fa تشخیص رفتارهای غیرعادی در بیماران زوال عقل و بررسی علائم اولیه آن در خانه هوشمند هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:tahoma;"><strong><span style="color:black;">مقدمه:</span></strong> تعداد افراد سالمندی که نیاز به کمک در رفتارهای روزمره خود دارند به سرعت در حال افزایش است. بیماری زوال عقل یکی از مهم‌ترین علل ناتوانی در سالمندان است که شیوع آن هزینه‌های بسیار بالایی بر جوامع بشری تحمیل کرده است. هدف این تحقیق استفاده از فناوری خانه هوشمند برای نظارت بر رفتار سالمند، شناسایی رفتارهای غیرعادی و کشف علائم اولیه بیماری زوال عقل قبل از وقوع بیماری است. تشخیص زودهنگام بیماری زوال عقل در مراحل اولیه می‌تواند باعث بهبود بالا در درمان آن و منجر به تأخیر بیماری شود.<br> <strong><span style="color:black;">روش:</span></strong> این مقاله از نوع کاربردی و به روش توصیفی- تحلیلی انجام شد و با استفاده از تکنیک‌های یادگیری ماشین، رفتار‌های غیرعادی و علائم اولیه بیماری زوال عقل تشخیص داده شد. برای تشخیص رفتارهای غیرعادی از الگوریتم <span dir="LTR">kmedoide</span> و برای بررسی کیفیت خواب به عنوان علائم اولیه بیماری زوال عقل، از پرسشنامه معتبر <span dir="LTR">PSQI</span> و برای پیاده‌سازی از نرم‌افزار <span dir="LTR">Matlab</span> نسخه 2012 استفاده شد.<br> <strong><span style="color:black;">نتایج</span></strong><strong>:</strong> نتایج در بخش رفتارهای غیرعادی نشان می‌دهد الگوریتم‌های خوشه‌بندی کارآیی بالایی در تشخیص رفتارهای غیرعادی در خانه هوشمند داشته و همچنین نتایج در بخش بررسی علائم اولیه منجر به تشخیص خواب ضعیف فرد سالمند در پرسشنامه <span dir="LTR">PSQI</span> به عنوان علائم اولیه بیماری زوال عقل گردید.<br> &nbsp;<strong>نتیجه&shy; گیری:</strong> با استفاده از فناوری سیستم تحت نظارت خانه هوشمند می‌توان رفتار سالمندان را تشخیص داد. رفتارهای غیرعادی آن‌ها را شناسایی کرد و علائم اولیه بیماری‌هایی نظیر زوال عقل را کشف نمود.</span><br> &nbsp;</div> <div style="text-align: justify;"><strong>Introduction:</strong> The number of elderly people who need help in their daily routines is increasing rapidly. Dementia is one of the most important causes of disability in elderly people and its outbreak has been a major burden on human societies. The purpose of this research was using intelligent home technology to monitor elderly behaviors, identify abnormal behaviors, and discover the initial signs of dementia before the onset of the disease. Early diagnosis of dementia at an early stage can lead to a high improvement in its treatment and delay the disease.<br> <strong>Method:</strong> In this applied, descriptive-analytic study, the abnormal behavior and early symptoms of dementia were identified using machine learning techniques.&nbsp; The kmedoide algorithm was used to analyze abnormal behaviors and to assess the quality of sleep as the primary symptoms of dementia, the valid PSQI questionnaire was used. Matlab 2012 was used for implementation.<br> <strong>Results:</strong> The results in the abnormal behavioral section indicated that clustering algorithms have high efficacy in detecting abnormal behavior in smart home, and also results in early symptom examinations led to poor sleep recognition in the PSQI as a primary symptom of dementia.<br> <strong>Conclusion</strong>: The behavior of the elderly, their abnormal behavior and early signs of diseases such as dementia can be recognized using the technology of the system under the supervision of the smart home.</div> خانه هوشمند, یادگیری ماشین, الگوریتم خوشه‌بندی, تشخیص رفتار غیرعادی, بیماری زوال عقل Smart Home, Machine Learning, Clustering Algorithm, Abnormal Behavior, Dementia 447 456 http://jhbmi.ir/browse.php?a_code=A-10-410-1&slc_lang=fa&sid=1 Alireza Khosravi علیرضا خسروی danyal_khossravi@yahoo.com 10031947532846006046 10031947532846006046 No M.Sc. in Computer, Faculty of Computer Engineering, Islamic Azad University, Nishabur Branch, Nishabur, Iran کارشناس ارشد کامپیوتر، دانشکده فنی و مهندسی کامپیوتر، دانشگاه آزاد نیشابور، نیشابور، ایران Amin Hosseini Seno امین حسینی سنو hosseini@um.ac.ir 10031947532846006047 10031947532846006047 Yes Ph.D. in Computer Network, Assistant Professor, Computer Dept., Faculty of Engineering, Ferdowsi University of Mashhad, Mashhad, Iran دکترای تخصصی شبکه های کامپیوتری، استادیار، گروه کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران