تفکیک بیماری های نورودژنراتیو با تحلیل دینامیک الگوی راه رفتن و رویکردهای ادغام در سطح ویژگی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دکترای تخصصی گروه مهندسی پزشکی، دانشکده مهندسی برق، دانشگاه صنعتی سهند، تبریز، ایران

2 استادیار گروه مهندسی پزشکی، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران

چکیده

هدف:
در سال های اخیر، برخی از مطالعات، تاثیر  بیماری ‌های نورودژنراتیو بر الگوهای راه رفتن افراد را با تکنیک های پردازش سیگنال و الگوریتم های یادگیری ماشین مورد بررسی قرار داده اند. هدف مطالعه حاضر، ارائه یک سیستم خودکار برای تفکیک بیماری- های هانتینگتون، اسکلروز جانبی آمیوتروفیک (Amyotrophic Lateral Sclerosis; ALS) و پارکینسون از گروه کنترل سالم با تحلیل دینامیک الگوی راه رفتن (به طور دقیق‌تر، زمان قدم) بوده است. به علاوه، تاثیر ادغام ویژگی های بدست آمده از پای چپ و راست افراد را مورد بررسی قرار دادیم.
روش بررسی:
ابتدا، ویژگی‌های قطبی از نگاشت های پوانکاره تاخیردار استخراج شد. تاخیر بهینه این نگاشت، با استفاده از الگوریتم اطلاعات متقابل تخمین زده شد. سپس، پنج استراتژی ادغام در سطح ویژگی ارائه شد. تفکیک گروه ها با شبکه عصبی رو به جلو انجام شد در حالی که اثر تغییر پارامتر شبکه نیز مورد بررسی قرار گرفت. سیستم پیشنهادی با استفاده از داده های موجود در پایگاه داده فیزیونت ارزیابی شد، که حاوی 16 ثبت از گروه کنترل (14 زن و 2 مرد؛ 20-74 سال)،20 ثبت از هانتینگتون (14 زن و 6 مرد؛ 29-71 سال)، 13 ثبت از ALS (3 زن و 10 مرد؛ 36-70 سال) و 15 ثبت از پارکینسون (5 زن و 10 مرد؛ 44-80 سال) است.
یافته ها: 
با چهارمین استراتژی ادغام، صحت 93/47 % در جداسازی گروه های کنترل و هانتینگتون بدست آمد. با الگوریتم ادغام دوم، گروه های کنترل/ هانتینگتون و کنترل/پارکینسون به ترتیب با نرخ صحت 92/92 % و 91/93 % جدا شدند. بالاترین صحت در الگوریتم ادغام اول 91/72 % در طبقه‌بندی گروه کنترل و ALS بود. سومین الگوریتم ادغام نیز توانست درصد صحت طبقه بندی 91/13 % در جداسازی دو گروه کنترل و هانتینگتون را ارائه دهد. عملکرد الگوریتم در تفکیک گروه های بیمار از هم ضعیف تر بوده است.
نتیجه گیری: 
سیستم پیشنهادی در مقایسه با الگوریتم های قبلی منتشر شده عملکرد مناسبی داشته است. مطالعات بیشتر بر الگوریتم های هوشمند طبقه بندی و گسترش روش پیشنهادی می تواند راه را برای تشخیص پیش بالینی بیماری های نورودژنراتیو هموار کند.

