ارائه‌کننده: شیدا ورزشی
استاد راهنما: دکتر روزبه عابدینی نسب
استاد مشاور: دکتر محمد نجفی آشتیانی
استاد ناظر داخلی: دکتر سحر بوذری
استاد ناظر خارجی: دکتر فاطمه رحیمی
تاریخ: ۱۴۰۴/۰۷/۱۳
ساعت: ۱۱:۰۰
مکان: ساختمان فنی و مهندسی، بلوک شماره سه، طبقه اول، اتاق 154

چکیده:
بیماری پارکینسون دومین اختلال شایع عصبی است که بیش از شش میلیون نفر در سراسر جهان را درگیر می‌کند و با علائمی نظیر مشکلات راه‌رفتن و اختلالات گفتاری همراه است. تشخیص به‌موقع این بیماری برای مدیریت مؤثر علائم اهمیت بالایی دارد، زیرا علائم اولیه ممکن است مشابه دیگر اختلالات عصبی باشند. هدف این پژوهش، طراحی و پیاده‌سازی یک سیستم مبتنی بر هوش مصنوعی است که با تحلیل داده‌های نیروسنج صفحه‌ای، قادر به شناسایی بیماران پارکینسون از افراد سالم و تسهیل فرایند تشخیص و درمان باشد. برای این منظور، داده‌های حرکتی بیماران با استفاده از نیروسنج صفحه‌ای دو‌بعدی جمع‌آوری شدند و متغیرهای نمایانگر پایداری و عملکرد حرکتی استخراج شدند. داده‌های جمع‌آوری‌شده با بهره‌گیری از الگوریتم‌های یادگیری ماشین پردازش شدند. تحلیل داده‌ها در دو بخش بدون‌نظارت‌ و نظارت‌شده انجام شد.
در بخش بدون‌نظارت، پس از انتخاب ویژگی‌های مؤثر با استفاده از الگوریتم بهینه‌سازی نهنگ باینری، کاهش ابعاد با استفاده از روش‌های تحلیل مؤلفه‌های اصلی و فاصله ماهالانوبیس انجام شد. داده‌های کاهش‌یافته با روش t-SNE به فضای دوبعدی نگاشته شدند و خوشه‌بندی آن‌ها با استفاده از الگوریتم K-Means صورت گرفت. نتایج این خوشه‌بندی نشان داد بیماران پارکینسون به‌طور کامل از افراد سالم تفکیک شدند و دقت خوشه‌بندی به 100% رسید. در بخش نظارت‌شده، طبقه‌بندی افراد با استفاده از الگوریتم‌های جنگل تصادفی و شبکه عصبی کم‌عمق انجام شد. مدل جنگل تصادفی در مجموعه داده‌ آموزشی دقت 3/91% و در مجموعه‌داده آزمایشی دقت 33/83% را کسب کرد. تحلیل ماتریس سردرگمی و منحنی ROC، عملکرد مناسب مدل در تفکیک بیماران و افراد سالم‌ را تأیید کرد. شبکه عصبی کم‌عمق، باوجود ساختار ساده، تمامی نمونه‌های مجموعه آزمایشی را به‌درستی طبقه‌بندی کرد.
این مدل دقت کامل 100 % به همراه AUC برابر ۱ برای هر دو کلاس به‌دست آورد که نشان‌دهنده توانایی آن در تشخیص نمونه‌ها و یادگیری روابط پیچیده میان ویژگی‌ها بود. نتایج این پژوهش نشان داد که ترکیب الگوریتم‌های خوشه‌بندی و طبقه‌بندی مبتنی بر یادگیری‌ماشین می‌تواند یک چارچوب تحلیلی جامع برای تفکیک و ارزیابی داده‌های حرکتی بیماران پارکینسون فراهم کند. این سیستم می‌تواند به‌عنوان یک ابزار کمک تشخیصی پیشرفته در کلینیک‌ها مورداستفاده قرار گیرد و امکان پایش پیشرفت درمان را نیز فراهم سازد.