ارزيابي شدت بيماري پاركينسون با استفاده از سنجنده كينكت

كارشناسي ارشد

بيماري پاركينسون يكي از شايع ترين گروه از اختلالات عصبي پيشرونده است كه ميليون ها نفر را در سراسر جهان تحت تاثير قرار مي دهد و با مشكلات حركتي مانند سفتي ،كندي و لرزش همراه است. ارزيابي دقيق و عيني شدت اين بيماري نقش مهمي در نظارت بر پيشرفت آن و ارزيابي اثربخشي مداخلات درماني دارد. در سال‌هاي اخير، فناوري‌هاي بينايي كامپيوتري پتانسيل اميدواركننده‌اي را در ارائه اندازه‌گيري‌هاي غيرتهاجمي و كمي براي ارزيابي بيماري پاركينسون نشان داده‌اند. امروزه مشاهده شده است كه پيش آگاهي و مرحله اي از بيماري پاركينسون را مي توان به وسيله ي آزمون عيني FAB با اندازه گيري اختلال در عملكرد اجرايي شناسايي كرد. FABيك آزمون مختصر و دقيق است كه يك همبستگي بين اين آزمون و ساير آزمون هاي تشخيصي براي بيماري فوق، مانند مقياس يكپارچه ي درجه بندي پاركينسون (UPDRS) وجود دارد اما زمانبر است. شدت بيماري پاركينسون از جهت پيش بيني مراحل بيماري و تجويز حركات از اهميت ويژه اي برخوردار است. بنابراين مدل هايي طراحي شده كه به آزمون هاي فوق كمك مي كنند. در اين پژوهش، هدف ايجاد سيستم تعيين شدت بيماري پاركينسون است كه تصاوير اسكلتي به دست آمده از دوربين كينكت را در نظر بگيرد و از يادگيري عميق براي آموزش شبكه استفاده كند. دوربين كينكت، كه به عنوان يك دستگاه سنجش عمق در زمينه تعامل انسان و رايانه استفاده مي شود، داده هاي اسكلتي سه بعدي افرادي را كه در حال انجام يك سري وظايف حركتي استاندارد هستند، مي گيرد و سپس اين داده‌ها با استفاده از تكنيك‌هاي پيشرفته يادگيري ماشين پردازش شده تا ويژگي‌هاي مربوطه را استخراج كرده و شدت اختلالات حركتي مرتبط با پاركينسون كمي‌سازي شوند. سيستم پيشنهادي از قابليت‌هاي منحصربه‌فرد دوربين كينكت براي رديابي و تحليل دقيق الگوهاي حركتي كليدي مانند راه رفتن، لرزش و برادي‌كينزي استفاده مي‌كند كه معمولاً در افراد مبتلا مشاهده مي‌شود و با استفاده از الگوريتم‌هاي شبكه كانولوشنال نمودار مكاني-زماني(STGCN) و شبكه كانولوشنال گراف تطبيقي دو جرياني(2SAGCN)، مي‌تواند ناهنجاري‌هاي حركتي خاص را شناسايي و اندازه‌گيري‌هاي عيني شدت بيماري را ارائه دهد. در اين پژوهش از يادگيري انتقالي براي بهينه سازي شبكه و نيز داده افزايي سه بعدي استفاده شده است كه موجب بهبود نتايج شد. مدل هاي STGCN و 2SAGCN بر روي مجموعه داده IRDS آموزش داده شدند و با افزدون ماژول توجه كانال به ترتيب به دقت تست92.63± 0.32 درصد و 93.71± 0.40 درصد در بيان شدت بيماري پاركينسون و حركت انجام شده توسط فرد رسيدند.

230472

دانشگاه اصفهان

مهندسي كامپيوتر - هوش مصنوعي و رباتيكز

حسين ماهوش محمدي