شما اینجائید:خانه»شبیه سازی پروژه»تشخیص بیماری پارکینسون با استفاده از سیگنال صدا و بکارگیری شبکه عصبی
تشخیص بیماری پارکینسون با استفاده از سیگنال صدا و بکارگیری شبکه عصبی
ارسال شده توسط:Papersimتاریخ ارسال: 2015/05/22در شبیه سازی پروژهدیدگاهها برای تشخیص بیماری پارکینسون با استفاده از سیگنال صدا و بکارگیری شبکه عصبی بسته هستند
هدف ما تشخیص بیماری پارکینسون با استفاده از سیگنال صدا و بکارگیری شبکه عصبی
بیماری پارکینسون یک بیماری دستگاه عصبی مرکزی در بزرگسالان مسن تر است که مشخصه آن سفتی عضلانی پیش رونده تدریجی، لرزش و از دست رفتن مهارتهای حرکتی است. یکی از علائم این بیماری اختلال در صحبت کردن است. ما تعدادی از مشخصه های صدای افراد را به ماشین میدهیم و آن را آموزش میدهیم و انتظار داریم ماشین بتواند بر اساس آموزش هایی که دیده، کار قضاوت و تشخیص بیماری پارکینسون را انجام دهد.
اینکه این تشخیص بیماری پارکینسون چقدر به جواب اصلی و درست نزدیک است معیار سنجش ماست. در اینجا ما دو کلاس pd و nopd را داریم که اولی شامل افرادی است که بیماری پارکینسون دارند و دومی شامل افراد سالم است.
مختصری در مورد بیماری پارکینسون
بیماری پارکینسون یک بیماری دستگاه عصبی مرکزی در بزرگسالان مسن تر است که مشخصه آن سفتی عضلانی پیشرونده تدریجی، لرزش و از دست رفتن مهارت های حرکتی است. این اختلال هنگام رخ میدهد که نواحی خاصی از مغز توانایی خود در تولید دوپامین (یکی از ناقلین عصبی در مغز) را از دست میدهند.
پارکینسون از جمله بیماریهای مغز و اعصاب در سنین بعد از ۶۰ سالگی است از هر ۱۰۰ نفر بالای ۶۰ سال یک نفر به پارکینسون مبتلا میشود. البته این بیماری گاه در افراد جوانتر هم دیده میشود که پنج تا ۱۰ درصد بیماران را تشکیل میدهند. بعد از آلزایمر، پارکینسون شایعترین بیماری مخرب اعصاب به حساب میآید پارکینسون بیماری مزمن و پیش روندهای است که در آن سلولهای ترشحکننده دوپامین در جسم سیاه در مغز میمیرند و در فقدان دوپامین حرکات بدن نامنظم می شود.
عنوان شبیه سازی
تشخیص بیماری پارکینسون با استفاده از سیگنال صدا و بکارگیری شبکه عصبی
مشخصات شبیه ساز:
کارشناسی ارشد مهندسی پزشکی
دانشگاه صنعتی شریف
محتویات
M-File برنامه نویسی شده
پیاده سازی شبکه عصبی در متلب
گزارش کامل پروژه بصورت فارسی
دیتابیس
Attribute Information
name – ASCII subject name and recording number
MDVP:Fo(Hz) – Average vocal fundamental frequency
MDVP:Fhi(Hz) – Maximum vocal fundamental frequency
MDVP:Flo(Hz) – Minimum vocal fundamental frequency
MDVP:Jitter(%),MDVP:Jitter(Abs),MDVP:RAP,MDVP:PPQ,Jitter:DDP – Several measures of variation in fundamental frequency
MDVP:Shimmer,MDVP:Shimmer(dB),Shimmer:APQ3,Shimmer:APQ5,MDVP:APQ,Shimmer:DDA – Several measures of variation in amplitude
NHR,HNR – Two measures of ratio of noise to tonal components in the voice
status – Health status of the subject (one) – Parkinson’s, (zero) – healthy
RPDE,D2 – Two nonlinear dynamical complexity measures
DFA – Signal fractal scaling exponent
spread1,spread2,PPE – Three nonlinear measures of fundamental frequency variation