زهرا شیرازی - دانشجوی کارشناسی ارشد، گروه مهندسی برق و پزشکی، دانشکده ی فنی و مهندسی، دانشگاه شیخ بهائی، اصفهان، ایران
مریم سنقرزاده - استادیار، گروه مهندسی برق و پزشکی، دانشکده ی فنی ومهندسی، دانشگاه شیخ بهائی، اصفهان، ایران
عبدالامیر کربلائی - استادیار، گروه پزشکی اجتماعی و توانبخشی، گروه فیزیوتراپی، دانشگاه امئو، امئو، سوئد

بیماری پارکینسون یک اختلال نرودژنراتیو است که با علائم حرکتی ای نظیر لرزش، خودش را نشان می دهد. ما در این پژوهش تلاش کردیم تا یک روش تشخیص کامپیوتری که قابلیت استفاده در مراکز مراقبت های اولیه را داشته باشد، بسازیم و با کمک از دانش یادگیری انتقالی، با استفاده از مارپیچ های رسم شده توسط بیماران و افراد سالم به عنوان داده ای که به سواد نوشتاری و زبان مادری افراد وابسته نیست؛ به جداسازی و کلاس بندی افراد سالم و بیمار بپردازیم. تصاویر مارپیچ پایگاه داده ی استرالیا را با استفاده از انواع تکنیک های افزایش داده اعم از افزودن نویز، تغییرات رنگ و روشنایی، تغییرات هندسی و تاری حرکتی افقی و عمودی افزایش دادیم و با کمک از مدل هایResNet۱۵۲ ،Inception-V۳ و VGG۱۶ در چهار حالت مختلف از هایپرپارامترها به تشخیص پرداختیم. در هنگام افزایش داده، مدل Inception-V۳کم ترین درستی را در میان مدل ها به دست آورد. مدل ResNet۱۵۲ از نظر پاسخ گویی، مدل سریعی است و به درستی ۰.۸۳ در دوره ی ۸۰ و بچ سایز ۶۴ دست یافته است. مدل VGG۱۶ در حالت دوره ی ۸۰ و بچ سایز ۶۴ مدلی با درستی ۰.۷۵ است؛ اما این مدل به زمان آموزش طولانی نیازمند است. به کمک دانش به دست آمده در این پژوهش، می توان از روش تشخیص کامپیوتری به عنوان یک راه حل تشخیص اولیه و سریع، برای شناسایی بیماران مبتلا به پارکینسون در کلینیک ها و مطب های پزشکی بهرهمند شد.

بیماری پارکینسون، یادگیری عمیق، تحلیل خط مارپیچی