Vücut kas yüzdesinin biyomedikal sinyaller ile yapay zeka tabanlı belirlenmesi = Artificial intelligence-based estimation of body muscle percentage with biomedical signals

Abstract

Sağlıklı bir hayat sürdürülmesi için gerekli olan kas kütlesinin ölçülmesi ve takibi önemlidir. Özellikle kas kütlesi yaşlı bireylerin yaşam kalitesini doğrudan etkilediğinden dolayı bu bireylerde kas kütlesi takibinin yapılması daha da büyük öneme sahiptir. Kas kütlesinin ölçümünde kullanılan mevcut yöntemler çeşitli dezavantajlara sahip olduklarından dolayı, kas kütlesinin ölçümünde kullanılabilecek pratik, güvenilir ve yüksek teknolojili cihazlara ihtiyaç bulunmaktadır. Bu çalışmada, yapay zeka algoritmaları ile biyomedikal sinyal kullanılarak düşük maliyetli ve güvenilir vücut kas yüzdesi hesaplanmasına yönelik bir model geliştirilmesi hedeflenmiştir. Çalışmada 300 bireye ait Elektrokardiyografi (EKG) sinyalleri kullanılmıştır. Öncelikle EKG sinyali filtrelenmiş ve alt frekans bantları elde edilmiştir. Her bireye ait EKG sinyalinden, bu sinyalin farklı 7 frekansta bulunan QRS bileşenleri elde edilmiştir. Böylelikle her birey için 8 sinyale sahip olunmuştur. Elde edilen her sinyalden 25 adet olmak üzere toplam 200 adet zaman domeni özellikleri çıkarılmıştır. Ayrıca 5 adet demografik özellikte (yaş, kilo, boy, BMI, kas) modele eklenmiş ve toplamda 205 özelliğe ulaşılmıştır. Performans arttırımı için spearman özellik seçme algoritması kullanılmıştır. Makine öğrenmesi algoritması olarak Karar Ağaçları, Destek Vektör Regresyonu, Karar Ağaçları Topluluğu makine öğrenmesi algoritması kullanılmıştır. Çalışmada, önerilen Vücut Kas Yüzdesi (VKY) tahmin modeli tüm bireyler için MAPE=4,18 (Karar Ağaçları Toplulukları) , erkekler için MAPE=3,91 (Destek Vektör Regresyonu) ve kadınlar için MAPE=4,54 (Destek Vektör Regresyonu) performans değerlerine sahiptir. Çalışma sonucuna göre EKG sinyali tabanlı VKY tahmin modellerinin kullanılabileceği düşünülmektedir. Anahtar kelimeler: Elektrokardiyografi Sinyali, Makine Öğrenmesi, Yapay Zeka, Vücut Kompozisyonu, Vücut Kas Yüzdesi, Cinsiyet Bazlı Vücut Kas Yüzdesi

Measuring and monitoring the body muscle mass required to maintain a healthy life is essential. Especially, since muscle mass affects the life quality of elderly persons directly, monitoring the muscle mass in these persons has more importance. Since the current methods utilised to measure muscle mass have some disadvantages, it is required practical, reliable and high-tech devices can be used to measure muscle mass. This study aims to develop a low-cost and reliable BMP calculation model using artificial intelligence algorithms and biomedical signals. In the study, 300 Electrocardiography (ECG) signals belonging to the individual were used. Firstly, the ECG signals were filtered, and sub-frequency bands were obtained. From the ECG signal of each individual, the QRS components of this signal at 7 different frequencies were obtained. Thus, 8 signals were acquired for each individual. A total of 200-time domain features were extracted, 25 of which were obtained from each signal. In addition, five demographic features (age, weight, height, BMI, muscle) were added to the model, and 205 features were reached. To enhance the performance, the spearman feature selection algorithm was used. As machine learning algorithms; Decision Trees, Support Vector Regression, Ensemble Decision Trees have been used. The recommended BMP estimation model has the performance values for all individuals MAPE=4,18 (Ensemble Decision Tree), for males MAPE=3,91 (Support Vector Regression) and for females MAPE=4,54 (Support Vector Regression) in this study. Regarding the results of the study, It is thought that ECG-based BMP prediction models can be used. Keywords: Electrocardiography Signal, Machine Learning, Artificial Intelligence, Body Composition, Body Muscle Percentage, Gender-Based Body Muscle Percentage