Akademik Veri Yönetim Sistemi
ASERC 3rd International Conference On Health, Engineering, Architecture And Mathematics , İstanbul, Türkiye, 14 - 16 Kasım 2025, ss.266-274, (Tam Metin Bildiri)
Bu çalışma, Parkinson hastalığının (PH) yürüyüş dinamiklerinden yararlanılarak otomatik olarak tespit edilmesine yönelik bir sınıflandırma yaklaşımı sunmaktadır. Bu kapsamda, K-En Yakın Komşu (KNN) algoritması kullanılarak Parkinson hastaları ile sağlıklı bireylerin dikey zemin tepki kuvveti (VGRF) sinyallerinden ayırt edilebilirliği araştırılmıştır. Çalışmada kullanılan veriler, PhysioNet’te yer alan “Gait in Parkinson’s Disease (gaitpdb)” veri tabanından alınmış olup, 93 Parkinson hastası ve 73 sağlıklı bireye ait toplam 306 adet sinyalden oluşmaktadır. Her bir sensör kanalından sinyal enerjisi, RMS, tepe faktörü, MAD, varyasyon katsayısı, IQR, Shannon entropisi ve normalize edilmiş spektral enerji olmak üzere sekiz sinyal-tabanlı özellik çıkarılmış ve toplam 144 öznitelik elde edilmiştir. Veriler %70 eğitim, %30 test oranında modele uygulanmıştır. Deneysel sonuçlar, KNN algoritmasının eğitim verisinde %83.3, test verisinde ise %87.9 doğruluk sağladığını göstermektedir. Elde edilen bulgular, KNN yönteminin yürüyüş verilerine dayalı olarak Parkinson hastalığının erken aşamada belirlenmesinde etkili ve uygulanabilir bir yöntem olduğunu ortaya koymaktadır.
This study presents a classification approach for the automatic detection of Parkinson's disease (PD) using gait dynamics. In this context, the discriminability of Parkinson's patients and healthy individuals based on vertical ground response force (VGRF) signals was investigated using the K-Nearest Neighbor (KNN) algorithm. The data used in the study was obtained from the "Gait in Parkinson's Disease (gaitpdb)" database in PhysioNet, consisting of a total of 306 signals from 93 Parkinson's patients and 73 healthy individuals. Eight signal-based features were extracted from each sensor channel: signal energy, RMS, peak factor, MAD, coefficient of variation, IQR, Shannon entropy, and normalized spectral energy, resulting in a total of 144 features. The data was applied to the model with a 70% training and 30% test ratio. Experimental results show that the KNN algorithm achieved 83.3% accuracy in the training data and 87.9% accuracy in the test data. The findings demonstrate that the KNN method, based on gait data, is an effective and feasible method for the early detection of Parkinson's disease.