Özet:
Amaç: Dünya Sağlık Örgütü'nün tanımına göre inme; 24 saatten uzun süren ya da ölümle sonlanan, vasküler neden dışında gösterilebilir başka bir nedeni olmayan, hızlı gelişen, serebral işlevin fokal ve bazen de global olan bozukluğudur (Mazzoni ve ark., 2009). Özellikle tıbbi metinlerde, hemipleji ise "tek taraflı, kasın aşırı aktivasyonu ve motor aktivitesinde azalma, kas gerginliğinin artması, güçsüzlük ve seçici motor kontrolü kaybı" şeklinde tanımlanmaktadır (Barnes ve Fairhurst, 2012). Bu çalışma ile hemiplejik hastaların yürüme verileri analiz edilerek hastalıklarının hangi evrede (Brunnstrom Evrelemesi) olduğunun tespit edilebilmesi amaçlanmaktadır. Yöntem: Çalışmada kullanılan üç eksenli ivmeölçer sinyalleri Matlab programında Daubechies5 (DB5) dalgacığı kullanılarak altıncı seviyeye kadar ayrıştırıldı. Yeni oluşan sinyallerden altıncı seviyedeki yaklaşım sinyalinin öznitelikleri seçildi. Daha sonra seçilen öznitelikler WEKA programında Iterative Classifier Optimizier, AdaBoost, Bagging, Classification via Regression (CVR), LogitBoost, OneR, J48, Random Forest, Random SubSpace, Multi Class Classifier ve RepTree algoritmaları; MATLAB programında ise Lineer Discriminant, Complex Tree, Subspace Discriminant ve RUSBoosted Trees algoritmaları ile sınıflandırma yapılarak evreleri tahmin etmek için kullanıldı. Bulgular: Bu çalışmada hemiplejik hastaların hangi evrede oldukları, yürüme sinyalleri kullanılarak ayrık dalgacık dönüşümü yöntemi ve yapay öğrenme yöntemleri ile tahmin edilmeye çalışılmıştır. Hemiplejik hastaların Brunnstrom Evrelerini en iyi tahmin eden sınıflandırıcı WEKA'da LogitBoost algoritması ve MATLAB programında RUSBoosted Trees algoritması olmuştur. Sonuç: Hemiplejik hastaların tedavisine yön verme bakımından önemli olan evre belirlemede dalgacık dönüşümü yöntemi ve yapay öğrenme yöntemlerinin kullanılabileceği görülmüştür. LogitBoost ve RUSBoosted Trees algoritmaları en iyi sonucu vermiştir.
