بخشی از مقاله
چکیده - پارکینسون بیماری اختلال حرکتی مزمن و همیشه در حال پیشرفت می باشد و تشخیص این بیماری بهخصوص در مراحل اولیه اغلب دشوار است. در این مقاله، ویژگی های حرکتی افراد در استفاده از کامپیوتر با کمک نرم افزار Fitts Law استخراج شده، و با نگاشت شبکه عصبی پس انتشار خطا به علائم بیماری پارکینسون تبدیل شد ه است. سپس از چهار طبقهبند درخت تصمیم C4.5، ماشین بردار پشتیبان، شبکه بیزین و k نزدیکترین همسایه برای پشتیبانی از متخصصین جهت تشخیص این بیماری استفاده شده است.
روش ارائه شده صحت طبقه بندی قابل قبولی را از طریق آنالیز روش K-fold CV با بالاترین صحت %94.44 و میانگین صحت %85.53 بعد از نگاشت شبکه عصبی پسانتشار خطا به کمک طبقهبند درخت تصمیم C4.5 در طی 5 بار اجرای فرآیند 5-fold CV بدست آورده است. هدف این مقاله ارائه روشی ساده و کم هزینه میباشد. آزمایشهای انجام شده بهبود تشخیص بیماری پارکینسون را در روش ارائه شده نشان میدهد.
- 1 مقدمه
بعد از آلزایمر، پارکینسون شایع ترین بیماری مخرب اعصاب به حساب می آید. پارکینسون بیماری مزمن و پیشرونده ای است که در آن سلولهای عصبی در مغز میانی ضعیف شده یا از بین میروند. این سلول های عصبی ماده ای به نام دوپامین، ترشح میکنند. دوپامین پیام های عصبی را از مغز میانی به بخش دیگری از مغز به نام کارپوس استراتوم، می برد. در نتیجه با فقدان دوپامین حرکات بدن نامنظم می شود. این اختلال ها در مراکز کنترل بدن در مغز باعث به وجود آمدن علائم پارکینسون میشوند 2]،.[1 برآورد شده است که حدود 40٪ از افراد مبتلا به این بیماری ممکن است تشخیص داده نشوند .[3]
علیرغم تحقیقات و پژوهشهای علمی، بیماری پارکینسون در حال حاضر درمان قطعی ندارد . اما تشخیص بیماری پارکینسون در مراحل اولیه می تواند کمک شایانی به ساخت داروهای موثرتر در درمان این بیماری نموده و کیفیت زندگی را در بیماران مبتلا به این بیماری بهبود بخشد. همانطور که پیش تر گفته شد، بیماری پارکینسون یکی از بیماری هایی است که باعث ایجاد اختلالات حرکتی میگردد؛ در نتیجه در این مقاله، با ضبط اطلاعات حرکتی افراد در هنگام استفاده از کامپیوتر به کمک نرم افزار Fitts Law و سپس با نگاشت شبکه عصبی پس انتشار بر روی این اطلاعات حرکتی، علائم بیماری پارکینسون که بیشترین تاثیر را روی این بیماری داشته، شامل لرزش، سفتی ماهیچه ها، کندی حرکات دست و پا، اختلال در خواب، افسردگی، دردهای استخوانی و یبوست استخراجشده است. در گام بعدی از طبقهبندهای C4.5 ، ماشین بردار پشیبان، نزدیک ترین همسایه و شبکه بیزین جهت تشخیص این بیماری استفاده شده است و نتایج نشان دهنده ی آن است که این روش میتواند کمک موثری در تشخیص این بیماری باشد.
اگر چه روش های زیادی در حوزه ی یادگیری ماشین جهت تشخیص این بیماری پیشنهاد شده است، اما در هر یک از این روشها از دادههای صوتی، دادههای بالینی، دست خط و ... به منظور تشخیص استفاده شده است. این روش ها نسبتا می تواند زمانبر و پرهزینه باشد . در این مقاله از دادهها ی مربوط به اطلاعات حرکتی افراد که توسط کامپیوتر با هزینه پایین قابل جمعآوری هستند، و با نگاشت شبکه عصبی به علائم بیماری پارکینسون تبدیل شده، استفاده شده است. سازماندهی مقاله به شرح ذیل است : در بخش دوم مقالات مختلف رایج در ادبیات مورد بررسی قرار گرفته است، در بخش سوم ساختار روش پیشنهادی با ارائه فلوچارت و جزئیات کامل تشریح شده است، بخش چهارم بیان نتایج تجربی و بخش پنجم ارائه نتیجهگیری و اظهارات نهایی میباشد.
2 -مروری بر ادبیات
چانگچنگ و همکارانش [ 4] یک سیستم تشخیص کارآمد با استفاده از روش نزدیک ترین همسایه فازی جهت تشخیص بیماری پارکینسون پیشنهاد نموده اند . سیستم پیشنهادی با روشهای مبتنی بر ماشین بردار پشتیبان مقایسه می شود. نتایج تجربی نشان داده است که این روش تا حدود زیادی بهتر از روشهای مبتنی بر ماشین بردار پشتیبان عمل می کند . بهترین دقت طبقهبندی بدست آمده با استفاده از روش 10-fold CV، %96.07 میباشد که می تواند یک مدل تشخیصی قابل اعتماد برای تشخیص بیماری پارکینسون، حاصل شود . کان چان و همکارانش [3] یک روش مبتنی بر PDR1 جهت ضبط ویژگیهای حرکتی مربوط به راه رفتن بیمار - همانند: طول گام، فرکانس گام، سرعت حرکت و ... - با استفاده از یک تلفن هوشمند را ارائه نموده اند.
