تعداد نشریات | 43 |
تعداد شمارهها | 1,224 |
تعداد مقالات | 15,033 |
تعداد مشاهده مقاله | 50,509,844 |
تعداد دریافت فایل اصل مقاله | 13,612,471 |
توانایی روشهای مبتنی بر موجک در تشخیص عبور از موانع در مسیر حرکت انسان با استفاده از سنسورهای پوشیدنی | ||
پردازش سیگنال پیشرفته | ||
مقاله 4، دوره 4، شماره 1 - شماره پیاپی 5، مرداد 1399، صفحه 39-46 اصل مقاله (868.82 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/jasp.2020.13289 | ||
نویسندگان | ||
فریبرز رحیمی* 1؛ رضا عیوض پور2؛ بهزاد نوبهار3؛ مندر جاگ4؛ کریستین دوال5 | ||
1گروه مهندسی برق - دانشکده مهندسی - دانشگاه بناب | ||
2گروه مهندسی الکترونیک - دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز | ||
3گروه مهندسی مکاترونیک - دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز | ||
4گروه علوم اعصاب بالینی – مرکز علوم سلامتی لندن - دانشگاه وسترن | ||
5مرکز تحقیقات سالمندی - دانشگاه مونترال - مونترال - کانادا | ||
چکیده | ||
تواناییهای حرکتی و کیفیت آنها تأثیر مستقیم و بسزایی بر کیفیت زندگی دارند. برخورد با موانع هنگام راه رفتن امری غیرقابلاجتناب است و توانائی عبور کمخطر از روی آنها معیاری از توانایی حرکت در افراد جامعه است. گیرکردن به موانع بهنگام عبور از روی آنها یکی از شایعترین علل سقوط بر زمین است که خود یکی از دلایل عمده بستری شدن و مرگ و میر ناشی از جراحت در سنین بالا و بیماری پارکینسون است. الگوریتمهایی که برای پایش حرکت در افراد در معرض خطر سقوط مورداستفاده قرار میگیرند، برای بررسی تعداد و کیفیت عبور از روی موانع، نیاز به تشخیص اتوماتیک این اتفاق دارند. کارهای بسیار مختصری در زمینه این تشخیص اتوماتیک و فقط بر روی افراد سالم انجام شده است ولی ازلحاظ محاسباتی دارای الگوریتمهای پیچیدهای میباشند. بهعلاوه موانعی که در حرکات روزمره با آن برخورد میشود، دارای ارتفاعهای متنوعی میباشند که نیاز به الگوریتم با تواناییهای گستردهتری برای تشخیص دارند. در این مقاله روشی مبتنی بر تبدیل موجک پیوسته ارائه شده و عملکرد آن در عبور از روی موانع کوتاه و بلند در شرکتکنندگان سالم و همچنین در بیمار پارکینسون موردبررسی قرارگرفته است. میزان صحت تشخیص اتوماتیک عبور از روی موانع توسط الگوریتم پیشنهادی برای 19 شرکتکننده سالم 5/98 درصد و برای 12 شرکتکننده بیمار پارکینسون 6/90 درصد به دست آمد. حداکثر خطا در تشخیص زمان عبور هریک از پاها 1/0 ثانیه بوده و قابلیت خوبی در تفکیک ارتفاع موانعدارد. | ||
کلیدواژهها | ||
عبور از موانع؛ راه رفتن؛ پردازش سیگنال؛ موجک؛ تشخیص اتوماتیک؛ سنسور پوشیدنی | ||
مراجع | ||
[1] C. Fagerström and G. Borglin, “Mobility, functional ability and health-related quality of life among people of 60 years or older Aging Clinical and Experimental Research,” Aging Clin Exp Res, vol. 22, no. 5, pp. 387–394, 2010. [2] M. Forhan and S. V. Gill, “Obesity, functional mobility and quality of life,” Best Pract. Res. Clin. Endocrinol. Metab., vol. 27, no. 2, pp. 129–137, 2013. [3] S. R. Lord, J. A. Ward, P. Williams, and K. J. Anstey, “An epidemiological study of falls in older community‐dwelling women: the Randwick falls and fractures study,” Aust. J. Public Health, vol. 17, no. 3, pp. 240–245, 1993. [4] M. J. D. Caetano, S. R. Lord, D. Schoene, P. H. S. Pelicioni, D. L. Sturnieks, and J. C. Menant, “Age-related changes in gait adaptability in response to unpredictable obstacles and stepping targets,” Gait Posture, vol. 46, pp. 35–41, 2016. [5] S. C. Huang, T. W. Lu, H. L. Chen, T. M. Wang, and L. S. Chou, “Age and height effects on the center of mass and center of pressure inclination angles during obstacle-crossing,” Med. Eng. Phys., vol. 30, no. 8, pp. 