مریم طالب وند - گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه قم، قم، ایران
امیر لکی زاده - گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه قم، قم، ایران
فرانک فتوحی - گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه قم، قم، ایران

انجماد راه رفتن (FOG) یکی از عوارض بیماری پارکینسون (PD) است که منجر به ناتوانی بیمار در انجام فعالیت­های حرکتی می شود. وقوع FOG باعث کاهش استقلال بیماران در انجام فعالیت­های روزمره و به طور کلی کاهش کیفیت زندگی آن­ها می­شود. استفاده از روش­های محاسباتی می­تواند با بررسی دقیق وضعیت FOG در بیماران، پشتیبانی غیردارویی و اطلاعات تکمیل­کننده­ای را در مورد بیماری به متخصصان مغز و اعصاب ارائه ­دهد و احتمال ارائه یک درمان موثرتر را افزایش ­دهد. این مقاله، روشی را برای تشخیص FOG بر اساس تکنیک­های یادگیری عمیق و پردازش سیگنال ارائه می­دهد. داده­های به کار رفته، مجموعه داده Daphnet می­باشد که از طریق سنسورهای پوشیدنی قرار گرفته بر روی بدن بیماران، جمع­آوری شده اند. روش پیشنهادی، پس از پالایش و پیش­پردازش داده ها، به تشخیص FOG از طریق ارائه یک معماری شبکه عصبی عمیق مبتنی بر شبکه­های حافظه کوتاه مدت دوطرفه (BDL-FOG) می­پردازد. نتایج تجربی نشان می­دهد که روش پیشنهادی به دلیل سازگاری بیشتر با داده­های سری زمانی توانسته است ضمن بهبود فرآیند تشخیص FOG به دقت بالاتری نسبت به بهترین روش­های موجود دست یابد.

انجماد راه رفتن, بیماری پارکینسون, شبکه های عصبی بازگشتی, یادگیری عمیق