Spastisitenin elektrofizyolojik ve kinezyolojik verilerle tespiti ve derecelendirilmesi

Spastisite, üst motor yollarındaki lezyona bağlı hareket bozukluğu ile oluşan klinik bir durumdur. Spastisitesinin tanımlanmasında, ölçülmesinde ve değerlendirilmesinde genel kabul görmüş bir yöntem bulunmamaktadır. Bu tezde, sinyal işleme ve makine öğrenme tekniklerine dayalı olarak spastisite için güvenilir bir klinik değerlendirme yöntemi geliştirilmiştir. Bu amaçla, Patella T-refleksi tetiklendiğinde katılımcıların RF ve BF kaslarının EMG verilerini kaydeden bir ölçüm sistemi hazırlanmıştır. Sistem sayesinde kaydedilen veriler öncelikle bir önişleme adımından geçirilmiştir. Bu adımı takip eden öznitelik çıkarma adımında, her iki kas grubundan ölçülen kısa süreli EMG sinyalinden zaman ve frekans uzaylarında beşer adet öznitelik belirlenmiştir. Bu özellikler, spastisiteyi. karakterize eden öznitelik vektörünü oluşturmak için Patella Trefleksinin tetiklediği Pendulum hareketinin altı adet özniteliği ile birleştirilmiştir. Sonuçta toplam 26 elemandan oluşan öznitelik vektörü elde edilmiştir. Öznitelik çıkarma adımından sonra, öznitelik vektörünün ayırma kabiliyetini artırmak için gerçekleştirilen öznitelik seçimi sürecinde Fisher Skoru kullanılmıştır. Önişleme, öznitelik çıkarma ve öznitelik seçme adımları tezin sinyal işleme kısmını oluşturmaktadır. Sistemin sınıflandırma evresinde ise, spastisite derecelendirmesinde kabul edilebilir ve güvenilir sonuçlar veren YSA, k-EYK ve DVM makine öğrenme algoritmaları uygulanmıştır. Ayrıca, sınıflandırıcıların performanslarını artırmak amacıyla tezde AdaBoost algoritmasından da faydalanılmıştır. Nörologların ifadelerine göre, klinik değerlendirmelerde % 80 ve üzeri doğruluk yüzdeleri kesinlikle kabul edilebilir ve uygulanabilirdir. Dolayısıyla, Fisher Skoru, üç katlı çapraz doğrulama ve DVM veya k-EYK teknikleri içeren önerilen yöntem spastisite değerlendirmeleri için etkin bir şekilde kullanılabilir. Normal, Ashworth 1 ve Ashworth 2 spastisite düzeylerini belirlemek amacıyla kullanılan bu kombinasyonların doğruluk değerleri sırasıyla % 86.66 ve % 80.33 olarak belirlenmiştir. Sunulan tez makine öğrenmesi ve sinyal işleme yöntemlerini kullanarak spastisite derecelendirilmesini otomatik olarak güvenilir bir şekilde gerçekleştiren, bu sayede nörologlara fayda sağlayan önemli bir çalışma özelliği taşımaktadır.