تشخیص پارکیسنون براساس الگوی حرکتی با استفاده از هوش مصنوعی

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 موثر 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 93 فرد مبتلا به پارکینسون و 73 فرد سالم نصب شده بود، گردآوری و پیش‌پردازش شده‌اند. سپس مولفه‌های 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

parkinson’s diagnosis based on gait patterns using artificial intelligence

parkinson’s disease is recognized as a progressive neurological disorder that leads to motor impairments. due to the necessity of early and accurate diagnosis for effective disease management, a novel approach has been proposed for detecting and predicting the progression stages of parkinson’s disease. in this study, gait signals were processed using empirical mode decomposition (emd), and temporal features were extracted by employing a hybrid cnn-lstm deep neural network architecture. the gait data were collected using sixteen force sensors placed beneath the left and right feet of 93 individuals with parkinson’s disease and 73 healthy controls. the signals were then preprocessed, and their intrinsic frequency components were extracted.to evaluate model performance, two training strategies were applied: a conventional train-test split, and k-fold cross-validation. temporal dynamics associated with disease progression were effectively extracted through the cnn-lstm model.according to the results, the cross-validation-based model demonstrated superior accuracy of 96.44%, compared to 84.27% achieved by the simple split approach. these findings indicate that the proposed method can be reliably utilized as an intelligent, non-invasive clinical decision-support tool for the diagnosis and staging of parkinson’s disease