عنوان

تشخیص بیماری‌های پارکینسون، هانتینگتون و اسکلروز جانبی آمیوتروفیک با استفاده از مشخصه‌های انحراف بین اعضا

Country Code

IR

Number

۳۷۷۸پ

.Language of Text, Soundtrack etc

فارسی

Country of publication

IR

Title Proper

تشخیص بیماری‌های پارکینسون، هانتینگتون و اسکلروز جانبی آمیوتروفیک با استفاده از مشخصه‌های انحراف بین اعضا

General Material Designation

[پایان‌نامه]

Parallel Title Proper

Amyotrophic Lateral Sclerosis, Huntington and Parkinson diseases detection using inter-limb deviations of gait signals

First Statement of Responsibility

/سیده مرضیه قرشی بیرامی

Name of Publisher, Distributor, etc.

: مهندسی پزشکی

Date of Publication, Distribution, etc.

، ۱۳۹۸

Specific Material Designation and Extent of Item

۸۶ص.

Other Physical Details

:

Text of Note

زبان چکیده: فارسی

Text of Note

چاپی - الکترونیکی

Text of Note

مصور، جدول، نمودار

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی پزشکی- بیوالکتریک

Date of degree

۱۳۹۸/۰۶/۰۱

Body granting the degree

صنعتی سهند

Text of Note

با توجه به افزایش شیوع بیماری‌های عصبی پیش‌رونده تدریجی مانند اسکلروز جانبی آمیوتروفیک(ALS) ، پارکینسون و هانتینگتون، تشخیص آن‌ها به یکی از مسائل مورد توجه در سال‌های اخیر مبدل شده است .وقوع این بیماری‌ها به دلیل انحطاط سلول‌های عصبی است که می‌تواند منجر به حرکات غیرطبیعی و اختلالات راه رفتن شود .یکی از چالش‌های موجود درزمینه‌ی تشخیص این بیماری‌ها، ارائه یک الگوریتم تشخیص غیرتهاجمی و قابل‌اعتماد است که قادر باشد باوجود تفاوت‌های بین فردی، انواع مختلف بیماری‌ها را به کمک روش‌هایی با بار محاسباتی کم تشخیص دهد .جهت حل این مسئله در این تحقیق از تحلیل سیگنال راه رفتن به‌عنوان یک مشخصه غیرتهاجمی و کم‌هزینه استفاده شده است .در الگوریتم اول، به‌منظور کمی نمودن میزان انحراف در فواصل ایستایی، نوسانی و کل گام، ویژگی‌های جدیدی مبتنی بر تاب‌خوردگی پویا و انواع فواصل هندسی مورد استفاده قرار گرفته‌اند .در ادامه جهت طبقه‌بندی از روش یادگیری ماشین " کم‌ترین مربعات غیر منفی تنک "بهره گرفته شده است .در الگوریتم دوم، یک دسته از ویژگی‌های ساده تک متغیره آماری و بی‌نظمی از سیگنال متناسب با نیروی عمودی کف پا استخراج گردیده و موردبررسی قرار گرفته است .همچنین جهت اثبات میزان وابستگی نتایج به تغییر شرایط، تأثیر تفاوت‌های فردی بر عملکرد تشخیص به کمک یادگیری ماشین با تأکید روی شدت و دوره بیماری و پارامترهای پای چپ و راست بررسی شده است .ج‍ـهت بررسی قدرت ت‍ـشخیص روش‌های پی‍ـشنهادی از مجموعه داده‌های ب‍ـیماری‌های عصبی پیش‌رونده تدریجی، شامل ۱۶ فرد سالم، ۱۳ بیمار مبتلا بهALS ، ۱۵ بیمار مبتلا به بیماری پارکینسون و ۲۰ بیمار مبتلا به بیماری هانتینگتون استفاده شده است .نتایج نشان دادند که الگوریتم پیشنهادی با استفاده از سیگنال متناسب با نیروی عمودی کف پا بهترین نتیجه را برای تشخیص هر سه بیماریALS ، پارکینسون و هانتینگتون به ترتیب با صحت مناسب ۱۰۰، ۹۹/۷۸ و ۹۹/۹۰ درصد دارد .مقایسه ویژگی‌های مختلف استخراج‌شده نشان داد که ویژگی تاب‌خوردگی پویای سری راه رفتن مشخصه بهتری از نحوه تغییرات تقارن راه رفتن در بیماری ارائه می‌دهد .از سوی دیگر، با بررسی اثرات ویژگی‌های استخراج‌شده از سیگنال‌های پای چپ و راست متناسب با نیروی عمودی کف پا، توانایی تشخیص هر سه بیماری با استفاده از سیگنال یک‌پا توسط نتایج به‌دست‌آمده اثبات شد .نتایج حاصل‌شده به‌طورکلی برتری و پایداری روش کم‌ترین مربعات غیر منفی را در ایجاد مصالحه بین صحت و بار محاسباتی در مقایسه با روش‌های دیگر طبقه‌بند نیز نشان دادند .

