بیماری پارکینسون یا PD یک دژنراسیون یا انحطاط نورونی پیشرونده می باشد که سبب تخریب یا کند شدن حرکات فرد مبتلا می شود.  بیماری هانتینگتون یا HD یکی از بیماری های ارثی است که موجب دژنراسیون یا انحطاط سلول های عصبی در مغز می شود.  اسکلروز جانبی آمیوتروفیک یا بیماری لو گهریگ (ALS) به عنوان بیماری تحلیل برنده عصبی  یا NDD  کشنده و ناشناخته  در سیستم حرکتی در بدن انسان شناخته شده است {1}.  هرچند تحلیل های پزشکی یا بالینی به منظور تشخیص بیماری تحلیل برنده عصبی  یا NDD وجود دارد که از جمله می توان به تحلیل الکترومیوگرافی یا ماهیچه‌نگاری برقی (EMG)  ، آزمایش های قندخون ، آزمایش های ژنتیکی و مازه مکش (بیرون کشیدن مایع مغزی نخاعی از بین مهره های سوم و چهارم کمر برای تشخیص یا درمان) اشاره نمود، ولی این نوع تحلیل ها امکان دارد مشکلاتی چون وقت گیر بودن یا تفسیر نادرستی (تحلیل ها) از سه حالت NDD  در مرحله ی اول (تشخیص) بوجود آورد {2}. بنابراین تشخیص ALS در بین سایر افراد مبتلا به بیماری تحلیل برنده عصبی  و افراد سالم در تشخیص به هنگام این بیماری به منظور یاری رساندن به بیمار که از این بیماری کشنده رنج می برند از اهمیت بالایی برخوردار می باشد.

می توان گفت که بیماری های تحلیل برنده عصبی  امکان دارد علایم بیماری مختلفی را از خود بروز دهند ،  ALS سبب انحطاط و آتروفی عضلانی می شود، در حالی که بیماری پارکینسون یا PD باعث بروز علائمی چون کندی حرکات ، لرزش اندامها ، سفتی اندامها  و اختلالات موضعی می گردد و بیماری هانتینگتون یا HD سبب بیماری های چون اختلالات شخصیت شناختی و شخصیتی می شود.  این حرکات نامنظم موجب ایجاد مشکلاتی در هماهنگی پاهای فرد مبتلا به این بیمار می شود و پویایی آن را تحت تاثیر قرار می دهد. علاوه بر این، اکثر بررسی ها در ادبیات (پژوهشی) به تحلیل راه رفتن پویا به منظور بررسی اثرات NDD در حرکت فرد متمرکز شده اند{3 تا 9}.

آنتروپی چند مقیاسی (MSE) ، آنالیز موجک {10-12} و تحلیل ناایستا  بر مبنای روش های آماری و زمان- بسامد (TF)  به منظور بررسی رابطه ی بین راه رفتن پویا  و NDD نیز در ادبیات (پژوهشی) مورد بحث و بررسی قرار گرفته است { 13 ، 14 }. Zheng  و همکارانش با استفاده از روش های آماری به بررسی دسته بندی control و PD پرداخته اند{13}.  Sugavaneswaran و همکارانش با استفاده از الگوریتم مبتنی بر TF به بررسی دسته بندی control و ALS پرداخته اند {14}. Liao و همکارانش با استفاده از تحلیل آنتروپی چنددقتی  ، نامتقارن بودن راه رفتن  نوسانات زمانی تکیه کردن یا stance را مورد بررسی قرار دادند. Sang-Hong و همکارانش دسته بندی PD را با استفاده از DWT مورد بررسی قرار دادند {16}. Wu و همکارانش دسته بندی control و ALS را با استفاده از الگوریتم مبتنی برsignal turn count {17 – 19} و دسته بندی بین control (شاهد) و PD را با استفاده از تابع چگالی احتمال (PDF) مورد بررسی قرار دادند {20}. Baratin و همکارانش ، استراتژی یا راهبرد اعتبار سنجی- متقابل نااریب را به روش تشخیص خودکار به کمک کامپیوتر در دسته بندی control و ALS پیشنهاد نمودند {21}.  Sarbaz و همکارانش دسته بندی control و HD را با استفاده از تحلیل طیفی انجام دادند {22}. Xia و همکارانش روشی را برای دسته بندی باینری یا دودویی در دسته بندی PD و Co ، HD و Co معرفی نمودند {23}. Zeng و همکارانش روشی را برای دسته بندی NDD پیشنهاد کردند {33} ، و Xia و همکارانش با استفاده از آمار انحراف استاندارد  و خصیصه های ساختاری موقتی ، ویژگی های جدیدی را برای اندازه گیری تغییرات راه رفتن یا حرکتی شناسایی نموده اند {34}.

شکل 1

بررسی های اخیر در ادبیات (پژوهشی) نشان می دهند که سیگنال های راه رفتن موجب نوساناتی می شود که این امر بستگی به نوع NDD دارد { 13 ، 14 ، 17 – 23 ، 33 ، 34 } . بررسی های صورت گرفته در ادبیات (پژوهشی) بر تحلیل سری زمانی گام (چرخه کامل راه رفتن )  و نوسانات زمانی تکیه کردن در ضبط پنج – دقیقه ای راه رفتن فرد متمرکز شده است. علیرغم پژوهش های پیشین ، این بررسی تحلیل و تشخیص سریع را با ضبط یک – دقیقه ای راه رفتن فرد تضمین می کند.

هدف اصلی این بررسی  ، به دست آوردن باند فرکانسی یا بسامدی بحرانی در CFS به منظور تشخیص ALS میان افراد سالم و سایر افراد مبتلا به بیماری های تحلیل برنده عصبی می باشد. بنابراین ، در این بررسی از روش های DWT ، LDA و NBC بدین منظور استفاده شده است که در بخش های بعدی به شرح درباره ی آنها می پردازیم.