نویسندگان این مقاله با شناسایی تغییرات ویژگیهای راه رفتن بیمار از طریق طبقه بند دودویی ساده ماشین بردار پشتیبان با دقت %98.25 به تشخیص زودهنگام بیماری پارکینسون پی بردهاند. دیویا تومار و همکارانش [5] یک سیستم تشخیص بیماری پارکینسون با استفاده از طبقه بند LSTSVM2 و روش انتخاب ویژگیPSO3 پیشنهاد نموده اند که در مقایسه با روش های موجود دیگر به بالاترین دقت، %97.95 دست یافته اند .
بوچیخی و همکارانش [6] از الگوریتم انتخاب ویژگیRelief-F جهت افزایش کارایی و کاهش ویژگی ها از 22 ویژگی به 10 ویژگی که وابستگی بالایی داشته اند، استفاده نمودهاند. نویسندگان این مقاله با استفاده از روش 10-fold CV به کمک طبقه بند ماشین بردار پشتیبان به دقت %96.88 دست یافتهاند. محمتکن [7] با تقویت شبکه عصبی توزیع شده موازی با دو لایه مخفی از طریق فیلتر کردن با الگوریتم پس انتشار خطا4 همراه با رای اکثریت به نرخ مثبت واقعی بیشتر از 90% دست یافته است.
گارپریت و همکارانش [8] با پردازشMRI5 مغز به کمک شبکه عصبی خود سازمان ده 6 ویژگیهایی را استخراج نموده و همچنین به کمک روش آماری FDR7 ویژگیهای ممتاز را انتخاب نموده اند . همچنین از طبقه بند LS-SVM 8 برای تشخیص بیماران در مراحل اولیه استفاده نموده اند و به دقت %97 دست یافته اند. آپراجیتا شارما و همکارانش [9] از طبقه بند نزدیکترین همسایه، ماشین بردار پشتیبان و شبکه عصبی چند لایه جهت تشخیص بیماری پارکینسون استفاده نمودهاند که به ترتیب به دقت % 82.35، %85.294 و %82.35 دست یافته اند.
در [10] با استخراج 26 ویژگی از سیگنال های صوتی ضبط شده و معرفی الگوریتم طبقه بندی شبکه بیزین و نزدیکترین همسایه جهت تمایز بین افراد سالم و افراد مبتلا به پارکینسون پرداختهاند. شبکه بیزین نسبت به نزدیک ترین همسایه عملکرد بهتری با توجه به مجموعه داده های بکار رفته داشته است . نویسندگان این مقاله با کمک طبقه بند نزدیک ترین همسایه وشبکه بیزین به ترتیب به دقت %80 و %93.3 دست یافته اند .
سالنی و همکارانش [11] به کمک نرم افزار PRAAT ویژگیهای مربوط به سیگنال های صوتی را استخراج نموده و از بین 23 ویژگی استخراج شده 15 ویژگی که نویزشان رفع شده، انتخاب نمودهاند. همچنین از طبقه بند نزدیک ترین همسایه و ماشین بردار پشتیبان جهت تشخیص بیماری پارکینسون استفاده نموده که به کمک طبقه بند ماشین بردار پشتیبان به بالاترین دقت، %95.9 دست یافته اند. زو و همکارانش [12] یک سیستم مبتنی بر کامپیوتر جهت تشخیص بیماری پارکینسون بر اساس الگوریتم بهینهسازی ذرات و طبقه بند نزدیک ترین همسایه فازی پیشنهاد نموده اند و به صحت %97.47 دست یافته اند .
شاهباخی و همکارانش [13] با استخراج 14 ویژگی از سیگنال های صوتی ضبط شده و با معرفی الگوریتم ژنتیک و طبقه بند ماشین بردار پشتیبان به دقت %94.50، %93.66 و %94.22 به ترتیب با 4، 7 و 9 ویژگی دست یافته اند . نویدخزین و همکارانش [14] یک مدل جدید براساس ترکیب الگوریتم PSO و طبقه بند شبکه بیزین با دقت %97.95 جهت تشخیص بیماری پارکینسون معرفی نموده اند.
هیولینگچن و همکارانش [15] از چندین روش انتخاب ویژگی IG1، mRMR2، Relief و t-test و دو روش یادگیری ماشین ELM3 و KELM4 جهت تشخیص بیماری پارکینسون استفاده نموده اند که به کمک روش ترکیبی mRMR-KELM با کمترین ویژگی به بالاترین دقت %96.47 دست یافته اند. کلایتون و همکار انش [16] با پردازش تصویر دستنوشته افراد، مجموعه داده های جدیدی را توسط دستگاه Low-cost استخراج نموده اند .
سپس به کمک طبقه بندهای شبکه بیزین، ماشین بردار پشتیبان و OPF5 به ترتیب به دقت 78.9 %، %75.8 و % 77.1 دست یافته اند. قره چپاق و همکارانش [17] از شبکه های عصبی مصنوعی چند لایه جهت تشخیص بیماری پارکینسون استفاده نموده اند . ایندیرا راستمپاسیک و همکارانش [18] یک روش یادگیری ماشین خودکار را پیشنهاد کردهاند و بیماری پارکینسون را به کمک داده های گفتار / صدای شخص تشخیص دادهاند. سپس با روش خوشهبندی فازی C-means و تشخیص الگو به دقت %68.04 دست یافتهاند.
3 -روش پیشنهادی
به طور کلی در روش ارائهشده، ویژگیهای حرکتی افراد با استفاده از کامپیوتر ذخیره شده و سپس با نگاشت شبکه عصبی دو لایه بر روی این ویژگی های حرکتی، علائم این بیماری استخراج شده است . همچنین از طبقه بندهای C4.5، ماشین بردار پشتیبان، شبکه بیزین و نزدیک ترین همسایه برای تشخیص این بیماری استفاده شده است.
