تشخیص بیماری های تخریب کننده عصبی براساس ویژگی‌های زمانی و فرکانسی با کمک یادگیری ماشین

این مقاله درباره بیماری‌های تخریب‌کننده عصبی مانند پارکینسون، هانتینگتون و بیماری اسکرولز چندگانه صحبت می‌کند. این بیماری‌ها طی زمان باعث تخریب مغز و سایر اعضای عصبی می‌شوند و باعث کاهش کیفیت زندگی بیمار می‌شوند. آن‌ها اغلب باعث اختلالات حرکتی، شناختی و روانی می‌شوند که نیازمند مراقبت ویژه برای بیمار و خانواده او است. تحقیقات در این زمینه می‌تواند به شناخت بهتر از علل شناختی و عصبی این بیماری‌ها کمک کند و روش‌های درمانی و پیشگیری نوینی را ارائه دهد.در این تحقیق، الگوریتم چندمرحله‌ای برای تجزیه‌وتحلیل راه رفتن برای تشخیص بیماری‌های تخریب‌کننده عصبی ارائه‌شده است. از طریق پیش‌پردازش سیگنال‌های راه رفتن با استفاده از فیلتر بانک transform wavelet در نرم‌افزار matlab، سیگنال‌ها بهبودیافته و خصوصیات آماری، زمان، فرکانس و غیرخطی آن‌ها استخراج و اولویت‌بندی می‌شوند. سپس این ویژگی‌ها به‌عنوان ورودی به روش‌های طبقه‌بندی خطی و غیرخطی مانند lda، ماشین بردار پشتیبانی خطی، نزدیک‌ترین همسایه و شبکه‌های عصبی داده می‌شوند. نتایج نشان می‌دهد که استفاده از طبقه‌بندی کننده غیرخطی نزدیک‌ترین همسایه می‌تواند بین چهار کلاس مبتلا به بیماری‌های مذکور تفاوت معنی‌داری ایجاد کند و با دقت 100٪ بیماری‌ها را تشخیص دهد.