تشخیص انجماد راه رفتن در بیماران مبتلا به پارکینسون با استفاده از حسگرهای پوشیدنی و یادگیری عمیق

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه قم، قم، ایران

10.22091/JEMSC.2022.6990.1151

چکیده

انجماد راه رفتن (FOG) یکی از عوارض بیماری پارکینسون (PD) است که منجر به ناتوانی بیمار در انجام فعالیت­های حرکتی می‌شود. وقوع FOG باعث کاهش استقلال بیماران در انجام فعالیت­های روزمره و به طور کلی کاهش کیفیت زندگی آن­ها می­شود. استفاده از روش­های محاسباتی می­تواند با بررسی دقیق وضعیت FOG در بیماران، پشتیبانی غیردارویی و اطلاعات تکمیل­کننده­ای را در مورد بیماری به متخصصان مغز و اعصاب ارائه ­دهد و احتمال ارائه یک درمان موثرتر را افزایش ­دهد. این مقاله، روشی را برای تشخیص FOG بر اساس تکنیک­های یادگیری عمیق و پردازش سیگنال ارائه می­دهد. داده­های به کار رفته، مجموعه داده Daphnet می­باشد که از طریق سنسورهای پوشیدنی قرار گرفته بر روی بدن بیماران، جمع­آوری شده‌اند. روش پیشنهادی، پس از پالایش و پیش­پردازش داده‌ها، به تشخیص FOG از طریق ارائه یک معماری شبکه عصبی عمیق مبتنی بر شبکه­های حافظه کوتاه مدت دوطرفه (BDL-FOG) می­پردازد. نتایج تجربی نشان می­دهد که روش پیشنهادی به دلیل سازگاری بیشتر با داده­های سری زمانی توانسته است ضمن بهبود فرآیند تشخیص FOG به دقت بالاتری نسبت به بهترین روش­های موجود دست یابد. 

کلیدواژه‌ها


عنوان مقاله [English]

Detection freezing of gait (FOG) in Parkinson's patients using wearable sensors and deep learning

نویسندگان [English]

  • maryam talebvand
  • Amir Lakizadeh
  • Faranak Fotouhi
Computer Engineering Department, University of Qom, Qom, Iran
چکیده [English]

Freezing of the gait (FOG) is a complication of Parkinson's disease (PD) that leads to the patient's inability to perform motor activities. The occurrence of FOG reduces patients' independence in daily activities and generally reduces their quality of life. The use of computational methods can provide non-pharmacological support and complementary information about the disease to neurologists by carefully examining patients’ FOG status and increasing the likelihood of a more effective treatment. This paper presents a method for FOG detection based on deep learning and signal processing techniques. The data used for this paper is the Daphnet data collection, which is collected by the wearable sensors on the patient's body. The proposed methoddetects FOG by providing a deep neural network architecture based on two-way short-term memory networks (BDL-FOG). Experimental results show that the proposed method, due to its better compatibility with time-series data, has been able to improve the FOG detection process to achieve higher accuracy than the best available methods.

کلیدواژه‌ها [English]

  • Deep Learning
  • Freezing of gait
  • Parkinson's disease
  • Recursive neural networks
CAPTCHA Image