fa تشخیص زود هنگام بیماری ALS با استفاده از تحلیل فرکانسی سیگنال حرکتی راه رفتن عمومى General پژوهشي اصیل Original Atricle <p dir="rtl" style="text-align: justify; margin-right: 28.9pt"><strong>زمینه و هدف: </strong><span dir="ltr">ALS</span> یک بیماری عصبی ماهیچه<strong>‌</strong>ای پیش رونده است که از مهم<strong>‌</strong>ترین مشخصات آن تخریب نورون<strong>‌</strong>های حرکتی در سیستم عصبی مرکزی و محیطی است. در حال حاضر هیچ روش کلینیکی دقیقی برای تشخیص این بیماری ارائه نشده است. در اغلب موارد افراد دارای <span dir="ltr">ALS</span> به دلیل اختلالات موجود در سیستم عصبی نمی<strong>‌</strong>توانند به صورت عادی راه بروند. به همین دلیل، یکی از روش<strong>‌</strong>های مفید برای تشخیص این بیماری از سایر بیماری<strong>‌</strong>های عصبی و یا تشخیص بیماران مبتلا به <span dir="ltr">ALS</span> از افراد سالم، تحلیل سیگنال حرکتی راه رفتن است.</p> <p dir="rtl" style="text-align: justify; margin-right: 28.9pt"><strong>مواد و روش‌ها:</strong> در این مطالعه از دادگان موجود در سایت فیزیونت استفاده شده است. این پایگاه داده<strong>‌</strong>ای از 13 بیمار دارای <span dir="ltr">ALS(ALS1,ALS2,&hellip;,ALS13</span>) به همراه 16 فرد سالم <span dir="ltr">(CO1,CO2,&hellip;,CO16)</span> تشکیل شده است. افراد بیمار شرکت کننده در این مطالعه هیچ<strong>‌</strong>گونه سابقه بیماری عصبی دیگری نداشتند و در هنگام راه رفتن از هیچ وسیله کمکی مانند ویلچر استفاده نمی<strong>‌</strong>کردند.</p> <p dir="rtl" style="text-align: justify; margin-right: 28.9pt"><strong>یافته‌ها:</strong> در این مطالعه از طیف توان که از ویژگی<strong>‌</strong>های فرکانسی است، برای آشکارسازی تفاوت<strong>‌</strong>های احتمالی سری<strong>‌</strong>های زمانی افراد بیمار و سالم استفاده شد. توان طیف هر دو گروه در فرکانس<strong>‌</strong>های بالا مشابه است، ولی در فرکانس<strong>‌</strong>های پایین، توان طیف در افراد سالم معمولاً کمتر از افراد بیمار است.</p> <p style="text-align: justify; margin-right: 40px"><span dir="rtl"><strong>نتیجه‌گیری: </strong>شبکه عصبی مصنوعی با بیان‌گر قدرت تفکیک 83 درصد برای مجموعه داده‌های آزمایش در بین افراد سالم و بیمار به کار رفت. به نظر می‌رسد این الگوریتم روش مناسبی برای جداسازی افراد بیمار و سالم در مراحل اولیه بیماری باشد.</span></p> <p style="text-align: justify"><em><strong>Background: </strong></em>ALS is a progressive neuro-muscular disease, which is characterized by motor neuron loss in the Central Nervous System (CNS) and Peripheral Nervous System (PNS). Up to now, no accurate clinical method for diagnosis of the disease have been provided. In most cases, ALS patients are unable to walk normally due to abnormalities in the nervous system. For this reason, one of the most appropriate methods in the diagnosis of ALS from other neurological diseases or from healthy volunteers is the gait motor signal analysis.</p> <p style="text-align: justify"><strong><em>Materials and Methods:</em> </strong>In this study, gait signals available in Physionet database have been used. The database consists of 13 patients with ALS (ALS1, ALS2, &hellip;, ALS13) and 16 normal subjects (CO1, CO2, &hellip;, CO16). The patients participating in this study had no history of any psychiatric disorders and did not use any assistive device for walking, like wheelchair. The power spectrum of stride, swing, and stance of normal subjects and patients was computed for both left and right legs. To provide appropriate inputs for the classifier, the frequency band of the power spectrum of all signals was divided into eight equal parts. The area of all regions was computed. Three frequency band of the lower range of power spectra selected as inputs of the classifier.</p> <p style="text-align: justify"><strong><em>Results:</em> </strong>In this study, power spectra, as frequency attributes, were used to explore probable differences of time series in both patients and healthy subjects.</p> <p style="text-align: justify"><strong><em>Conclusion:</em></strong> Artificial Neural Network was used to classify normal and ALS groups with the accuracy of 83% for the test data set. It seems that the present algorithm can be used in discriminating patients from normal subjects in the early stages of the disease.</p> سیگنال حرکتی راه رفتن, پردازش سیگنال, بیماری ALS, شبکه عصبی Gait motor signal, Signal processing, ALS disease, Neural network 54 61 http://jams.arakmu.ac.ir/browse.php?a_code=A-10-3959-1&slc_lang=fa&sid=1 Behzad Abedi بهزاد عابدی behzad.abedi1993@gmail.com 4600319475328460064095 4600319475328460064095 No Department of Medical Engineering, Tabriz University of Medical Sciences, Tabriz, Iran. گروه مهندسی پزشکی، دانشگاه علوم پزشکی تبریز، تبریز، ایران. Ataollah Abbasi عطااله عباسی ata.abbasi@sut.ac.ir 4600319475328460064096 4600319475328460064096 Yes Department of Medical Engineering, Sahand University of Technology, Tabriz, Iran. گروه مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران. Yashar Sarbaz یاشار سرباز yashar.sarbaz@tabrizu.ac.ir 4600319475328460064097 4600319475328460064097 No Department of Mechatronics Engineering, University of Tabriz, Tabriz, Iran. گروه مهندسی مکاترونیک، دانشگاه تبریز، تبریز، ایران. Atefeh Goshvarpour عاطفه گشوارپور af_goshvarpour@sut.ac.ir 4600319475328460064098 4600319475328460064098 No Department of Medical Engineering, Sahand University of Technology, Tabriz, Iran. گروه مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران.