fa تشخیص زودهنگام اختلال طیف اوتیسم با استفاده از یادگیری ماشین تخصصي Special پژوهشي Research <div style="text-align: justify;"><span style="color:#000000;"><span style="font-size:16px;"><span style="font-family:yekanYW;"><span style="line-height:2;"><span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="FA">مقدمه:</span></b> <span lang="AR-SA">اوتیسم نوعی اختلال رشدی است که در درجه اول تعاملات و ارتباطات اجتماعی را مختل می‌سازد. این اختلال</span> <span lang="AR-SA">درمان قطعی ندارد بنابراین تشخیص زودهنگام برای کاهش</span><span lang="FA"> این </span><span lang="AR-SA">اثرات مهم است. هدف از این مطالعه شناسایی افراد مبتلا به اوتیسم براساس اطلاعات ثبت شده از الگوی راه رفتن آن‌ها به وسیله حسگر کینکت است.</span></span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">روش بررسی:</span></b><span lang="AR-SA"> در این پژوهش با استفاده از روش یادگیری ماشین مبتنی بر اطلاعات ثبت شده از موقعیت قرارگیری مفاصل هنگام راه رفتن توسط حسگر کینکت، افراد مبتلا به اوتیسم شناسایی شدند. ابتدا، گروه ویژگی‌های آماری از دادگان کینکت استخراج شد که شامل موقعیت مفاصل و زوایای بین آن‌ها است. سپس ویژگی‌های استخراج شده با استفاده از آزمون آماری تحلیل واریانس بررسی و ویژگی‌های بهینه انتخاب شدند. در نهایت با استفاده از طبقه‌بند درخت تصمیم طبقه‌بندی انجام شد.</span><b><span lang="FA" style="font-family:"B Nazanin""></span></b></span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="FA">یافته‌ها:</span></b> <span lang="AR-SA">در این مقاله با استفاده از طبقه بند درخت تصمیم و ۴۲ ویژگی‌ بهینه انتخاب شده مبتنی بر تحلیل آماری، طبقه‌بندی گروه سالم و بیمار انجام شد و صحت ۸۵ درصد به‌دست آمد. </span><span lang="FA">میزان حساسیت و ویژه‌بودن به‌دست آمده در این طبقه‌بندی، به ترتیب ۸۸ و ۸۲ درصد است. </span></span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="FA">نتیجه‌گیری:</span></b> <span lang="FA">با توجه به نتایج طبقه‌بندی انجام شده، مشاهده می‌شود که این پژوهش توانست با استفاده از بردار ویژگی با بعد کم که به‌وسیله تحلیل آماری به‌دست آمده بود، به صحت قابل قبولی دست یابد. </span><span lang="AR-SA">در این پژوهش نشان داده شد که تنها با داشتن موقعیت قرارگیری چند مفصل می‌توان افراد مبتلا به اوتیسم را از افراد سالم طبقه‌بندی کرد. پیشنهاد می‌گردد در پژوهش‌های آتی با استفاده از این روش میزان بهبودی یا کنترل اوتیسم در افراد را پس از انجام روش‌های درمانی اندازه‌گیری کنند.</span></span></span></span></span></span></span></div> <div style="text-align: justify;"><span style="color:#000000;"><span style="font-family:Times New Roman;"><span style="font-size:14px;"><span style="line-height:2;"><b><span lang="EN">Introduction: </span></b><span lang="EN">Autism is classified as a developmental disorder and primarily disrupts social interactions and communication. This disorder has no definitive treatment, making early diagnosis crucial for mitigating its effects. The purpose of this study is to identify autistic individuals based on the recorded information of their walking pattern by Kinect sensor.</span><span dir="RTL" lang="FA"><span style="font-family:"Times New Roman",serif"></span></span><br> <b><span lang="EN">Methods:</span></b><span lang="EN"> In this research, the machine learning method was employed to identify autistic individuals based on recorded joint position data during walking, recorded by the Kinect sensor. First, a group of statistical features was extracted from the Kinect data, which included joint positions and the angles between them. </span>T<span lang="EN">hen, the extracted features were evaluated using the statistical test of analysis of variance, and the optimal features were selected. Finally, classification was performed by decision tree classifier.</span><span style="font-family:"Times New Roman",serif"></span><br> <b><span lang="EN">Results: </span></b><span lang="EN">In this research, the classification of healthy and autistic individuals was done by the decision tree classification and 42 optimal features selected based on statistical analysis, and the accuracy of classification was 85%. The sensitivity and specificity obtained in this classification are 88 and 82%, respectively.</span><span style="font-family:"Times New Roman",serif"></span><br> <b><span lang="EN">Conclusion: </span></b><span lang="EN">According to the classification results, this research was able to achieve acceptable accuracy by using the low dimension feature vector obtained by statistical analysis. This research, shows autistic individuals can be classified from healthy people only by having the position of several joints.</span> <span lang="EN">It is suggested researches in future, using this method for measurement</span> the<span lang="EN"> recovery rate or control autism in patient after performing treatment methods.</span></span></span></span></span></div> مفاصل, اوتیسم, حسگر کینکت, ویژگی‌های آماری, درخت تصمیم, طبقه‌بندی Joints, Autism, Kinect Sensor, Statistical Features, Decision Tree, Classification 199 208 http://journal.ihio.gov.ir/browse.php?a_code=A-10-539-2&slc_lang=fa&sid=1 Shabnam Akhoundi Yazdi شبنم آخوندی یزدی Sh.akhoondi17@gmail.com 10031947532846005847 0009-0005-5056-9363 No National Center for Health Insurance Research, Tehran, Iran مرکز ملی تحقیقات بیمه سلامت، تهران، ایران Amin Janghorbani Poudeh امین جانقربانی پوده a.janghorbani@semnan.ac.ir 10031947532846005848 10031947532846005848 Yes Department of Biotechnology, Faculty of New Sciences and Technologies, Semnan University, Semnan, Iran گروه بیوتکنولوژی، پردیس علم و فناوری‌های نوین، دانشگاه سمنان، سمنان، ایران Ali Maleki علی مالکی amaleki@semnan.ac.ir 10031947532846005849 10031947532846005849 No Department of Biomedical Engineering, Faculty of Electrical & Computer Engineering, Semnan University, Semnan, Iran گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران