طبقه بندی سطوح مختلف بیماری اسکلروز چند گانه و توانبخشی با استفاده از سیگنال الکترومایوگرام

چکیده مقاله

در این مقاله، پس از ساخت الگوی تعقیب توسط نرم افزار LabVIEW در رایانه، بیمار به منظور ردگیری حرکت نشانگر، با حرکات خم شدن و باز شدن آرنج خود حرکتی را ایجاد کرده و در حین حرکات دست، سیگنال عضلات حرکت دهنده آرنج ) عضلات دو سر و سه سر( توسط سنسور زاویه سنج و همزمان با آن نوار عصب و عضله بیمار ثبت شد. بدین صورت عملکرد عضلات متقابل هم بررسی گردید و با پردازش سیگنال های بدست آمده ویژگی هایی مانند ماکزیمم دامنه انتگرال قدرمطلق، چولگی، کشیدگی، آنتروپی، میانه و میانگین فرکانسی، ماکزیمم هم انقباضی عضله از سیگنال الکترومایوگرام و ویژگی هایی هم چون سرعت و تاخیر حرکت بیمار از سیگنال زاویه جهت تشخیص و تفکیک انواع بیماری اسکلروز چندگانه استخراج و به شبکه عصبی )^MLP( تک لایه با تعداد نورون های مخفی مختلف داده شد. آزمایش بر روی 17 نفر بیمار با درگیری اندام فوقانی و 5 نفر فرد سالم انجام شد. نتایج نشان داد که طبقه بند شبکه عصبی تک لایه با 3 نورون در لایه میانی دارای صحت بالایی در حدود 74.2 % بر روی کل مجموعه و در حدود 85.7 % بر روی مجموعه تست )در حالتی که 70% داده ها برای آموزش و 15% برای اعتبارسنجی و 15% برای تست استفاده شد( در کلاس بندی سطوح مختلف بیماری اسکلروز چند گانه است. هم چنین مقادیر ^Specificity و ^Sensitivity برای کل مجموعه به ترتیب برابر 78.25% و 79.03% به دست آمد. نتایج حاصل از منحنی رگرسیون نشان داد که این شبکه دارای قدرت بالای تعمیم پذیری می باشد.

دریافت لینک دانلود مقاله