عنوان

تحلیل زمان-فرکانس سیگنال راه رفتن جهت تشخیص بیماری‌های پیش‌رونده عصبی تدریجی

کد کشور

IR

شماره

۴۲۱۷پ

زبان متن نوشتاري يا گفتاري و مانند آن

فارسی

کشور محل نشر

IR

عنوان اصلي

تحلیل زمان-فرکانس سیگنال راه رفتن جهت تشخیص بیماری‌های پیش‌رونده عصبی تدریجی

نام عام مواد

[پایان‌نامه]

عنوان اصلي به زبان ديگر

Time-Frequency Gait Analysis For the Detection of Neurodegenerative Diseases

نام نخستين پديدآور

/معصومه سلجوقی

نام ناشر، پخش کننده و غيره

: آموزش‌های الکترونیک

تاریخ نشرو بخش و غیره

، ۱۳۹۹

نام خاص و کميت اثر

۸۲ص.

ساير جزييات

:

متن يادداشت

زبان: فارسی

متن يادداشت

زبان چکیده: فارسی

متن يادداشت

چاپی - الکترونیکی

متن يادداشت

مصور، جدول، نمودار

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی پزشکی- بیوالکتریک

زمان اعطا مدرک

۱۳۹۹/۱۱/۰۱

کسي که مدرک را اعطا کرده

صنعتی سهند

متن يادداشت

در سال‌های اخیر تشخیص بیماری‌های عصبی پیش‌رونده تدریجی از قبیل اسکلروز جانبی آمیوتروفیک، پارکینسون و هانتینگتون به یکی از چالش‌برانگیزترین مسائل در حوزه علوم اعصاب تبدیل‌شده است .وقوع این بیماری‌ها به دلیل انحطاط سلول‌های عصبی است که می‌تواند منجر به حرکات غیرطبیعی و اختلالات راه رفتن شود .در این مطالعه باهدف ارائه روش تشخیص برای این بیماران از روش تشخیصی خودکار مبتنی بر اطلاعات محلی سازی شده سیگنال راه رفتن استفاده‌شده است .نوآوری این روش در ارائه مجموعه ضرایب تنک شده برای بازنمایی اطلاعات محلی سیگنال راه رفتن و با رزولوشن مناسب زمانی و فرکانسی است .در الگوریتم پیشنهادی اول، با روش الگوریتم پیگیری انطباق سیگنال‌های سری زمانی پای چپ و راست تجزیه و تنک گردیده‌اند، سپس به‌منظور کمی نمودن میزان انحراف در دو طرف اندام‌های بدن، ویژگی‌های جدیدی مبتنی برتاب خوردگی زمانی تصحیح فاصله و تفاضلی آماری مورد استفاده قرارگرفته‌اند .در الگوریتم پیشنهادی دوم، ترکیب ویژگی‌های ساده خطی و غیرخطی مستخرج از ضرایب تنک الگوریتم پیگیری انطباق موردبررسی قرارگرفته است .سپس مؤلفه‌های اصلی این ویژگی‌ها با استفاده از یک روش کدینگ تنک، طبقه‌بندی‌شده‌اند .جهت بررسی قدرت تشخیص روش‌های پیشنهادی از مجموعه داده‌های بیماری‌های عصبی پیش‌رونده تدریجی، شامل ۱۶ فرد سالم، ۱۳ بیمار اسکلروز جانبی آمیوتروفیک، ۱۵ بیمار پارکینسون و ۲۰ فرد مبتلابه هانتینگتون استفاده‌شده است .نتایج نشان داده‌اند که الگوریتم پیشنهادی با استفاده از ترکیب ویژگی‌های خطی و یا غیرخطی، بهترین نتیجه را برای تشخیص هر سه بیماری پارکینسون، بیماری اسکلروز جانبی آمیوتروفیک و هانتینگتون به ترتیب با صحت مناسب ۹۴، ۹۳ و ۹۷ درصد را دارد .همچنین استخراج ویژگی از ضرایب الگوریتم پیگیری انطباق که از پنجره‌های سازگار با سیگنال حاصل‌شده‌اند، آن را در مقایسه با دیگر حوزه‌های مورد تحلیل سیگنال از قبیل زمان، فرکانس یا دیگر روش‌های زمان-فرکانسی کارآمدتر می‌کند .قابلیت بهتر ویژگی‌های غیرخطی برای تشخیص پارکینسون و هانتینگتون و ویژگی‌های خطی برای تشخیص اسکلروز جانبی آمیوتروفیک نیز نشان داده‌شده است

