تحلیل رفتار حرکتی در بیماران پارکینسون مبتنی بر پردازش تصاویر ویدیویی

حرکت شناسی بعنوان یکی از علوم پایه به بررسی رفتار حرکتی موجودات زنده می پردازد. با گسترش و رشد جمعیت بررسی رفتار حرکتی انسان با استفاده از علوم حرکت شناسی توام با تحلیل دیداری از اهمیت ویژه ای برخوردار است. بنابراین نیاز صنایع مختلف برای دستیابی به سیستم های پیشرفته نظارت تصویری در محیطهای حساس امنیتی و مراقبتی به ابزاری کارآمد تبدیل شده است. از جمله کاربردهای وسیع نظارت خودکار، بررسی و تشخیص اختلالات حرکتی است که طیف وسیعی از افراد در سنین مختلف را شامل می-شود. بررسی اختلالات حرکتی در جهت تشخیص سریع و جلوگیری از پیشرفت روند بیماری صورت میگیرد. بیماری پارکینسون از شایع ترین اختلالات حرکتی است که دستگاهعصبی مرکزی را دچار اختلال میکند و رفتار حرکتی فرد را با گذشت زمان تحت تاثیر قرار میدهد. از نشانه ها ی بارز این بیماری کندی در حرکت و کاهش طول گام افراد است که در مراکز درمانی مورد مطاله بیشتری قرار میگیرد.لذا نشانه ها و الگوهای خاص حرکتی این بیماری بیشتر در نحوه راه رفتن افراد بروز می کند.این مطالعه، کاربرد پردازش تصاویر ویدیویی را در تشخیص خودکار بیماری پارکینسون نشان می دهد. الگوهای حرکتی با محاسبه زاویه بین دوپا در هر فریم از تصاویر ویدیویی محاسبه شده است. سپس، سیگنال حرکتی بر حسب زمان با کنار هم قراردادن الگوی هر فریم بدست آمده است. روش پیشنهادی بر پایه روشهای انتخاب و استخراج ویژگی در فضای تبدیل فوریه و تبدیل موجک بیان شدند که سبب افزایش سرعت و دقت سامانه تشخیصی میباشد. از اینرو، ضرایب موجک سیگنال زمانی حرکت با استفاده از توابع مادر دابیشیز، سیملت و دو متعامد استخراج شدند سپس با نگاشت ضرایب به فضای تحلیل مولفه اصلی و تحلیل تفکیک خطی نمونه ها در فضای جدید در غالب یک بعد معرفی شدند. از طرفی با محاسبه مولفه های فرکانسی سیگنال زمانی حرکت و روش انتخاب ویژگی بیشترین وابستگی و کمترین افزونگی در جهت گزینش مولفه های فرکانسی برتر تلاش گردید که در نهایت با انتخاب 15 مولفه فرکانسی از بین 256 مولفه بیشترین دقت طبقه بندی نمونه ها بدست آمد. کارایی روش پیشنهادی روی داده های جمع آوری شده در بیمارستان حضرت رسول اکرم (ص) بررسی گردید. نتایج حاصل بیانگر تفکیک گروه افراد سالم از بیماران پارکینسونی مبتنی بر سه طبقه بند ماشین بردار پشتیبان، همسایه نزدیکتر و شبکه عصبی مصنوعی با دقت 100% مستقل از سه طبقه بند فوق می باشد.