فهرست نشریات علمی دسترسی آزاد ایران

بیماری پارکینسون به‌عنوان یک اختلال عصبی پیش‌رونده شناخته می‌شود که منجر به اختلالات حرکتی می‌گردد. با توجه به اهمیت تشخیص زودهنگام و دقیق برای مدیریت مؤثر این بیماری، رویکردی نوین برای شناسایی و پیش‌بینی مرحله پیشرفت پارکینسون پیشنهاد شده است. در این مطالعه، سیگنال‌های راه‌رفتن با استفاده از الگوریتم تجزیه حالت ذاتی (EMD) پردازش گردیده و از شبکه عصبی عمیق ترکیبی CNN-LSTM به‌منظور استخراج ویژگی‌های زمانی بهره گرفته شده است. داده‌های حرکتی از طریق شانزده حسگر نیرو که در زیر پای چپ و راست ۹۳ فرد مبتلا به پارکینسون و ۷۳ فرد سالم نصب شده بود، گردآوری و پیش‌پردازش شده‌اند. سپس مؤلفه‌های فرکانسی ذاتی استخراج گردیده‌اند. برای ارزیابی عملکرد مدل، از دو رویکرد آموزشی استفاده شده است: نخست، تقسیم ساده داده‌ها به مجموعه‌های آموزش و آزمون؛ و دوم، روش اعتبارسنجی متقابل K-Fold. ویژگی‌های زمانی مرتبط با پیشرفت بیماری توسط ساختار CNN-LSTM استخراج گردیده‌اند. بر اساس نتایج به‌دست‌آمده، مدل مبتنی بر اعتبارسنجی متقابل با دقت 96.44٪ عملکرد بهتری نسبت به مدل ساده با دقت 84.27٪ ارائه داده است. این نتایج بر قابلیت بالای مدل پیشنهادی به‌عنوان ابزاری هوشمند، غیرتهاجمی و پشتیبان تصمیم‌گیری بالینی برای تشخیص و مرحله‌بندی بیماری پارکینسون دلالت دارند