، جلد ۱۹، شماره ۳، صفحات ۵۴-۶۱
عنوان فارسی تشخیص زود هنگام بیماری ALS با استفاده از تحلیل فرکانسی سیگنال حرکتی راه رفتن
چکیده فارسی مقاله زمینه و هدف: ALS یک بیماری عصبی ماهیچه‌ای پیش رونده است که از مهم‌ترین مشخصات آن تخریب نورون‌های حرکتی در سیستم عصبی مرکزی و محیطی است. در حال حاضر هیچ روش کلینیکی دقیقی برای تشخیص این بیماری ارائه نشده است. در اغلب موارد افراد دارای ALS به دلیل اختلالات موجود در سیستم عصبی نمی‌توانند به صورت عادی راه بروند. به همین دلیل، یکی از روش‌های مفید برای تشخیص این بیماری از سایر بیماری‌های عصبی و یا تشخیص بیماران مبتلا به ALS از افراد سالم، تحلیل سیگنال حرکتی راه رفتن است. مواد و روش‌ها: در این مطالعه از دادگان موجود در سایت فیزیونت استفاده شده است. این پایگاه داده‌ای از 13 بیمار دارای ALS(ALS1,ALS2,…,ALS13) به همراه 16 فرد سالم (CO1,CO2,…,CO16) تشکیل شده است. افراد بیمار شرکت کننده در این مطالعه هیچ‌گونه سابقه بیماری عصبی دیگری نداشتند و در هنگام راه رفتن از هیچ وسیله کمکی مانند ویلچر استفاده نمی‌کردند. یافته‌ها: در این مطالعه از طیف توان که از ویژگی‌های فرکانسی است، برای آشکارسازی تفاوت‌های احتمالی سری‌های زمانی افراد بیمار و سالم استفاده شد. توان طیف هر دو گروه در فرکانس‌های بالا مشابه است، ولی در فرکانس‌های پایین، توان طیف در افراد سالم معمولاً کمتر از افراد بیمار است. نتیجه‌گیری: شبکه عصبی مصنوعی با بیان‌گر قدرت تفکیک 83 درصد برای مجموعه داده‌های آزمایش در بین افراد سالم و بیمار به کار رفت. به نظر می‌رسد این الگوریتم روش مناسبی برای جداسازی افراد بیمار و سالم در مراحل اولیه بیماری باشد.
کلیدواژه‌های فارسی مقاله سیگنال حرکتی راه رفتن، پردازش سیگنال، بیماری ALS، شبکه عصبی
عنوان انگلیسی Early Detection of Amyotrophic Lateral Sclerosis (ALS) using the Gait Motor Signal Frequency Analysis
چکیده انگلیسی مقاله Background: ALS is a progressive neuro-muscular disease, which is characterized by motor neuron loss in the Central Nervous System (CNS) and Peripheral Nervous System (PNS). Up to now, no accurate clinical method for diagnosis of the disease have been provided. In most cases, ALS patients are unable to walk normally due to abnormalities in the nervous system. For this reason, one of the most appropriate methods in the diagnosis of ALS from other neurological diseases or from healthy volunteers is the gait motor signal analysis. Materials and Methods: In this study, gait signals available in Physionet database have been used. The database consists of 13 patients with ALS (ALS1, ALS2, …, ALS13) and 16 normal subjects (CO1, CO2, …, CO16). The patients participating in this study had no history of any psychiatric disorders and did not use any assistive device for walking, like wheelchair. The power spectrum of stride, swing, and stance of normal subjects and patients was computed for both left and right legs. To provide appropriate inputs for the classifier, the frequency band of the power spectrum of all signals was divided into eight equal parts. The area of all regions was computed. Three frequency band of the lower range of power spectra selected as inputs of the classifier. Results: In this study, power spectra, as frequency attributes, were used to explore probable differences of time series in both patients and healthy subjects. Conclusion: Artificial Neural Network was used to classify normal and ALS groups with the accuracy of 83% for the test data set. It seems that the present algorithm can be used in discriminating patients from normal subjects in the early stages of the disease.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله بهزاد عابدی | Behzad Abedi
Department of Medical Engineering, Tabriz University of Medical Sciences, Tabriz, Iran.
گروه مهندسی پزشکی، دانشگاه علوم پزشکی تبریز، تبریز، ایران.

عطااله عباسی | Ataollah Abbasi
Department of Medical Engineering, Sahand University of Technology, Tabriz, Iran.
گروه مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران.

یاشار سرباز | Yashar Sarbaz
Department of Mechatronics Engineering, University of Tabriz, Tabriz, Iran.
گروه مهندسی مکاترونیک، دانشگاه تبریز، تبریز، ایران.

عاطفه گشوارپور | Atefeh Goshvarpour
Department of Medical Engineering, Sahand University of Technology, Tabriz, Iran.
گروه مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران.

نشانی اینترنتی http://jams.arakmu.ac.ir/browse.php?a_code=A-10-3959-1&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/2736/article-2736-2048668.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده عمومی
نوع مقاله منتشر شده پژوهشی اصیل
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات