تشخیص بیماری‌های عصبی-حرکتی با تحلیل بافت تصاویر طیف سیگنال‌های ماهیچه‌ای

مشکلات عصبی-حرکتی دربرگیرنده طیف وسیعی از بیماری‌ها هستند که موجب اختلال در عملکرد ماهیچه‌های ارادی و یا اعصاب می‌شوند. یکی از روش‌های تشخیص خودکار این بیماری‌ها، بررسی سیگنال‌های ماهیچه‌ای توسط برنامه‌های کامپیوتری است. برنامه‌هایی که به این منظور توسعه می‌یابند شامل چندین مرحله پردازش هستند که استخراج ویژگی و دسته‌بندی از مراحل اصلی آن‌ها است. در این مقاله روشی مبتنی بر تحلیل بافت طیف سیگنال برای استخراج ویژگی ارائه شده است که برخلاف روش‌های زمانی، فرکانسی و زمان-فرکانسی مبتنی بر موجک، با استخراج توأمان روابط زمان و فرکانس از سیگنال‌های ماهیچه‌ای موجب تشکیل یک بردار ویژگی با قابلیت تمایز بالا و ابعاد پایین می‌گردد. همچنین، جهت دسته‌بندی ویژگی‌ها، ماشین بردار پشتیبان، k-نزدیک‌ترین همسایه، تحلیل تمایزی، رگرسیون منطقی و ترکیب آن‌ها در دو حالت کلی و با تفکیک باندهای فرکانسی مورد بررسی قرار گرفته‌اند. به‌منظور برآورد روش پیشنهادی در این تحقیق از پایگاه داده سیگنال‌های ماهیچه‌ای اندام تحتانی استفاده شده است. با توجه به نتایج به‌دست‌آمده از آزمایش‌ها ، دقت دسته‌بندی %89.40 با استفاده از ماشین بردار پشتیبان با هسته RBF در حالت تفکیک باندهای فرکانسی حاصل شده است که به میزان %3.40 نسبت به بهترین روش قبلی دقیق‌تر است.