کلیدواژه‌ها

مراجع

  1. Okun MS. Parkinson’s Treatment: 10 Secrets to a Happier Life: English Edition. Creates Space Independent Publishing Platform; 2013.
  2. Miriam D, Stroud C. Neurodegeneration: Exploring Commonalities Across Diseases: Workshop Summary. Washington (DC): National Academies Press; 2013.
  3. Ye Q, Xia Y, Yao Z. Classification of Gait Patterns in Patients with Neurodegenerative Disease Using Adaptive Neuro-Fuzzy Inference System. Comput. Math. Method. M. 2018; 9831252.
  4. Wu Y, Krishnan S. Computer-aided analysis of gait rhythm fluctuations in amyotrophic lateral sclerosis. Med. Biol. Eng. Comput 2009; 47:1165-1171.
  5. Hausdorff JM, Lertratanakul A, Cudkowicz ME, Peterson AL, et al. Dynamic markers of altered gait rhythm in amyotrophic lateral sclerosis. J Appl. Physiol 2000; 88: 2045-2053.
  6. Hausdorff JM, Mitchell SL, Firtion R, Peng C-K, et al. Altered fractal dynamics of gait: reduced stride-interval correlations with aging and Huntington’s disease. J. Appl. Physiol 1997; 82(1): 262-269.
  7. Aziz W, Arif M. Complexity analysis of stride interval time series by threshold dependent symbolic entropy. Eur. J. Appl. Physiol 2006; 98(1): 30-40.
  8. Liao F, Wang J, He P. Multi-resolution entropy analysis  of  gait  symmetry  in  neurological degenerative diseases and amyotrophic lateral sclerosis. Med. Eng. Phys 2008; 30(3): 299-310.
  9. Zheng H, Yang M, Wang H, McClean S. Machine Learning and Statistical Approaches to Support the Discrimination of Neuro-degenerative Diseases Based on Gait Analysis. In: McClean S, Millard P, El-Darzi E, Nugent C, eds. Intelligent Patient Management. Studies in Computational Intelligence. Berlin, Heidelberg: Springer; 2009. p. 57–70.
  10. Ren P, Zhao W, Zhao Z, Bringas-Vega ML, et al. Analysis of Gait Rhythm Fluctuations for Neurodegenerative Diseases by Phase Synchronization and Conditional Entropy. IEEE Trans. Neural Syst. Rehabil. Eng 2016; 24(2): 291-299.
  11. Ren P, Tang S, Fang F, Luo L, et al. Gait rhythm fluctuation analysis for neurodegenerative diseases by empirical mode decomposition. IEEE Trans. Biomed. Eng 2017; 64(1): 52–60.
  12. Wu Y, Shi L. Analysis of altered gait cycle duration in amyotrophic lateral sclerosis based on nonparametric probability density function estimation, Med. Eng. Phys 2011; 33(3): 347-355.
  13. Abedi B, Abbasi A, Sarbaz Y, Goshvarpour A. Early Detection of Amyotrophic Lateral Sclerosis (ALS) using the Gait Motor Signal Frequency Analysis. J Arak Uni Med Sci. 2016; 19(3): 54-61. [Persian]
  14. Wahid F, Begg RK, Hass CJ, Halgamuge S, et al. Classification of Parkinson's Disease Gait Using Spatial-Temporal Gait Features. IEEE J Biomed Health Inform 2015; 19(6): 1794-802.
  15. Zeng W, Yuan C, Wang Q, Liu F, et al. Classification of gait patterns between patients with Parkinson’s disease and healthy controls using phase space reconstruction (PSR), empirical mode decomposition (EMD) and neural networks. Neural Netw 2019; 111: 64-76.
  16. Chatterjee S. Analysis of the human gait rhythm in Neurodegenerative disease: A multifractal approach using Multifractal detrended cross correlation analysis. Physica A 2020; 540: 123154.
  17. Rehman RZU, Del Din S, Guan Y, Yarnall AJ, et al. Selecting Clinically Relevant Gait Characteristics for Classification of Early Parkinson’s Disease: A Comprehensive Machine Learning Approach. Sci Rep 2019; 9:17269.
  18. Varrecchia T, Castiglia SF, Ranavolo A, Conte C, et al. An artificial neural network approach to detect presence and severity of Parkinson’s disease via gait parameters. PLoS ONE 2021; 16(2): e0244396.
  19. Fraser A, Swinney H. Independent coordinates for strange attractors from mutual information. Phys Rev a Gen Phys 1986; 33(2): 1134-1140.

فصلنامه علمی- پژوهشی علوم پیراپزشکی وتوانبخشی
دوره 10، شماره 1
خرداد 1400
صفحه 31-45

فایل ها

هم رسانی

ارجاع به این مقاله

آمار