Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: İsmihan Gül ÖZELOĞLU
Danışman: Eda Akman Aydın
Özet:
Nörodejeneratif hastalıklar (NDH’ ler), sinir hücrelerinin işlevini kademeli olarak kaybetmesi ve ölmesi ile karakterize edilmekte ve dünya genelinde milyonlarca insanı etkilemektedir. Yürüyüş bozuklukları NDH' lerin teşhis edilmesinde gözlemlenen önemli ortak semptomlardan biridir. Bu nedenle, yürüyüş verilerini kullanarak hastaların bir grup NDH arasında hangi NDH' ye sahip olduğunu teşhis etmek hala ele alınması gereken önemli bir zorluktur. Bu çalışmada, Parkinson hastası (PH), Amiyotrofik Lateral Skleroz (ALS) hastası ve Huntington hastası (HH) ile sağlıklı kontrol (SK) gruplarının makine öğrenmesi ve derin öğrenme yöntemleriyle teşhis edilmesini sağlayacak bir karar destek sistemi önerilmiştir. Önerilen yöntemler, toplamda 64 deneğin ayaklarının altında bulunan kuvvet sensörleri kullanılarak kaydedilen dikey yer tepki kuvveti (DYTK) sinyallerini içeren bir yürüyüş veri kümesi üzerinde test edilmiştir. Çalışmada makine öğrenmesi ve derin öğrenme olmak üzere iki yaklaşım ele alınmıştır. Makine öğrenmesi yaklaşımında DYTK sinyallerinin özellik çıkarımı için eğilimden arındırılmış dalgalanma analizi (DFA), dinamik zaman bükme (DTW) ve otokorelasyon (OK) algoritmaları kullanılmıştır. Özelliklerin performansını karşılaştırmak için sınıflandırıcı olarak destek vektör makineleri (DVM), k-en yakın komşular (k-NN) ve yapay sinir ağları (YSA) kullanılmıştır. ALS, PH ve HH sınıflandırmasını ele alan üç sınıflı problemde %93,3 doğruluk oranı elde edilirken, NDH ve SK gruplarının birlikte ele alındığı dört sınıflı problemde %93,5 doğruluk oranı elde edilmiştir. Derin öğrenme yaklaşımında DYTK sinyallerini görüntüye dönüştürmek için yineleme grafiği ve spektrogram yöntemleri kullanılmıştır. DYTK sinyallerinden oluşturulan görüntüleri sınıflandırmak için hibrit bir konvolüsyonel sinir ağı (CNN) oluşturulmuş ve performans karşılaştırma amacıyla transfer öğrenme yöntemleri kullanılmıştır. ALS, PH ve HH ile SK arasındaki dörtlü sınıflandırma probleminde önerilen CNN modeli kullanılarak %96,15 doğruluk oranına ulaşılırken; önceden eğitilmiş VGG16 mimarisi kullanılarak %97,87 doğruluk oranına ulaşılmıştır. Bu sonuçlar, önerilen yöntemlerin NDH’ lerin teşhisi amacıyla tasarlanacak gerçek zamanlı yürüyüş analiz sistemleri için kullanılabileceğini göstermektedir.
Anahtar Kelimeler : Nörodejeneratif hastalıklar, makine öğrenmesi, eğilimden arındırılmış dalgalanma analizi, dinamik zaman bükme, otokorelasyon, konvolüsyonel sinir ağı, yineleme grafiği, spektrogram