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

انجماد راه رفتن (FOG) یکی از عوارض بیماری پارکینسون (PD) است که منجر به ناتوانی بیمار در انجام فعالیت های حرکتی می شود. وقوع FOG باعث کاهش استقلال بیماران در انجام فعالیت های روزمره و به طور کلی کاهش کیفیت زندگی آن ها می شود. استفاده از روش های محاسباتی می تواند با بررسی دقیق وضعیت FOG در بیماران، پشتیبانی غیردارویی و اطلاعات تکمیل کننده ای را در مورد بیماری به متخصصان مغز و اعصاب ارایه دهد و احتمال ارایه یک درمان موثرتر را افزایش دهد. این مقاله، روشی را برای تشخیص FOG بر اساس تکنیک های یادگیری عمیق و پردازش سیگنال ارایه می دهد. داده های به کار رفته، مجموعه داده Daphnet می باشد که از طریق سنسورهای پوشیدنی قرار گرفته بر روی بدن بیماران، جمع آوری شده اند. روش پیشنهادی، پس از پالایش و پیش پردازش داده ها، به تشخیص FOG از طریق ارایه یک معماری شبکه عصبی عمیق مبتنی بر شبکه های حافظه کوتاه مدت دوطرفه (BDL-FOG) می پردازد. نتایج تجربی نشان می دهد که روش پیشنهادی به دلیل سازگاری بیشتر با داده های سری زمانی توانسته است ضمن بهبود فرآیند تشخیص FOG به دقت بالاتری نسبت به بهترین روش های موجود دست یابد.