تحلیل الگوی باینری محلی سیگنال‌های فشار پا جهت تشخیص سکته مغزی

نویسندگان

1 گروه بیوالکتریک-دانشکده مهندسی پزشکی-دانشگاه صنعتی سهند-تبریز- ایران

2 عضو هیات علمی/گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند

چکیده

در بیماران مبتلا به سکته مغزی به‌صورت عمومی مشکلات حرکتی و راه رفتن قابل مشاهده است که کیفیت زندگی آن‌ها را تحت تاثیر قرار می‌دهد. از این‌رو تشخیص دقیق سکته مغزی برای ارائه یک راهکار درمانی و توانبخشی موثر در این بیماران ضروری به نظر می‌رسد. با این حال، توسعه یک ابزار تشخیصی کم‌هزینه و غیرتهاجمی برای کاربردهای کلینیکی یک چالش بزرگ در این زمینه محسوب می‌شود. به همین جهت، در این مطالعه یک روش تشخیصی جدید سکته ایسکمیک بر پایه ویژگی‌های ساختاری سیگنال فشار کف پا و طبقه‌بند ماشین بردار پشتیبان ارائه شده است. در این روش، یک الگوی باینری محلی یکنواخت که از نمایش زمانی-فرکانسی سیگنال فشار کف پا استخراج شده است، برای اخذ ساختار محلی سیگنال در فضای دوبعدی و کمی‌سازی پایداری این الگو استفاده شده است. روش پیشنهادی به کمک سیگنال‌های ثبت شده از 36 فرد سالم و 46 بیمار مبتلا به سکته ایسکمیک در حین راه رفتن طبیعی فرد مورد ارزیابی قرار گرفته است. جهت ارائه تحلیل ناحیه‌ای، طبقه‌بندی با استفاده از کانال‌های مختلف کف پا انجام شده است. نتایج به‌دست آمده به میانگین صحت 99/66 درصد برای تشخیص سکته مغزی رسیده است. در ادامه، طی یک آزمایش مقایسه‌ای، پایداری و عدم تغییر نتایج روش پیشنهادی در برابر سنسورهای فشار نواحی مختلف کف‌ پا و پارامترهای تکنیکی روش الگوی باینری محلی نشان داده شده است. عملکرد روش پیشنهادی نشان می‌دهد که تحلیل الگوی باینری محلی سیگنال فشار کف ‌پا قادر است افراد سالم و بیماران مبتلا به سکته مغزی را به‌صورت موثری تفکیک نماید.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Local Binary Pattern Analysis of Foot Pressure Signals for Stroke Detection

نویسندگان [English]

  • Arefeh Yagoubi 1
  • Peyvand Ghaderyan 2
1 Department of Medical Engineering. Sahand University of Technology. Tabriz. Iran
2 biomedical engineering faculty, Sahand university of technology
چکیده [English]

Stroke patients generally exhibit trouble walking and moving, which affects their quality of life. Hence, an accurate diagnosis of stroke is important for providing an effective treatment and rehabilitation strategy. However, the development of a cost-effective and non-invasive diagnostic tool is a big challenge for clinical applications. To address this challenge, in this study, a new ischemic stroke detection has been proposed based on structural features of foot plantar pressure signals and support vector machine classifier. A local uniform binary pattern extracted from the time-frequency representation of pressure signals has been used to capture the local structure over two-dimensional space and quantify the stability of this pattern. The proposed method has been evaluated using the pressure signals recorded during normal walking tasks from 36 healthy controls and 46 Ischemic stroke patients. The classification has also been performed for different plantar channels to offer regional analysis. The obtained results have achieved a high average accuracy rate of 99.66% for stroke detection. Furthermore, the robustness of the proposed method against different plantar regions as well as technical parameters of the local binary pattern approach has been demonstrated in an experimental comparative study. The performance has confirmed that the local binary pattern analysis discriminates effectively stroke patients and healthy controls when foot plantar pressure signals are used.

کلیدواژه‌ها [English]

  • Machine learning
  • Ischemic stroke
  • Time-frequency plantar pressure features
  • automatic detection