's disease (PD) and Huntington's disease (HD) are a group of neurological disorders affecting the quality of patient’s life. Occurrence of these diseases is due to the deterioration of motor neurons, causing human gait disturbance and asymmetry between the right and left limbs. For this purpose, in this paper various gait signals namely stride, swing, and stance intervals (from both legs) have been decomposed using a Matching pursuit (MP) algorithm. Then, two sets of differential and dynamic features have been extracted from the MP coefficients in order to quantify the amount of divergence between both limbs. Finally, the principal components of these features have been fed as an input to sparse non-negative least squares (NNLS) classifier.
The proposed algorithm has been evaluated using the gait signals of 16 healthy control subjects, 13 patients with Amyotrophic lateral sclerosis (ALS), 15 patients with Parkinson’s disease (PD) and 20 patients with Huntington’s disease (HD). The results showed that the proposed method has achieved high average accuracy rates of 84.10%, 86.67%, and 91.43% for ALS, PD, and HD detection, respectively.

کلیدواژه‌ها [English]

  • Neurodegenerative diseases
  • Gait analysis
  • Time-Frequency Domain
  • Symmetry features