شناسایی بیماری آلزایمر در سالمندان با استفاده از مدل راه رفتن و دوربین کینکت

مقدمه: آنالیز الگوی راه رفتن با استفاده از ابزارهای نوین فناوری برای شناسایی بیماری آلزایمر، مورد توجه محققین در دهه اخیر قرار گرفته است. بنابراین در این مطالعه از داده‌های اسکلتی دوربین کینکت برای آنالیز الگوی راه رفتن به منظور شناسایی بیماری آلزایمر در سالمندان استفاده شد.روش: در این مطالعه توسعه ایکاربردی به‌صورت تجربی، ثبت نمونه‌های راه رفتن در یک مسیر بیضی شکل برای 12 نفر از زنان سالمند با بیماری آلزایمر و 12 نفر سالمند زن سالم، به وسیله دوربین کینکت صورت گرفت. پس از استخراج ویژگی‌های راه رفتن، آنالیز توصیفی برای مقایسه ویژگی‌ها در میان گروه سالم و بیمار انجام شد. سپس یک کلاسه‌بند ماشین بردار پشتیبان برای شناسایی سالمندان با بیماری آلزایمر طراحی شد. نتایج: مقایسه ویژگی‌های استخراجی از راه رفتن به وسیله داده‌های اسکلتی دوربین کینکت، حکایت از تطبیق نتایج با یافته‌های پیشین حاصل از سیستم‌های مبتنی بر انواع دیگر سنسورها برای تفکیک دو گروه سالمندان سالم و بیمار دارد. نتایج تفکیک افراد سالمند سالم و بیمار شرکت‌کننده در پژوهش حاضر به وسیله کلاسه‌بند ماشین بردار پشتیبان نیز دارای صحت، حساسیت، دقت و specificity به ترتیب 91/25%، 93/44%، 90/94% و 93/57% برای شناسایی بیماری است.نتیجه‌گیری: در کنار آنالیز آمار توصیفی ویژگی های راه رفتن، با تکیه بر روش‌های مبتنی بر یادگیری ماشین مانند ماشین‌بردار پشتیبان می‌توان به شناسایی سالمندان با بیماری آلزایمر به وسیله ویژگی‌های استخراجی به دست آمده از داده‌های اسکلتی راه رفتن سالمندان با نتایج قابل قبولی دست یافت.

Detection of Alzheimer’s Disease in Elder People Using Gait Analysis and Kinect Camera

Introduction: Gait analysis through using modern technology for detection of Alzheimerchr('39')s disease has found special attention by researchers over the last decade. In this study, skeletal data recorded with a Kinect camera, were used to analyze gait for the purpose of detecting Alzheimerchr('39')s disease in elders.Method: In this applieddevelopmental experimental study, using a Kinect camera, data were collected for 12 elderly women with Alzheimerchr('39')s disease and 12 healthy elderly women walking in an oval path. After extracting various features of gait, descriptive analysis was performed to compare the features between the healthy and patient groups. Then, a support vector machine classifier was designed to detect elderly people with Alzheimerchr('39')s disease.Results: The comparison of extracted features from skeletal data of gait using Kinect camera in this study indicate that the results are matched with previous findings from systems based on other types of sensors. The accuracy, sensitivity, precision and specificity of system designed in the present study for classifying elders with Alzheimerchr('39')s disease and healthy elders were 91.25%, 93.4484%, 90.5945% and 93.581% respectively.Conclusion: In addition to descriptive analysis of gait, by using machine learning methods such as support vector machine classifier, elderly people with Alzheimerchr('39')s disease can be detected based on features extracted from skeletal data of Elderly people.