Anahtar Kelimeler: Biyomedikal Sinyal İşleme, Kronik Obstrüktif Akciğer Hastalığı, Spirometre, Fotopletismografi, k – En Yakın Komşuluk Sınıflandırma Algoritması, Olasılıksal Yapay Sinir Ağları, Destek Vektör Makine Kronik Obstrüktif Akciğer Hastalığı (KOAH) sigara, toz ve duman gibi etkenlerden dolayı akciğerlere giden hava miktarının azalması ile birlikte meydana gelen solunumsal hastalıktır. Bu hastalığın teşhisi spirometre ve polisomnografi (PSG) cihazı ile yapılabilmektedir fakat sistemin yeterince gelişmemesinden dolayı, bireylere bazı zorlular yaşatabilmektedir. Bu zorlukları ortadan kaldırmak için PSG cihazı kadar yararlı olabilecek alternatif sistemlere ihtiyaç duyulmaktadır. Bu çalışmada, bireye daha az sıkıntı oluşturan ve PSG cihazı kadar verimli bir şekilde çalışabilen bir sistem geliştirilmiştir. Bu durumdan dolayı fotopletismografi sinyali kullanılarak zaman ekseninde 26 adet özellik çıkartılmıştır. Makine öğrenmesi modelleri olan k – En Yakın Komşu Algoritması, Olasılıksal Yapar Sinir Ağları ve Destek Vektör Makine olmak üzere toplamda 3 adet sınıflandırma algoritması kullanılmıştır. Bu tez çalışmasında ayrıca 8 KOAH'lı hasta ve 6 kişilik sağlıklı bireye ait veriler kullanılmıştır. Sınıflandırma algoritma performanslarının değerlendirebilmek için doğrululuk oranı, özgüllük, duyarlılık ve F-ölçümü gibi parametreler kullanılmıştır. Her 3 makine öğrenmesi modelinde de elde edilen sonuçlar en az doğruluk oranı %80 olup bazı algoritmalara göre tüm verilerin doğruluk oranı %100 doğru sınıflandırılmış, duyarlılık 1, özgüllük 1 ve F-ölçümü 1 olarak tespit edilmiştir. Tez çalışmasında elde edilen sonuçlar değerlendirildiğinde makine öğrenmesi temelli KOAH teşhisi verimli bir şekilde yapılabileceği gösterilmiştir.
Keywords: Biomedical Signal Processing, Chronic Obstructive Pulmonary Disease, Spirometry, Photopletismography, k – Nearest Neighbor Classification Algorithm, Probabilistic Neural Network, Support Vector Machines Chronic Obstructive Pulmonary Disease is a respiratory disease that it is caused by decreased in the amount of air to the lungs due to factors such as smoking, dust and smoke. Diagnosis of this disease can be made by spirometry and polysomnography (PSG) device but it may cause some difficulties to persons because owing to deficiency of system. It needs alternative systems that can be as beneficial as the PSG device to eliminate these challanges. In the study, a system that less distressing and works as efficiently as the PSG device has been developed. Because of this situation, 26 features were extracted from pletismography signal in the time domain. It was used 3 classification algorithms which are k – Nearest Neighbor Classification, Probabilistic Neural Network and Support Vector Machines that are machine learning models. In this thesis, 8 patients with COPD and 6 healthy subjects were used. Accuracy ratio, sensitivity, specifity and f-measurement are used to evaluate the classification algoritms performance. The result is obtained in all 3 machine learning models were at least %80 and according to some algorithms all datas were classified as %100 and all parametres sensitivity, specificity and f-measurement were determined as 1. Evaluating the results obtained in the study, it has been proven
