شناسايي بيماري آلزايمر در سالمندان با استفاده از مدل راه رفتن و دوربين كينكت

Detection of Alzheimer’s Disease in Elder People Using Gait Analysis and Kinect Camera

مقدمه: آناليز الگوي راه رفتن با استفاده از ابزارهاي نوين فناوري براي شناسايي بيماري آلزايمر، مورد توجه محققين در دهه اخير قرار گرفته است. بنابراين در اين مطالعه از داده‌هاي اسكلتي دوربين كينكت براي آناليز الگوي راه رفتن به منظور شناسايي بيماري آلزايمر در سالمندان استفاده شد. روش: در اين مطالعه توسعه­اي-كاربردي به‌صورت تجربي، ثبت نمونه‌هاي راه رفتن در يك مسير بيضي شكل براي 12 نفر از زنان سالمند با بيماري آلزايمر و 12 نفر سالمند زن سالم، به وسيله دوربين كينكت صورت گرفت. پس از استخراج ويژگي‌هاي راه رفتن، آناليز توصيفي براي مقايسه ويژگي‌ها در ميان گروه سالم و بيمار انجام شد. سپس يك كلاسه‌بند ماشين بردار پشتيبان براي شناسايي سالمندان با بيماري آلزايمر طراحي شد. نتايج: مقايسه ويژگي‌هاي استخراجي از راه رفتن به وسيله داده‌هاي اسكلتي دوربين كينكت، حكايت از تطبيق نتايج با يافته‌هاي پيشين حاصل از سيستم‌هاي مبتني بر انواع ديگر سنسورها براي تفكيك دو گروه سالمندان سالم و بيمار دارد. نتايج تفكيك افراد سالمند سالم و بيمار شركت‌كننده در پژوهش حاضر به وسيله كلاسه‌بند ماشين بردار پشتيبان نيز داراي صحت، حساسيت، دقت و Specificity به ترتيب 91/25%، 93/44%، 90/94% و 93/57% براي شناسايي بيماري است. نتيجه‌گيري: در كنار آناليز آمار توصيفي ويژگي­هاي راه رفتن، با تكيه بر روش‌هاي مبتني بر يادگيري ماشين مانند ماشين‌بردار پشتيبان مي‌توان به شناسايي سالمندان با بيماري آلزايمر به وسيله ويژگي‌هاي استخراجي به دست آمده از داده‌هاي اسكلتي راه رفتن سالمندان با نتايج قابل قبولي دست يافت.

Introduction: Gait analysis through using modern technology for detection of Alzheimer's disease has found special attention by researchers over the last decade. In this study, skeletal data recorded with a Kinect camera, were used to analyze gait for the purpose of detecting Alzheimer's disease in elders. Method: In this applied-developmental experimental study, using a Kinect camera, data were collected for 12 elderly women with Alzheimer's disease and 12 healthy elderly women walking in an oval path. After extracting various features of gait, descriptive analysis was performed to compare the features between the healthy and patient groups. Then, a support vector machine classifier was designed to detect elderly people with Alzheimer's disease. Results: The comparison of extracted features from skeletal data of gait using Kinect camera in this study indicate that the results are matched with previous findings from systems based on other types of sensors. The accuracy, sensitivity, precision and specificity of system designed in the present study for classifying elders with Alzheimer's disease and healthy elders were 91.25%, 93.4484%, 90.5945% and 93.581% respectively. Conclusion: In addition to descriptive analysis of gait, by using machine learning methods such as support vector machine classifier, elderly people with Alzheimer's disease can be detected based on features extracted from skeletal data of Elderly people.