خبرگزاری ایسنا: سکته مغزی یکی از شایع‌ترین بیماری‌های عصبی در جهان به شمار می‌رود و هر سال میلیون‌ها نفر را درگیر می‌کند. این بیماری زمانی رخ می‌دهد که جریان خون‌رسانی به بخشی از مغز مختل شود. در نوع ایسکمیک، که حدود ۸۰ درصد موارد را تشکیل می‌دهد، یک رگ خونی مسدود می‌شود و در نوع هموراژیک، خونریزی در مغز اتفاق می‌افتد. هر دو نوع می‌توانند آسیب جدی به بافت مغز وارد کنند. پیامدهای سکته مغزی فقط به مرحله حاد بیماری محدود نمی‌شود، بلکه بسیاری از بیماران پس از آن با مشکلات حرکتی، ضعف در یک سمت بدن، فلج صورت یا دشواری در راه رفتن روبه‌رو می‌شوند. این ناتوانی‌ها کیفیت زندگی فرد را به شدت تحت تأثیر قرار می‌دهد و انجام فعالیت‌های ساده روزمره را دشوار می‌کند.

تشخیص دقیق و به‌موقع سکته مغزی نقش مهمی در انتخاب روش درمان و برنامه‌ریزی توانبخشی دارد. روش‌های رایج تشخیص مانند تصویربرداری مغزی شامل ام‌آرآی و سی‌تی‌اسکن یا آنژیوگرافی، اطلاعات دقیقی از محل و اندازه ضایعه ارائه می‌دهند، اما اغلب پرهزینه هستند و در برخی موارد جنبه تهاجمی دارند. در سال‌های اخیر، توجه پژوهشگران به سمت استفاده از سیگنال‌های حرکتی و داده‌های فیزیولوژیک جلب شده است؛ داده‌هایی که می‌توان آن‌ها را با هزینه کمتر و بدون آسیب به بدن ثبت کرد. مطالعات قبلی نشان داده‌اند که الگایشان راه رفتن افراد مبتلا به سکته مغزی دچار تغییر می‌شود. بی‌ثباتی در گام برداشتن یا ضعف در مچ پا و بخش انتهایی اندام تحتانی از جمله نشانه‌هایی است که می‌تواند در فشار واردشده به کف پا دیده شود. همین موضوع، تحلیل سیگنال فشار کف پا را به گزینه‌ای جذاب برای تشخیص غیرتهاجمی این بیماری تبدیل کرده است.

در همین خصوص، زهرا اتراچالی از دانشکده مهندسی پزشکی دانشگاه صنعتی سهند تبریز به همراه یکی از همکاران دانشگاهی خود، پژوهشی را با تمرکز بر تشخیص خودکار و غیرتهاجمی سکته مغزی ایسکمیک انجام داده‌اند. آن‌ها در این تحقیق، به جای اتکا به تصویربرداری‌های پیچیده، به سراغ تحلیل زمانی و فرکانسی سیگنال فشار کف پا در هنگام راه رفتن رفته‌اند تا بتوانند با کمک مدل‌های محاسباتی، الگایشان بیماران را از افراد سالم تفکیک کنند.

در این مطالعه، داده‌های مربوط به فشار کف پای ۴۶ فرد سالم و ۳۶ بیمار مبتلا به سکته مغزی ایسکمیک هنگام راه رفتن جمع‌آوری و تحلیل شد و در نهایت، سه الگوریتم طبقه‌بندی تحت عناوین «ماشین بردار پشتیبان»، «نزدیک‌ترین همسایگی» و «جنگل تصادفی» برای تشخیص بیماران از افراد سالم به کار گرفته شد.

نتایج این بررسی‌ها نشان دادند که این روش توانسته است با استفاده از ۳۵ ویژگی آماری ساده، به دقت بسیار بالایی در تشخیص سکته مغزی ایسکمیک دست یابد. در میان روش‌های طبقه‌بندی، الگوریتم جنگل تصادفی بهترین عملکرد را ارائه کرده است. این میزان دقت بالا در حالی به دست آمده که از ویژگی‌های پیچیده و پرهزینه استفاده نشده و تمرکز بر شاخص‌های ساده فشار کف پا بوده است.

پژوهشگران در جمع‌بندی نتایج اعلام کرده‌اند که ترکیب اطلاعات زمانی و فرکانسی سیگنال فشار کف پا می‌تواند ابزاری قابل اعتماد برای تشخیص خودکار سکته مغزی باشد. به گفته آن‌ها، این روش علاوه بر دقت بالا، از نظر محاسباتی نیز سبک است و می‌تواند برای کاربردهای عملی مناسب باشد. این موضوع اهمیت زیادی دارد، زیرا در محیط‌های بالینی، سرعت و هزینه اجرای روش تشخیصی نقش تعیین‌کننده‌ای دارد.

یافته‌های این تحقیق نشان می‌دهند که تحلیل نحوه راه رفتن می‌تواند فراتر از یک ارزیابی ساده حرکتی باشد و به عنوان شاخصی از وضعیت سیستم عصبی مورد استفاده قرار گیرد.

بر این اساس، اگر چنین روش‌هایی توسعه بیشتری پیدا کنند، می‌توان از آن‌ها برای غربالگری اولیه یا پایش روند بهبود بیماران در دوره توانبخشی استفاده کرد. همچنین به دلیل غیرتهاجمی بودن، بیماران بدون نگرانی از عوارض جانبی می‌توانند چندین بار تحت ارزیابی قرار گیرند.

قابل ذکر است اطلاعات فنی و کامل این پژوهش در «فصلنامه مهندسی برق» وابسته به دانشگاه تبریز؛ نشریه‌ای تخصصی که به انتشار پژوهش‌های حوزه مهندسی و کاربردهای میان‌رشته‌ای آن می‌پردازد، منتشر شده‌اند.