شناسایی بیماری های تخریب عصبی بر مبنای مدل خود بازگشتی چند متغیره سیگنال گیت و هم جوشی در طبقه بندهای هوشمند

تشخیص بیماری ها به کمک روش های جدید بسیار مورد توجه قرار گرفته است. یکی از این بیماری ها، بیماری اسکلروز جانبی آمیوتروفیک است. در این بیماری نورون های باعث تخریب پیشرونده و غیرقابل ترمیم در دستگاه عصبی مرکزی (مغز و نخاع) و دستگاه عصبی محیطی می شود علائم نورون محرکه فوقانی و هم نشانه های نورون محرکه تحتانی دیده می شود. تشخیص این بیماری از داده های آنالیز دینامیک حرکتی امکان پذیر است. روش های کلنیکی در تخیص این بیماری با خطای قابل توجهی مواجه هستند. روشهای مبتنی بر یادگیری ماشین یک راه کار موثر در تشخیص این بیماری ها هستند. روش پیشنهاد شده این تحقیق شامل پنج مرحله است. پیش پردازش، استخراج ویژگی، کاهش بعد، طبقه بندی و ارزیابی. نوآوری این مقاله در به کار گیری همجوی طبقه بندها در تشخیص این بیماری است. در همجوشی طبقه بندها، انواع طبقه بندهای خطی و غیر خطی در یک روش همجوشی با یکدیگر، بیماری را با دقت بالاتری تشخیص خواهند داد.