متن يادداشت

In the recent years, the diagnosis of Neurodegenerative Diseases (NDDs), such as Amyotrophic Lateral Sclerosis (ALS), Parkinson's Disease (PD) and Huntington's Disease (HD) has been one of the most challenging problems in the neuroscience fields. These disorders are caused by degeneration of brain cells, leading to abnormal movements. In this work, a general automatic method for detection of these patients has been proposed based on the localized time-frequency information of gait signals. The main part of the detection method is to obtain a small set of sparse coefficients for the local representation of gait signals with appropriate time and frequency resolution. In first algorithm various gait signals namely stride, swing, and stance intervals (from both legs) have been decomposed using a Matching Pursuit (MP) algorithm, then a set of new symmetry features such as Time Warp Edit Distance (TWED) and differential statistics has been investigated to quantify the amount of divergence between both limbs. In the second algorithm, a hybrid feature set based on sparse Matching Pursuit (MP) decomposition and two sets of nonlinear and linear features has been developed. Then, principal components of the proposed feature have been analyzed using a sparse coding classifier. This study was evaluated using the NDDs dataset, which contains 16 healthy subjects, 13 patients with ALS, 15 patients with PD, and 20 patients with HD. The proposed approach has achieved high average accuracy rates of 94 , 93 , and 97 for PD, ALS, and HD detection, respectively. The obtained results have indicated that combination of time and frequency information of the gait signals through adaptive localized window length in MP makes it more efficient in comparison with the existing time, frequency, or other time-frequency gait parameters. The great potential of nonlinear sparse features for PD and HD detection and linear ones for ALS detection has also been shown

خط فهرستنویسی و خط اصلی شناسه

ba

عنوان اصلي به زبان ديگر

Time-Frequency Gait Analysis For the Detection of Neurodegenerative Diseases

موضوع مستند نشده

الگوریتم پیگیری انطباق

موضوع مستند نشده

بیماری اسکلروز جانبی آمیوتروفیک

موضوع مستند نشده

بیماری پارکینسون

موضوع مستند نشده

بیماری هانتینگتون

موضوع مستند نشده

تاب خوردگی زمانی تصحیح فاصله

موضوع مستند نشده

آنتروپی تقریبی

موضوع مستند نشده

آنتروپی نمونه

اصطلاح موضوعی

Matching pursuit decomposition, Amyotrophic lateral sclerosis, Parkinsons disease, Huntingtons disease, Time warp edit distance, Approximate entropy, Sample entropy

اصطلاح موضوعی

الگوریتم پیگیری انطباق، بیماری اسکلروز جانبی آمیوتروفیک، بیماری پارکینسون، بیماری هانتینگتون، تاب خوردگی زمانی تصحیح فاصله، آنتروپی تقریبی، آنتروپی نمونه

مستند نام اشخاص تاييد نشده

سلجوقی، معصومه

مستند نام اشخاص تاييد نشده

قادریان، پیوند، استاد راهنما

کشور

ایران

تاريخ عمليات

20230617

شماره بازیابی

پزشکی.م ،۱۰۰۷۵ ،۱۳۹۹

نام ميزبان

ن‌امز ل‌یلحت‍-ی‌جیردت‍ ی‌بصع‍ ه‌دنورش‌یپ‍ ی‌اهی‌رامیب‍ ص‌یخشت‍ ت‌هج‍ ن‌تفر ه‌ار ل‌انگیس‍ س‌ناکرف‍.pdf

شماره دسترسي

عادی

اطلاعات مختصر

عادی

تاريخ و ساعت مذاکره و دسترسي

1525.pdf

تاريخ و ساعت مذاکره و دسترسي

pm10075.pdf

بيت در ثانيه

0

ارتباط براي تسهيلات دسترسي

ایمانی

نوع فرمت الکترونيکي

متن

اندازه فايل

0

شماره کنترل رکورد

پ۴۲۱۷

يادداشت عمومي

فارسی

وضعیت فهرست نویسی

نمایه‌سازی قبلی

فرمت انتشار

pe

نوع ماده

TF

کد کاربرگه

92029

پیشوند ISBD اعمال شده است

1

سطح دسترسي

a

تكميل شده

Y