تشخیص بیماری پارکینسون با استفاده از شبکه عصبی خود سازمان ده و ترکیب آن با سیستم منطق فازی و الگوریتم c-means فازی

بیماری پارکینسون یک بیماری مخرب دستگاه عصبی است که در آن تخریب صوتی جزء اولین نشانه های بیماری پارکینسون است. با توجه به اهمیت تشخیص زود هنگام این بیماری نورولوژیکی، آنالیز تغییرات ایجاد شده در سیگنالهای صوتی، یکی از راهکارهای مطرح در زمینهتفکیک بیماران پارکینسونی است. در این مقاله به منظور تشخیص بیماران دچار پارکینسون با استفاده از آنالیز سیگناهای صوتی، سه راهکارمبتنی شبکههای عصبی خودسازمانده و ترکیب آن با سیستم منطق فازی و ترکیب با الگوریتمc-means فازی ارائه شده است. در راهکارهای ارائه شده 18 ویژگی آکوستیکی سیگنال صوت، مربوط به سه بخشاصلی سیستم گفتاری، استخراج شدهاند. و برای هر بخش یک شبکه عصبی مجزااستفاده شده است، سپس نوعی رایگیری بین نتایج بدستآمده از هر شبکه انجام شده است. به بیان دیگر تشخیص بیماری یا عدم بیماری بااستفاده از حداکثر رای شبکه های عصبی انجام میگیرد. دادههای انسانی از 22 فرد، 11 فرد سالم و 11 بیمار، اخذ شدهاند. نتایج نشان دادهاند کهمیانگین درصد طبقهبندی بدست آمده بوسیله شبکه های عصبی خود سازمان ده عصبی فازی برابر 67.39 درصد و ترکیب این شبکه با الگوریتمc-means برابر 52.17 درصد بوده است، که شبکههای عصبی خودسازمانده با میانگین درصد طبقهبندی 81.25 عملکرد بهتری داشته اند.

Keywords:

بیماری پارکینسون , ویژگیهای آکوستیکی سیگنال صوت , شبکههای خودسازمانده , سیستم منطق فازی , الگوریتم c-means