تشخیص بیماری پارکینسون مبتنی بر کاهش ابعاد ویژگی با استفاده از الگوریتم بهینه سازی زنبور عسل

بیماری پارکینسون از مخرب ترین بیماری ها در دستگاه عصبی می باشد که صوت را سریع تر و بیش از سایر زیرسیستم های بدن تحت تاثیر قرار می دهد. آنالیز سیگنال های صوتی یکی از مهم ترین روش های تفکیک بیماران پارکینسون تبدیل شده است که روشی کم هزینه و عدم نیاز به حضور فیزیکی بیمار در کلینیک را به همراه دارد. به این منظور، محققین بیشتر از ویژگی های خطی صوت استفاده می کنند. با ثبت سیگنال صوتی ناشی از تلفظ واژه ها و سپس استخراج ویژگی های مناسب از آنها، می توان اختلال در حرکت های صوتی فرد مبتلا به پارکینسون را شناسایی کرد. بنابراین توانایی تشخیص بیماری قبل از بروز سایر علائم بالینی در درسترس خواهد بود. روش پیشنهادی در این مقاله با استفاده از الگوریتم بهینه سازی زنبور عسل به کاهش ابعاد ویژگی می پردازد. در این مرحله، بهترین ویژگی ها از میان صوت و علائم ظاهری افراد استخراج می شود. سپس این ویژگی ها به صورت بردار به عنوان ورودی به یک دسته بند ماشین بردار پشتیبان اعمال میشوند تا مرحله آموزش انجام گیرد. ارزیابی ها نشان می دهد که روش پیشنهادی از دقت بالایی در تشخیص بیماری پارکینسون برخوردار می باشد و همزمان سبب کاهش فضای ذخیره سازی و زمان محاسبات می شود.