Makine öğrenimi algoritmalarını kullanarak hastalık tahmininin gömülü sistemlerde gerçeklenmesi

Günümüzde birçok hastalık, yaşam tarzı seçimleri ve çevrenin bir sonucu olarak insanları etkilemektedir. Erken hastalık tahmini alınacak önlemler açısından oldukça önemlidir. Semptomlara dayalı hastalık tahminlerinde doktorların semptomlara dayalı olarak doğru bir teşhiste bulunmaları kolay olmayabilir. Son yıllarda tıp ve sağlık alanındaki veri miktarının artmasından dolayı makine öğrenmesi metotları yardımıyla verilerden hastalık tahmini yapılması çok önemli bir görev haline gelmektedir. Bu çalışmada, gömülü sistem platformları; Jetson Nano, Jetson TX2, PYNQ ve Rasperry Pi kullanılarak hastalık semptomlarına dayalı makine öğrenmesi tabanlı bir tahmin sistemi önerilmektedir. Elde edilen veri setini düzenlemek için SMOTE (sentetik veri arttırma metodu) ve aşırı örnekleme yöntemleri kapsayan veri ön işleme teknikleri kullanılmaktadır. Bu veri seti, hastalığı doğru bir şekilde tahmin etmek için karar ağacı, rastgele orman, AdaBoost sınıflandırıcı (ADA), gradyan artırma (GB), çok katmanlı algılayıcı (MLP) ve lineer diskriminant analizi (LDA) sınıflandırıcıları yardımıyla sınıflandırılmaktadır. Bu sınıflandırıcıların sonuçları çapraz doğrulama yöntemi kullanılarak k = 20 kat için gerçekleştirilmektedir. Tez çalışmasında %97,61 doğruluk oranı ile lineer diskriminant analizi (LDA) ve gradyan artırma sınıflandırıcıları (GB) çıktı açısından diğer sınıflandırıcılardan daha iyi performans göstermektedir. Ayrıca sınıflandırıcıların doğruluk, eğitim ve test süreleri çeşitli gömülü sistemlerde gerçekleştirilerek sonuçları karşılaştırmalı olarak verilmektedir. Bu tez çalışmasında önerilen sistemin yüksek doğruluğu ve taşınabilirliği sayesinde tıp ve sağlık alanında karar destek sistemi olarak kullanılabilirliği sunulmuştur.