طراحی یک سیستم تشخیص بیماری آلزایمر براساس روشهای غیرتهاجمی و به کمک ویژگیهای غیرخطی گفتار
Abstract(in Persian; no English abstract is available)
بیماری آلزایمر شایعترین نوع زوال عقل میان افراد سالخورده است که به تدریج وخیم میشود. این بیماری با کاهش حافظه و اختلال در قدرت تشخیص و دیگر نواقص شناختی در علائم رفتاری مشخص میگردد. تشخیص قطعی آلزایمر نیازمند نمایش خاص از تغییرات آسیب شناختی در بافت مغزی بواسطه کالبد شکافی است. در این زمینه، پیشرفت تکنیک های غیرتهاجمی برای تشخیص اولیه و دسته بندی انواع مختلف زوال عقل ارزشمند خواهد بود. آنالیز احساسات گفتار و گفتار خودبهخودی پتانسیل خوبی برای تشخیص تغییرات ساختار مغز انسان دارد. چراکه بیمار چنین تکنیکی را به عنوان یک آزمایش پراضطراب درک نمیکند. بعلاوه، این تکنیکها خیلی کم هزینه بوده و نیازمند تجهیزات پزشکی وسیع نیستند. همچنین آنها در دادن اطلاعات سریع، آسان و ارزان عمل میکنند. در این پایان نامه، برای تشخیص آلزایمر از آنالیز سیگنال گفتار خودبه خودی استفاده شده است. ویژگیهای استخراج شده از گفتار عبارتند از: ویژگی های اکوستیک و غیرخطی نمایِ لیاپانوف. اما، استفاده از روشهای پردازش سیگنال گفتار انسانی برای تشخیص آلزایمر چندین مشکل به همراه دارد. زیرا زبان گفتاری ممکن است ویژگیهای طیفی یا زمانی گفتار انسان را یکسان به اشتراک نگذارد. بنابراین باید انتخاب بهینه از طول فریم با تخمین بهترین ویژگیها یکپارچه شود. از این جهت، برای محاسبه مطمئن بهترین ویژگی، تعیین طول بهینه فریم برای قطعه از یک سیگنال گفتار مورد نیاز است. برای غلبه بر این محدویت، این پایان نامه یک الگوریتم اِزدحام ذرات برای پیدا کردن طول فریم بهینه از سیگنال گفتار مبنیبر تشخیص بیماری آلزایمر به منظور برآورد بهترین ویژگیها برای دستیابی به حداقل میزان خطا طبقه بندی پیشنهاد داده است. طبقه بندیکننده اَنفیس به عنوان ارزیاب برای تابع ارزیابی الگوریتم اِزدحام ذرات استفاده شده است. طبق بررسیهای صورت گرفته سیستم پیشنهادی دقت بالایی دارد. بعلاوه، افزودن مرحله انتخاب طول فریم بهینه گفتار توسط الگوریتم اِزدحام ذرات برای محاسبه ویژگیها از نوآوریهای این کار محسوب میشود.
