طراحی یک سیستم تشخیص بیماری آلزایمر براساس روش‏های غیرتهاجمی و به کمک ویژگی‏های غیرخطی گفتار

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.