Yürüyüş Verileri Kullanılarak Parkinson Hastalığının Destek Vektör Makineleri ile Sınıflandırılması

Creative Commons License

Durmuş F., Özbilgin F.

ASERC 3rd International Conference On Health, Engineering, Architecture And Mathematics, İstanbul, Türkiye, 14 - 16 Kasım 2025, ss.258-265, (Tam Metin Bildiri)

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Basıldığı Şehir: İstanbul
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.258-265
  • Ondokuz Mayıs Üniversitesi Adresli: Evet

Özet

Bu çalışma, Parkinson hastalığının (PH) yürüyüş verileri üzerinden otomatik olarak tahmin edilmesi amacıyla yapılmıştır. Araştırmada, Destek Vektör Makineleri (SVM) algoritması kullanılarak yürüyüş verilerinden Parkinson hastalarının tanılanabilirliği değerlendirilmiştir. Veriler, PhysioNet platformunda yer alan “Gait in Parkinson’s Disease (gaitpdb)” veri tabanından alınmış; 93 Parkinson hastası ve 73 sağlıklı bireyden toplanan toplam 306 dikey zemin tepki kuvveti (VGRF) sinyali analiz edilmiştir. Her bir sensör kanalından 7 istatistiksel özellik (ortalama, standart sapma, medyan, min, max, çarpıklık, basıklık) çıkarılarak toplamda 126 öznitelik elde edilmiştir. Modelin eğitim ve test oranı sırasıyla %70 ve %30 olarak belirlenmiştir. Sonuç olarak, SVM algoritması %83.7 eğitim doğruluğu ve %86.8 test doğruluğu sağlamıştır. Elde edilen bulgular, SVM tabanlı sınıflandırmanın Parkinson hastalığının erken tanısında etkili bir araç olabileceğini göstermektedir.

This study was conducted to automatically predict Parkinson's disease (PD) from gait data. The study evaluated the detectability of Parkinson's patients from gait data using the Support Vector Machine (SVM) algorithm. Data was obtained from the “Gait in Parkinson’s Disease (gaitpdb)” database on the PhysioNet platform; a total of 306 vertical ground reaction force (VGRF) signals collected from 93 Parkinson's patients and 73 healthy individuals were analyzed. Seven statistical features (mean, standard deviation, median, min, max, skewness, kurtosis) were extracted from each sensor channel, resulting in a total of 126 features. The training and test ratios of the model were determined as 70% and 30%, respectively. As a result, the SVM algorithm achieved 83.7% training accuracy and 86.8% test accuracy. The findings indicate that SVM-based classification can be an effective tool in the early diagnosis of Parkinson's disease.