Parkinson hastalığı teşhisinde eksik sensör verisinin tahmini ve sınıflandırma performansına etkisinin analizi

Abstract

Günümüzde Parkinson hastalığı (PH), 65 yaş ve üzeri nüfusu etkileyen, Alzheimer hastalığından sonra en yaygın olan hastalıktır; motor, motor olmayan, psikiyatrik ve bilişsel semptomlarla sonuçlanır. Parkinson hastalığı ile ilgili düzinelerce semptom ve bulgu vardır ancak bunların en yaygınları titreme, bradikinezi, idrar kaçırma, depresyon ve açıklanamayan ağrılardır. Parkinson hastalığı genellikle klinikte yüz yüze epizodik değerlendirilmelerle ölçülmektedir. Bununla birlikte, hastalık özelliklerinin farklı seyri nedeniyle verilerin birkaç gün boyunca ölçülmesi ve değerlendirilmesi sonuçların doğruluğunu ortaya koymak adına önemlidir. Bu projede açık kaynak kodlu bir sistemden alınan veriler kullanılmıştır. Bu veri seti, farklı özelliklere sahip Parkinson hastalarıyla birlikte sağlıklı bireylerden alınmış giyilebilir sensör ivmeölçer verilerinden oluşmaktadır. Kullanılan veri seti, katılımcıların iki ila üç gün boyunca her bir uzuvda ve gövdede birer tane olmak üzere toplam beş farklı giyilebilir sensör takmalarıyla elde edilmiştir. Bu verilerle data seti içerisinde çeşitli hatalar ile oluşan eksik sensör verilerinin yapay zekâ yöntemleri ile tahmini ve hastalığın sınıflandırılması yapılmıştır. Dört adet sensör verisi giriş verisi bir sensör de çıkış verisi olarak ayarlanmıştır. Sol kol, sağ kol, sol bacak ve sağ bacak giriş olarak tanımlanırken göğüs sensörü çıkış olarak tanımlanmıştır ve bu sensörün verileri tahmin edilmiştir. Sağlıklı katılımcılarda %92, ilaç kullanan PH hastalarında %80 ve ilaç kullanmayan PH hastalarında %72 oranında sensör tahmini doğruluğuna ulaşılmıştır. Sınıflandırma yapılırken tahmin verilerine göre ayrı orijinal verilere göre ayrı bir sınıflandırma yapılmış ve sonuçlar karşılaştırılmıştır. Tahmin verileriyle ve orijinal verilerle yapılan sınıflandırmada Fine KNN ve Weighted KNN metodlarında Resubstitution Validasyonda tam başarı sağlanmıştır. Sınıflandırmada Cross veya Holdout validasyon kullandığında tahmin verileriyle bulunan sonuçlarla orijinal verilerle bulunan sonuçlar arasında farklılıklar gözlenmiştir.

Today, Parkinson's disease (PD) is the second most common disease after Alzheimer's disease, affecting the population aged 65 and over, resulting in motor, non-motor, psychiatric and cognitive symptoms. There are dozens of symptoms and signs associated with Parkinson's disease, but the most common are tremors, bradykinesia, incontinence, depression and unexplained pain. Parkinson's disease is usually measured by face-to-face episodic assessments in the clinic. However, due to the different course of the disease characteristics, it is important to measure and evaluate the data over several days to demonstrate the accuracy of the results. In this project, data from an open source system was used. This dataset consists of wearable sensor accelerometer data from healthy individuals as well as Parkinson's patients with different characteristics. The data set used was obtained by having participants wear five different wearable sensors, one on each limb and torso, for two to three days. With these data, the missing sensor data caused by various errors in the data set were estimated by artificial intelligence methods and the classification of the disease was made. Four sensors are set as input data and one sensor is set as output data. Left arm, right arm, left leg and right leg are defined as inputs, while the chest sensor is defined as output and the data of this sensor is estimated. Sensor prediction accuracy was 92% in healthy participants, 80% in PH patients taking medication and 72% in PH patients not taking medication. During the classification, a separate classification was made according to the prediction data and a separate classification was made according to the original data and the results were compared. In the classification with prediction data and original data, Fine KNN and Weighted KNN methods achieved full success in Resubstitution Validation. When Cross or Holdout validation was used in the classification, differences were observed between the results found with the prediction data and the results found with the original data.