تشخیص بیماری های تخریب کننده عصبی براساس ویژگی های زمانی و فرکانسی با کمک یادگیری ماشین

این مقاله درباره بیماری های تخریب کننده عصبی مانند پارکینسون، هانتینگتون و بیماری اسکلروز جانبی آمیوتروفیک صحبت می کند. این بیماری ها طی زمان باعث تخریب مغز و سایر اعضای عصبی می شوند و باعث کاهش کیفیت زندگی بیمار می شوند. آن ها اغلب باعث اختلالات حرکتی، شناختی و روانی می شوند که نیازمند مراقبت ویژه برای بیمار و خانواده او است. تحقیقات در این زمینه می تواند به شناخت بهتر از علل شناختی و عصبی این بیماری ها کمک کند و روش های درمانی و پیشگیری نوینی را ارائه دهد. در این تحقیق، الگوریتم چندمرحله ای برای تجزیه وتحلیل راه رفتن برای تشخیص بیماری های تخریب کننده عصبی ارائه شده است. از طریق پیش پردازش سیگنال های راه رفتن با استفاده از فیلتر بانک Transform Wavelet در نرم افزار MATLAB، سیگنال ها بهبودیافته و خصوصیات آماری، زمان، فرکانس و غیرخطی آن ها استخراج و اولویت بندی می شوند. سپس این ویژگی ها به عنوان ورودی به روش های طبقه بندی خطی و غیرخطی مانند LDA، ماشین بردار پشتیبانی خطی، نزدیک ترین همسایه و شبکه های عصبی داده می شوند. نتایج نشان می دهد که استفاده از طبقه بندی کننده غیرخطی نزدیک ترین همسایه می تواند بین چهار کلاس مبتلا به بیماری های مذکور تفاوت معنی داری ایجاد کند و با دقت ۱۰۰٪ بیماری ها را تشخیص دهد.