Text of Note

The diagnosis of Neurodegenerative diseases (NDDs), such as Amyotrophic lateral sclerosis (ALS), Parkinson's disease (PD) and Huntington's disease (HD) has been a significant issue in the recent years due to their increasing incidences. These disorders are caused by degeneration of brain cells, leading to abnormal movements. The development of a reliable algorithm discriminating different types of NDDs in the presence of individual differences using computationally efficient processes is a challenge in this field. To tackle this challenge, gait signal analysis was used as a cost-effective and non-invasive monitoring tool. For this purpose, a new algorithm based on a set of new symmetry features such as dynamic gait series warping (DGSW) and distance metrics has been investigated to quantify the amount of divergence between the left and right stride, swing, and stance intervals. Sparse non-negative least squares (NNLS) classifier was also used for classification. In the second algorithm a methodology based on simple statistical and irregularity features of vertical ground reaction force (VGRF) has been developed. The effect of individual differences on the performance of diagnosis was also explored with emphasize on severity and duration of diseases as well as the right and left foot parameters to further confirm the robustness of the proposed technique. This study was evaluated using the NDDs dataset, which contains 16 healthy subjects, 13 patients with ALS, 15 patients with PD, and 20 patients with HD. The proposed method using VGRF signals achieved the best average accuracy rates of 100 , 99.78 , and 99.90 for ALS, PD, and HD detection, respectively. The results also confirmed that the dynamic gait series warping feature provide superior characteristics of affected gait signals. Findings also provided support for predictive power of either left or right foot features, leading to computationally efficient method. The experimental results generally validated the superiority and robustness of the sparse coding method over traditional classification methods in both accuracy and time-complexity.

ba

Parallel Title

Amyotrophic Lateral Sclerosis, Huntington and Parkinson diseases detection using inter-limb deviations of gait signals

تحلیل راه رفتن

بیماری‌های عصبی پیش‌رونده تدریجی

ویژگی‌های تقارن

تاب‌خوردگی پویا

کم‌ترین مربعات غیر منفی تنک

Subject Term

gait analysis, Neurodegenerative diseases, Symmetry features, Dynamic warping, Sparse non-negative least squares

Subject Term

تحلیل راه رفتن، بیماری‌های عصبی پیش‌رونده تدریجی، ویژگی‌های تقارن، تاب‌خوردگی پویا، کم‌ترین مربعات غیر منفی تنک

قرشی بیرامی، سیده مرضیه

قادریان،پیوند، استاد راهنما

Country

ایران

Date of Transaction

20230617

Call Number

پزشکی.م ،۱۰۰۲۹ ،۱۳۹۸

Host name

ن‌وسنیکراپ‍ ی‌اهی‌رامیب‍ ص‌یخشت‍، اضعا ن‌یب‍ ف‌ارحنا ی‌اهه‌صخشم‍ زا ه‌دافتسا اب‍ ک‌یفورتویمآ ی‌بناج‍ زورلکسا و ن‌وتگنیتناه‍.pdf

Access number

عادی

Compression information

عادی

Date and Hour of Consultation and Access

3778.pdf

Date and Hour of Consultation and Access

pm10029.pdf

Bits per second

0

Contact for access assistance

ایمانی

Electronic Format Type

متن

File size

0

Record control number

پ۳۷۷۸

Public note

فارسی

نمایه‌سازی قبلی

pe

TF

92029

1

a

Y