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

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.

Differentiation of Neurodegenerative Diseases by Dynamic Analysis of Gait Pattern and ‎Feature-level Fusion Approaches

Purpose:In recent years, some studies have examined the gait patterns of neurodegenerative diseases utilizing signal processing techniques and machine learning algorithms. The aim of this study was to provide an automated system for distinguishing Huntington’s disease, amyotrophic lateral sclerosis (ALS), and Parkinson’s disease from healthy control group using dynamic analysis of gait pattern (more precisely, stride time). In addition, we examined the effect of fusion of features obtained from the left and right feet.Methods:First, polarbased measures were extracted from lagged Poincaré maps. The optimal latency of the map was estimated using the mutual information algorithm. Then, five featurelevel fusion strategies were presented. The classification was performed using the feedforward neural network; while the effect of changing the network parameter was also investigated. The proposed system was evaluated using the data available in the Physionet database, which includes 16 records of the control group (14 females and 2 males; 2074 years), 20 records of Huntington’s disease (14 females and 6 males; 2971 years), 13 records of ALS (3 women and 10 men; 3670 years) and 15 records of Parkinson’s disease (5 women and 10 men; 4480 years).Results:Using the fourth fusion strategy, the maximum accuracy of 93.47% was obtained in separating the control and Huntington groups. Applying the second fusion algorithm, the control/Huntington and control/Parkinson groups were separated with the accuracy rate of 92.92% and 91.93%, respectively. The highest accuracy of the first fusion algorithm was 91.72% in classifying the control group and ALS. The third fusion algorithm was able to provide a 91.13% classification accuracy in separating the control and Huntington groups. The performance of the algorithm in separating patient groups was weaker.Conclusion:The proposed system performed well compared to previously published algorithms. Further studies on intelligent classification algorithms and the development of the suggested method could pave the way for preclinical diagnosis of neurodegenerative diseases.