سامانه همایش های دانشگاه آزاد اسلامی واحد نجف آباد

صفحه اصلی / سومین کنفرانس بین المللی مهندسی و علوم کامپیوتر و اولین کنفرانس ملی سامانه های هوشمند، کلان داده و رایانش پیشرفته

تشخیص و رتبه‌بندی شدت اختلال راه رفتن بیماران مبتلا به پارکینسون با استفاده از الگوریتم XGBoost و تحلیل ویژگی‌های گیت

نویسندگان :

کیمیا ملائی ورزقانی¹ محمد شاهقلی²

1- دانشگاه آزاد اسلامی واحد نجف آباد 2- دانشگاه آزاد اسلامی واحد نجف آباد

کلمات کلیدی :

يادگيري ماشين،XGBoost،آناليز گيت،پاركينسون،اختلال نورودژنراتيو

چکیده :

یکی از شایع‌ترین علل ناهنجاری‌ در راه‌رفتن، بیماری پارکینسون است که تأثیر قابل‌توجهی بر کیفیت زندگی افراد دارد. امروزه به منظور افزایش کیفیت زندگی افراد و تسریع فرآیند تشخیص، روش‌های پیشرفته استفاده می‌‌شوند. تشخیص اختلال گیت در بیماری پارکینسون با ارزیابی‌های بالینی انجام می‌شود که دقت آن به شرایط ارزیاب وابسته است. در این پژوهش، الگوریتم یادگیری ماشین برای تشخیص بیماری پارکینسون و رتبه‌بندی شدت اختلال راه‌رفتن بر اساس ویژگی‌های سینماتیکی گیت ارائه شده است. با استفاده از مجموعه ‌داده‌ی چند کلاسه CARE-PD، ویژگی‌های گام‌برداری با بُعد زیاد شامل میانگین و انحراف معیارِ مختصات مفاصل بدن و میانگین جابه‌جایی مرکز جرم برای هر مرتبه راه‌رفتن استخراج شد و 147 ویژگی به ‌عنوان ورودی مدل‌ها مورد استفاده قرار گرفت. یک الگوریتم دومرحله‌ای مبتنی بر الگوریتم XGBoost طراحی شد که ابتدا تشخیص باینری افراد سالم در برابر بیماران پارکینسون و سپس طبقه‌بندی چندکلاسه شدت اختلال راه‌رفتن در سه سطح «سالم»، «خفیف» و «متوسط/شدید» را انجام می‌دهد. اعتبارسنجی متقابل پنج‌تایی GroupKFold بر اساس شناسه گام‌برداری، برای جلوگیری از نشت داده ‌بکار گرفته شد. نتایج نشان داد مدل پیشنهادی در تشخیص باینری به میانگین دقت حدود 87٪ و AUC حدود 94٪ دست یافته و در طبقه‌بندی چندکلاسه نیز میانگین دقت حدود 83٪ و macro-AUC نزدیک به 95٪ بدست آمده است. تحلیل اهمیت ویژگی‌ها نقش کلیدی تغییرپذیری حرکتی مفاصل پایین‌تنه و پارامترهای مرتبط با مرکز جرم را در تفکیک سطوح مختلفِ اختلال گیت نشان می‌دهد. این نتایج بیانگر ظرفیت بالای الگوریتم پیشنهادی برای توسعه‌ی ابزارهای کمک‌تشخیصی و پایش غیرتهاجمیِ اختلال راه‌رفتن در پارکینسون است.