به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت

جستجوی مقالات مرتبط با کلیدواژه "kinect camera" در نشریات گروه "پزشکی"

جستجوی kinect camera در مقالات مجلات علمی
  • محمود سیف اللهی، هادی سلطانی زاده*، افسون حسنی مهربان، فاطمه خمسه
    مقدمه

    آنالیز الگوی راه رفتن با استفاده از ابزارهای نوین فناوری برای شناسایی بیماری آلزایمر، مورد توجه محققین در دهه اخیر قرار گرفته است. بنابراین در این مطالعه از داده های اسکلتی دوربین کینکت برای آنالیز الگوی راه رفتن به منظور شناسایی بیماری آلزایمر در سالمندان استفاده شد.

    روش

    در این مطالعه توسعه ای-کاربردی به صورت تجربی، ثبت نمونه های راه رفتن در یک مسیر بیضی شکل برای 12 نفر از زنان سالمند با بیماری آلزایمر و 12 نفر سالمند زن سالم، به وسیله دوربین کینکت صورت گرفت. پس از استخراج ویژگی های راه رفتن، آنالیز توصیفی برای مقایسه ویژگی ها در میان گروه سالم و بیمار انجام شد. سپس یک کلاسه بند ماشین بردار پشتیبان برای شناسایی سالمندان با بیماری آلزایمر طراحی شد.

    نتایج

    مقایسه ویژگی های استخراجی از راه رفتن به وسیله داده های اسکلتی دوربین کینکت، حکایت از تطبیق نتایج با یافته های پیشین حاصل از سیستم های مبتنی بر انواع دیگر سنسورها برای تفکیک دو گروه سالمندان سالم و بیمار دارد. نتایج تفکیک افراد سالمند سالم و بیمار شرکت کننده در پژوهش حاضر به وسیله کلاسه بند ماشین بردار پشتیبان نیز دارای صحت، حساسیت، دقت و Specificity به ترتیب 91/25%، 93/44%، 90/94% و 93/57% برای شناسایی بیماری است.

    نتیجه گیری

    در کنار آنالیز آمار توصیفی ویژگی های راه رفتن، با تکیه بر روش های مبتنی بر یادگیری ماشین مانند ماشین بردار پشتیبان می توان به شناسایی سالمندان با بیماری آلزایمر به وسیله ویژگی های استخراجی به دست آمده از داده های اسکلتی راه رفتن سالمندان با نتایج قابل قبولی دست یافت.

    کلید واژگان: بیماری آلزایمر, شناسایی, راه رفتن, دوربین کینکت, طبقه بندی
    Mahmoud Seifallahi, Hadi Soltanizadeh*, Afsoon Hassani Mehraban, Fatemeh Khamseh
    Introduction

    Gait analysis through using modern technology for detection of Alzheimer's disease has found special attention by researchers over the last decade. In this study, skeletal data recorded with a Kinect camera, were used to analyze gait for the purpose of detecting Alzheimer's disease in elders.

    Method

    In this applied-developmental experimental study, using a Kinect camera, data were collected for 12 elderly women with Alzheimer's disease and 12 healthy elderly women walking in an oval path. After extracting various features of gait, descriptive analysis was performed to compare the features between the healthy and patient groups. Then, a support vector machine classifier was designed to detect elderly people with Alzheimer's disease.

    Results

    The comparison of extracted features from skeletal data of gait using Kinect camera in this study indicate that the results are matched with previous findings from systems based on other types of sensors. The accuracy, sensitivity, precision and specificity of system designed in the present study for classifying elders with Alzheimer's disease and healthy elders were 91.25%, 93.4484%, 90.5945% and 93.581% respectively.

    Conclusion

    In addition to descriptive analysis of gait, by using machine learning methods such as support vector machine classifier, elderly people with Alzheimer's disease can be detected based on features extracted from skeletal data of Elderly people.

    Keywords: Alzheimer Disease, Detection, Gait, Kinect Camera, Classification
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال