fa شناسایی بیماری آلزایمر در سالمندان با استفاده از مدل راه رفتن و دوربین کینکت سیستم های تصمیم یار بالینی Clinical Decision Support Systems پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:tahoma;"><strong><span style="color:black;">مقدمه:</span></strong> آنالیز الگوی راه رفتن با استفاده از ابزارهای نوین فناوری برای شناسایی بیماری آلزایمر، مورد توجه محققین در دهه اخیر قرار گرفته است. بنابراین در این مطالعه از داده‌های اسکلتی دوربین کینکت برای آنالیز الگوی راه رفتن به منظور شناسایی بیماری آلزایمر در سالمندان استفاده شد.<br> <strong><span style="color:black;">روش:</span></strong> در این مطالعه توسعه&shy;ای-کاربردی به‌صورت تجربی، ثبت نمونه‌های راه رفتن در یک مسیر بیضی شکل برای 12 نفر از زنان سالمند با بیماری آلزایمر و 12 نفر سالمند زن سالم، به وسیله دوربین کینکت صورت گرفت. پس از استخراج ویژگی‌های راه رفتن، آنالیز توصیفی برای مقایسه ویژگی‌ها در میان گروه سالم و بیمار انجام شد. سپس یک کلاسه‌بند ماشین بردار پشتیبان برای شناسایی سالمندان با بیماری آلزایمر طراحی شد. <strong><span style="color:black;"></span></strong><br> <strong><span style="color:black;">نتایج</span></strong><strong>:</strong> مقایسه ویژگی‌های استخراجی از راه رفتن به وسیله داده‌های اسکلتی دوربین کینکت، حکایت از تطبیق نتایج با یافته‌های پیشین حاصل از سیستم‌های مبتنی بر انواع دیگر سنسورها برای تفکیک دو گروه سالمندان سالم و بیمار دارد. نتایج تفکیک افراد سالمند سالم و بیمار شرکت‌کننده در پژوهش حاضر به وسیله کلاسه‌بند ماشین بردار پشتیبان نیز دارای صحت، حساسیت، دقت و <span dir="LTR">Specificity</span> به ترتیب 91/25%، 93/44%، 90/94% و 93/57% برای شناسایی بیماری است.<br> <strong>نتیجه‌گیری:</strong> در کنار آنالیز آمار توصیفی ویژگی&shy;های راه رفتن، با تکیه بر روش‌های مبتنی بر یادگیری ماشین مانند ماشین‌بردار پشتیبان می‌توان به شناسایی سالمندان با بیماری آلزایمر به وسیله ویژگی‌های استخراجی به دست آمده از داده‌های اسکلتی راه رفتن سالمندان با نتایج قابل قبولی دست یافت. </span></span></div> <div style="text-align: justify;"><span style="font-family:tahoma;"><strong>Introduction:</strong> Gait analysis through using modern technology for detection of Alzheimer&#39;s disease has found special attention by researchers over the last decade. In this study, skeletal data recorded with a Kinect camera, were used to analyze gait for the purpose of detecting Alzheimer&#39;s disease in elders.<br> <strong>Method:</strong> In this applied-developmental experimental study, using a Kinect camera, data were collected for 12 elderly women with Alzheimer&#39;s disease and 12 healthy elderly women walking in an oval path. After extracting various features of gait, descriptive analysis was performed to compare the features between the healthy and patient groups. Then, a support vector machine classifier was designed to detect elderly people with Alzheimer&#39;s disease.<br> <strong>Results:</strong> The comparison of extracted features from skeletal data of gait using Kinect camera in this study indicate that the results are matched with previous findings from systems based on other types of sensors. The accuracy, sensitivity, precision and specificity of system designed in the present study for classifying elders with Alzheimer&#39;s disease and healthy elders were 91.25%, 93.4484%, 90.5945% and 93.581% respectively.<br> <strong>Conclusion</strong>: In addition to descriptive analysis of gait, by using machine learning methods such as support vector machine classifier, elderly people with Alzheimer&#39;s disease can be detected based on features extracted from skeletal data of Elderly people.</span></div> بیماری آلزایمر, شناسایی, راه رفتن, دوربین کینکت, طبقه‌بندی Alzheimer Disease, Detection, Gait, Kinect Camera, Classification 178 196 http://jhbmi.ir/browse.php?a_code=A-10-510-1&slc_lang=fa&sid=1 Mahmoud Seifallahi محمود سیف اللهی m.seifallahi@semnan.ac.ir 10031947532846006018 10031947532846006018 No Ph.D Student in Electronic Engineering, Electronic Engineering Dept., Faculty of Electrical and Computer Engineering, Semnan University, Semnan, Iran. دانشجوی دکتری مهندسی الکترونیک، گروه مهندسی الکترونیک، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران Hadi Soltanizadeh هادی سلطانی زاده h_soltanizadeh@semnan.ac.ir 10031947532846006019 10031947532846006019 Yes Ph.D. in Electronic Engineering, Assistant Professor, Electronic Engineering Dept., Faculty of Electrical and Computer Engineering, Semnan University, Semnan, Iran دکترای مهندسی الکترونیک، استادیار، گروه مهندسی الکترونیک، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران Afsoon Hassani Mehraban افسون حسنی مهربان mehraban.a@iums.ac.ir 10031947532846006020 10031947532846006020 No Ph.D. in Occupational Therapy, Professor, Occupational Therapy Dept., Faculty of Rehabilitation Sciences, Iran University of Medical Sciences and Health Sciences, Semnan, Iran دکترای کاردرمانی، استاد، گروه کاردرمانی، دانشکده علوم توان‌بخشی، دانشگاه علوم پزشکی ایران، تهران، ایران Fatemeh Khamseh فاطمه خمسه fkhamseh1345@yahoo.com 10031947532846006021 10031947532846006021 No MD in Neurology, Iran Alzheimer’s Association, Tehran, Iran دکترای مغز و اعصاب ، انجمن آلزایمر ایران، تهران، ایران