968–975, 2008. [6] S. Amatachaya, W. Pramodhyakul, and K. Srisim, “Failures on obstacle crossing task in independent ambulatory patients with spinal cord injury and associated factors,” Arch. Phys. Med. Rehabil., vol. 96, no. 1, pp. 43–48, 2015. [7] F. Feuvrier et al., “Inertial measurement unit compared to an optical motion capturing system in post-stroke individuals with foot-drop syndrome,” Ann. Phys. Rehabil. Med., no. 2018, 2019. [8] R. Vitório et al., “Disease severity affects obstacle crossing in people with Parkinson’s disease,” Gait Posture, vol. 40, no. 1, pp. 266–269, 2014. [9] L. Alcock, B. Galna, J. M. Hausdorff, S. Lord, and L. Rochester, “Gait & Posture Special Issue: Gait adaptations in response to obstacle type in fallers with Parkinson’s disease,” Gait Posture, vol. 61, no. January, pp. 368–374, 2018. [10] V. A. I. Pereira et al., “Parkinson’s patients delay fixations when circumventing an obstacle and performing a dual cognitive task,” Gait Posture, vol. 73, pp. 291–298, 2019. [11] L. A. Schrodt, V. S. Mercer, C. A. Giuliani, and M. Hartman, “Characteristics of stepping over an obstacle in community dwelling older adults under dual-task conditions,” Gait Posture, vol. 19, no. 3, pp. 279–287, 2004. [12] E. L. Stegemller, T. A. Buckley, C. Pitsikoulis, E. Barthelemy, R. Roemmich, and C. J. Hass, “Postural instability and gait impairment during obstacle crossing in parkinson’s disease,” Arch. Phys. Med. Rehabil., vol. 93, no. 4, pp. 703–709, 2012. [13] Y. H. Liu, M. Y. Kuo, R. M. Wu, Z. Y. Chen, and T. W. Lu, “Control of the Motions of the Body’s Center of Mass and End-Points of the Lower Limbs in Patients with Mild Parkinson’s Disease During Obstacle-Crossing,” J. Med. Biol. Eng., vol. 38, no. 4, pp. 534–543, 2018. [14] V.-R. Heli, A. Rauhala, and L. Fagerström, “Person-centered home-based rehabilitation for persons with Parkinson’s disease – a scoping review,” Int. J. Nurs. Stud., p. 103395, 2019. [15] E. Twardzik et al., “What features of the built environment matter most for mobility? Using wearable sensors to capture real-time outdoor environment demand on gait performance,” Gait Posture, vol. 68, pp. 437–442, 2019. [16] C. Xu, J. He, X. Zhang, C. Wang, and S. Duan, “Template-Matching-Based Detection of Freezing of Gait Using Wearable Sensors,” Procedia Comput. Sci., vol. 129, pp. 21–27, 2018. [17] S. Rezvanian and T. E. Lockhart, “Towards real-time detection of freezing of gait using wavelet transform on wireless accelerometer data,” Sensors (Switzerland), vol. 16, no. 4, 2016. [18] D. Patashov et al., “Methods for Gait Analysis During Obstacle Avoidance Task,” Ann. Biomed. Eng., 2019. [19] F. S. Ayachi, H. P. Nguyen, C. Lavigne-Pelletier, E. Goubault, P. Boissy, and C. Duval, “Wavelet-based algorithm for auto-detection of daily living activities of older adults captured by multiple inertial measurement units (IMUs),” Physiol. Meas., vol. 37, no. 3, pp. 442–461, 2016. [20] A. B.K., W. A.M., and K. D.B., “An introduction to wavelet transforms for chemometricians: A time- frequency approach,” Chemom. Intell. Lab. Syst., vol. 37, no. 2, pp. 215–239, 1997. [21] P. Addison, J. Walker, and R. Guido, “Time - Frequency analysis of biosignals,” IEEE Engineering in Medicine and Biology Magazine, vol. 28, no. 5. pp. 14–29, 2009. | ||
آمار تعداد مشاهده مقاله: 715 تعداد دریافت فایل اصل مقاله: 400 |